Latest

搞安全检测的朋友可以看看这篇。多数入侵检测是先把告警扔出来再关联，DeepChronos 把攻击阶段规则直接写进检测逻辑，F1 在 DARPA 2000 上高出纯神经基线 11.3%，延迟还在毫秒级，做 NDR 或 SIEM 的团队值得对比评估。

给做检索、RAG 或信息类产品的人看：这套基准把'多语言叙事多样性'拆成了六项可测能力，还放出了 14 个模型在 24 种语言下的成绩。想让自己的产品在争议话题上不偏科，可以拿 NarrativeBench 当评测起点。

做机器人控制或世界模型的研究者可以看看这篇。它在 LeWorldModel 基础上加了反向动力学和逆动力学两个损失项，规划效率有提升，思路和 JEPA 那条无解码器路线不一样，实验是在仿真里做的。

做医疗或客服这类多轮智能体训练的人必看。论文用三个临床环境实测发现结果奖励训练会让模型走捷径，高风险病例崩掉，而给提问环节加过程奖励能救回来。想避免智能体“偷懒式”收敛的团队可以直接参考它的实验设置。

做 AI 审阅、论文初筛或 e-discovery 的团队值得看这篇：它证明多智能体一致不代表正确，接受率只能给 precision，想算 recall 必须抽样审核被拒条目。相比一般的多智能体评估讨论，这篇给出了严格的统计边界，适合搭筛选流水线的工程师和数据质量负责人。

遥感图像上数目标这件事，所有开源 VLM 一屏超过约 5 个物体就开始数不准。这篇 arXiv 论文让 LLM 先把问题拆成空间程序，VLM 只在能力范围内数数，不用训练就在 XLRS-Bench 区域计数上提高 16.3 分，超过已训练方法。做遥感分析或多模态评测的人值得看这套实测上限再切视图的思路。

做生成式设计工具或研究人机交互的可以看看这篇。它把提示词拆成主体、构图、配色这些可单独编辑的规划项，用户改一处不用推翻整张图，8 位专业用户实测反馈掌控感明显更好。

搞机器人世界模型的应该看看这篇。相机一挪、控制器一换，模型就得重训，这活儿很烦。LoH 完全不训练，靠前后两帧图像反推出实际动作映射，还能把映射存起来复用。成功率直接翻倍，开销几乎为零，工程上很容易试。

做模型可解释性的人值得看这篇：以前每个模型都要重新拟合拒绝方向和探针，现在证明换个模型也能直接用，加少量无标签 prompt 就能接近原生效果。覆盖五个模型家族、1B 到 72B，实验量够扎实。

这篇论文发现智能体的钱主要花在 harness 层而不是模型上，同一任务换个提示词和工具配置能差 2.6 倍成本。作者做了个叫 Agency 的平台，直接套在 Claude Code 和 OpenAI Codex 上就能省 35% 花费，准确率不掉。天天跑 agent 的开发团队值得把这套思路抄过去。

数学研究者其实在 Mastodon 上越聊越多 AI，占比半年从 1.1% 涨到 11.5%。有意思的是大家对验证流程、署名规范的批评远多于对技术本身的质疑，OpenAI 数学发布后这个反差更明显。做 AI for math 或关注社区舆情的人都值得看看这套目标—属性—立场的分析方法。

搞理论的朋友可以看看这篇：作者把 OpenAI 和 Anthropic 新的 3-SAT 算法接过来，推出了 NTIME 能被确定性机器以 2^{O(t/√log t)} 模拟，这可是 P vs NP 附近的核心问题。论文的关键新工具是 Cook–Levin 归约的推广，做复杂度和 SAT 求解器研究的人值得一读。

这条值得看两个点：一是 Aaronson-Ambainis 猜想本身被证明了，量子算法在多数输