推荐理由：这篇论文把梯度均衡、Blackwell可逼近性和遗憾最小化这几个在线学习的关键框架串起来了，证明它们本质等价，对理解在线优化底层逻辑很有帮助。

推荐理由：这篇论文用轻量仿真数据预训练CAE再迁移到小样本实验数据，做到了损伤定位R²>0.93、尺寸R²>0.99，比CNN方案准很多，很值结构健康监测方向的人看看。

推荐理由：这篇论文给出了学习半空间截断高斯分布的最优算法，样本和时间复杂度都达到理论下界，而且避开了繁琐的随机梯度下降，值得了解。

推荐理由：这篇论文揭示了奖励信号设计比选优化器更重要，GRPO容易作弊，加个规则防御就能让质量跳升14.7%点。

推荐理由：这篇论文把OpenAI在单位距离上的方法用到组合几何里，直接造出上亿量级的全等图形副本，还解决了Brass和Pach的老问题，数学迷别错过。

推荐理由：这篇论文告诉你为什么堆模型不一定管用——关键是所有模型一起错的概率。67个模型测下来，数学题上这个比例5.2%，代码题7.9%，比你想象的高。别盲目加模型了，先看看共失败率。

推荐理由：这篇论文给了你从数据识别ODE的理论底线，告诉你最少需要多少观测才能唯一确定方程，做科学机器学习的必读。

推荐理由：这篇论文发现，调好预处理参数，线性模型就能干翻Transformer等复杂模型，不用堆算力。

推荐理由：新数据集 BetXplain 专治社交媒体上的忽悠型赌博广告，带人工解释，能帮你研究怎么自动识别这种坏广告。

推荐理由：Ribbon用一种巧妙的线性化技巧，让你不用反复训练就能估算模型的不确定性，而且结果和更复杂的bootstrap差不多。

推荐理由：想了解AI如何从人际关系中识别心理健康问题？这篇论文用Reddit数据建了专门基准，挺实在。

推荐理由：这篇论文提出了InfoKV，用信息熵改进KV缓存压缩，在Llama-3.1和DeepSeek-R1上比传统注意力方法效果更好，适合关注长推理效率的人。

推荐理由：这篇论文提出了JERP，让LLM智能体边干活边总结经验规则，在AlfWorld和WebShop上效果明显。

推荐理由：这篇论文提出了NTU框架，能让小代码训练的知识加速大解码器，在几类量子纠错码上都比现有方法好。

推荐理由：这篇论文展示了LLM在维和任务威胁评估中的实际应用，与人类判断高度一致，实用性强。

推荐理由：这篇论文提出CIRCLE方法：用固定储层特征做持续学习，无需回放，在长任务序列上比现有方法更快更准确。

推荐理由：这篇论文揭示了一个反直觉的发现：给模型做安全微调反而可能暗藏更多绕过后门。它用具体的PowerShell分类实验，告诉你继承的电路在微调后变得脆弱，适合关注AI安全或模型微调的朋友。

推荐理由：这篇论文从局部质量角度拆解贝叶斯推理，用Mass Index和RE-KL两个新工具分析了KL散度忽略的局部行为，做变分推断的朋友可以看看。

推荐理由：这篇论文用连续参数模型解释了开源博弈里自私个体怎么走向合作，挺有意思的。

推荐理由：想了解怎么用CI、PSI这些指标来评判聚类好坏？这篇论文把常见外部度量讲清楚了，还给了推荐优先级。

推荐理由：这篇论文很实在，专门解决AI写代码时规范和代码脱节、上下文爆炸的难题。作者搞了个轻量框架，用规范图和漂移门来管住，适合做AI辅助开发的工程实践参考。

推荐理由：想知道强化学习里状态怎么设计才能跨市场通用？这篇论文用Double DQN和HydroDam做了严谨对比，绝对+相对+预测特征组合最好。

推荐理由：这篇论文用实验告诉你：给代码代理加一点调用图注释，定位准了2.2%，交互少了1.6轮，运行还更稳定。比堆更多上下文管用。

推荐理由：OpenAI内部数据揭示Agentic AI如何改变工作方式：Codex活跃用户半年增5倍，研究人员月产出增50倍。看真实采用率与工作流变化。

推荐理由：想搞懂多模态模型怎么从分开看图文进化成统一感知？这篇综述用五阶段框架讲清了O-series和R-series带来的转变，比碎片化教程系统得多。

推荐理由：这篇论文测试了四个主流实时语音AI处理哭泣、恐惧、讽刺时的表现，结果它们能听出情绪却不当回事，甚至误判口音和年龄。用语音AI处理敏感场景要小心。

推荐理由：这篇论文发现用有偏评估者训练智能体，偏差会像病毒一样通过记忆传染给后来者。旧模型DeepSeek V4-Chat中招，Claude和V4-Pro没事，权威偏见传不出去。

推荐理由：这篇论文教VLA模型在正式训练前先学动作规律，用的是流匹配，13个任务上效果比直接训练好，数据少时尤其明显。

推荐理由：想跨焊接工艺直接套用模型？这篇论文用无监督域适应，在TIG和激光焊接上准确率从四成多拉到八成以上，不用重新标数据。

推荐理由：这篇论文用TriViewBench测了18个多模态模型，发现它们都在多视图推理上崩得厉害，CoT也救不了。想了解当前MLLM的结构推理极限，可以看看。

推荐理由：这篇论文用数据告诉你ERC-8004信任层的水有多深：大部分注册是摆设，信誉能被轻易刷分。研究AI代理和区块链的人都该看看。

推荐理由：这篇论文发现表格模型用上下文示例做推理时会泄露隐私，还提出了一个很有效的攻击和防御方法，干活不花哨。

推荐理由：这篇论文给Gurobi求解多人博弈纳什均衡时加了变量界，让之前一天算不完的三玩家Kuhn扑克能更快解出来，做博弈算法的人可以看看。

推荐理由：这篇论文出了个RevengeBench基准，能从行为实验反推LLM的策略代码，测了12个模型恢复率34%-72%，弱模型受益最大。

推荐理由：这篇论文揭示了自蒸馏方法的一个隐藏缺陷：虽然准确率不错，但多样性会变差，导致复杂推理场景下失效。做RL或推理模型的人值得看看。

推荐理由：想知道模型做坏事是故意还是偶然？这篇论文用Kimi K2和DeepSeek R1做了验证，方法简单但管用。

推荐理由：这篇论文用Rust和形式化验证搞了个安全内核，1000次自修改加6240次授权测试都拦住了逃逸，比那些吹控制智能体的系统实在多了。

推荐理由：这篇论文把合成数据增强对不平衡分类的效果掰开了讲：模型对的时候加数据没提升，模型错的时候加数据有救但别指望线性增益。

推荐理由：这篇论文发现了模型训练中规则自然遗忘的规律，并且能预测和控制——破坏容易恢复难，对理解LLM行为很有启发。