Latest

做 VLM 空间理解评测或微调的人应该看看：这篇用镜像位置编码的反事实实验证明 Qwen2.5-VL、Qwen3-VL 和 InternVL3 的左右判断主要靠 ViT 位置编码，语言模型侧几乎不参与。结论直接指向关系绑定才是错误修复的正确靶点，比泛泛的评测报告有用。

完全离线的手机急救助手，Gemma 2B 量化微调后 15 秒内出答案，还请了真医生盲评。论文把七种配置的得分差距摊开讲，训练数据缺了 ANZCOR 细节导致分数上不去。做端侧垂直应用的人能从这套评测方法直接抄作业。

对抗训练领域的老问题：很多攻击只是推高 loss，模型置信度其实没被真正扰动。这篇论文从 Fisher 信息矩阵几何角度重做了扰动生成，理论给得清楚，算法避开了高维矩阵计算。做鲁棒性研究的同学可以直接看实验部分和伪代码。

做脑机接口或 EEG 表征学习的朋友可以看看这篇论文。它把多尺度建模做到了输入和预训练目标两端，6 个 BCI 基准里 5 个拿了最好的 Balanced Accuracy，参数才 5.0M，比 12 个基线都省。写论文选基线时也用得上。

GRPO 把答案奖励平均撒给每个 token，这篇论文改成按模型犹豫程度（top-2 概率差）分配信用，不用额外评估。在 MiniCPM5-2B 和 Qwen3-4B 上平均涨 6.55 分，pass@32 涨 13.8。做 RLVR 训练、想榨干小模型数学能力的人可以直接抄这套实现。

搞推荐系统又想接多模态数据的朋友可以看看。它用 LLM 把图片等异构数据统一成文本表征再融合，表征训练和下游推荐模型解耦，换个骨干也能复用，和那些绑死单一模型的融合方案思路不一样。代码开源，可以直接跑。

想让模型别在照片里乱说别人隐私？这篇论文证明现在几乎没人能做到——最强的 o4-mini 也只有约 24% 合规率。作者开源的 SPY-Bench 和对齐方法把准确率拉到 96.88%，做 VLM 安全或隐私产品的开发者直接能用。

做科研自动化或 Agent 评测的可以看看这个新基准，64 个真实生物医学建模任务，防泄漏设计做得比较扎实。结论挺有意思：Agent 强在灵活改方法，但基础模型被禁用就掉 9 分。想测自家 Agent 在科研场景上限的团队直接能用。

用行为树一个东西同时搞定任务描述、稠密奖励、课程和策略诊断，不用再在 LTL 和奖励函数之间来回翻译。做机器人 RL 或形式化方法的可以看看论文里的课程 DAG 提取算法，6 个规格的实验覆盖了离散和连续环境。

做伪造检测的研究者该看看这篇：它证明了不少高 AUC 的 rPPG 检测器学到的是视频来源指纹，不是心跳，连官方 Celeb-DF 数据集的训练测试划分都有泄漏。

理论向的读者可以看这篇：作者证明了 metaplectic 神经算子的通用逼近性，只用一层隐藏算子层加一个非局部分支就够，覆盖 Fourier 和分数阶 Fourier 乘子构造。做算子学习或 PDE 求解的科研人员会关心这个数学基础。

联邦学习的人总说要防梯度泄露，这篇告诉你攻击方能利用 FC 层的仿射组合关系把数据重建得更准，还测了差分隐私护得住护不住。做隐私保护或联邦系统安全的值得对照自己的防御方案看看。

做推荐系统的可以看看，论文用 Yelp 和 Instagram 的真实数据盘点了假评论、LLM 幻觉、模态矛盾这些坑，还给了质量感知融合这类改法。现在大家都在往多模态堆数据，这篇正好提醒先检查数据质量。

如果你在做医学分割或用过这类文本提示模型，这篇论文会让你重新审视基准分数：提示词里的"约 5mm"其实是标注算出来的，删掉它分数就塌了 52% 到 77%。评估协议可以直接借鉴。

这篇论文把扩散模型的加噪过程按解码器敏感度重新分配，改动只是加一层可逆线性变换，却让带噪重建的 FID 平均降了 17.1。做图像生成或潜空间传输的开发者可以看看，谱求解器有解析解，方法可复现。

这篇论文把浅层 ReLU^k 网络的逼近误差和参数几何量 h 与分离距离 h̲ 直接挂上钩，还给出 Gram 矩阵谱和系数稳定性的估计。做理论或想搞懂为什么收敛速率能反映目标函数正则性的人可以看看，比单纯跑实验的逼近论文扎实。

做 XAI 研究的朋友可以看这篇：作者测了 14 个多模态模型，发现 OpenAI 和 Qwen 对齐人类判断最好，用它跑解释质量评估能省下真人实验的钱和时间。论文还给了可复用的评估框架和指标定义，不用从零设计。

Anthropic、OpenAI、DeepMind 三家的披露全被审了一遍，没有一家把五项CoT监控指标报齐。做AI安全或评估的人可以拿这份清单直接对照自家或客户的披露口径。

做强化学习表征学习的值得看看这篇。它改进了 MJPR 那种依赖递归 rollout 的预测方式，改成从观测锚点直接预测，在 DeepMind Control Suite 上平均回报高了 10%。如果你的智能体只有部分模态数据，收益可能更明显。

这篇论文把 CoT 当成可解释性工具这件事直接提出了质疑：展示推理过程反而让用户更盲信模型。拿医疗决策举例很具体，做 AI 产品和做 AI 素养培训的人都该看看。

做低资源语音识别的可以看看这篇。SraVaani 全量微调后 WER 干到 16.3%，比微调版 Whisper large-v3-turbo 还低一点。它处理数字符号的 tokenizer 妥协方案和消融数据，对做尼泊尔语、混说语音这类项目很有参考价值。

做视频生成或 HDR 后期的开发者该看看这篇：它指出类 log 编码会把暗部色彩在 VAE 潜空间里压没，换成 EquivFlow 这种可逆编码就能保住暗部色度，还不用动预训练 VAE，比直接改模型省事。

用 MLLM 的思维链直接当训练信号来学关系表示，这思路跟只拿 CoT 做中间推理的方法不一样。做视觉关系检测、场景图或开源多模态研究的人可以看看，VG150 和 PSG 上有具体对比数字。

中文教育语料老是被吐槽碎、乱、缺体系，这批人用知识图谱当骨架重建了一遍，还开源了检索平台。做中文模型训练或垂直领域数据构建的可以看看他们的组织思路，比自己乱爬数据靠谱。

一篇关于多智能体消息路由的论文，SafeRoute-MAS 只用集成前信息删消息，能省 12.76% token 还提升 1.80 点成绩。但作者自己用 gpt-oss-120b 做的独立复现基本打平，还给出了诚实的资格判定机制。做多智能体系统、关心评估严谨性的人值得看看这套方法论。

写论文或做多语言产品的朋友可以看这份测量：7 个 tokenizer、31 种语言的真实成本账，阿姆哈拉语最高要多付 10 倍 token 费。它还给了买家 8 项黑盒审计测试，不需要权重就能评估模型的主权风险，这对非英语市场团队很实用。

搞 OT 安全或智能体安全的值得看看这篇：Talos 把恶意 agent 引到镜像孪生设备上，2400 个攻击 agent 一个都没碰到真工厂，还能反向摸清对方是谁。门控、镜像、测试框架全开源，Apache 2.0，想复现或改造可以直接上手。

主权国家或机构训自己的模型时，价值观不该照搬 Anthropic 的宪法。这篇把宪法起草设计成公民参与流程，还测了恶意参与者占比。做模型治理、政策研究或主权 AI 项目的人值得细看。

如果你正用 token 消耗考核团队 AI 使用率，这篇 JetBrains 的研究要先看看：404 名工程师的数据显示消耗翻倍只对应约 10% 的 commit 增长。它给出了替代方案——用任务和结果评估，而不是用量。

做量化或金融建模的可以看看这篇：用带引用的 FCM 图谱让预测过程可审计，收益符号准确率比纯 LSTM 高 7.6 个百分点，换市场状态后 10-15 天就能自适应。想解释模型为什么这么预测的团队会感兴趣。

做代码生成相关工作的人可以看看这篇。它不改模型本身，只靠对题目做改写、重命名这类小变异再跑共识验证，就在 LiveCodeBench 等三个基准上比现有共识方法高了最多 4.1%，没有测试用例的团队尤其用得上。

这篇论文有点意思：Claude 教 DeepSeek 时不是直接写攻略，而是先跑诊断探针找出弱模型卡在哪，再针对性写技能，成功率从 75% 拉到 86%。给做 Agent 框架和多人协作系统的开发者提供了可复用的技能准入机制思路。

印度团队实测了 9 个主流 tokenizer 处理 25 种印度语言的开销，Odia 在 GPT-4o 上要多花 5 倍 token，Sarvam 的 tokenizer 差距最小。做多语言客服或按 token 预算的团队，选模型前值得查一下自己的语言在哪个 tokenizer 上最省。

做医学影像或不确定性建模的值得看：作者把条件熵加进 EDL 正则项，在 RIM-ONE-DL 等数据集上校准误差比 MC Dropout 和 Deep Ensembles 都低，还能用 Grad-CAM 看模型是否盯错了视盘。

眼科 AI 落地最怕漏掉微动脉瘤，这篇给了个能多提 10 个点 Dice 的开源方案。做医学影像分割的可以直接下代码复现，做 Mamba 架构改进的也能借鉴它的可变形扫描思路。

无人机上跑模型的团队值得看看这篇：它实测了 Alibi-Detect、NannyML、PyTorch-OOD 三个开源工具，不只看能不能检测出偏移，还测了耗时，这俩在机载设备上经常冲突。做模型监控选型前可以当对比清单用。

这项研究解释了为什么不同论文测组合泛化结论互相矛盾：很多基准里的模块序列其实功能等价，模型是在走捷径。做基准设计或评估模型泛化能力的开发者应该看看，结论会直接影响你怎么切训练测试集。

做 LLM 评测榜单的人可以看看这篇：在 Bradley-Terry 模型上加边级差分隐私，不只给排名，还给每个名次的置信区间和 top-K 检验，模拟实验和创意写作排名案例都有。要保护人类评委偏好数据时很实用。

搞 RLHF 或最大熵 RL 的朋友可以看这篇。以前理论界是 H^5，现在证明 H^3 就够，还首次给出带温度 β 的下界。做 RLHF 训练时要估采样预算的话，这篇能直接告诉你该按什么规模分配样本。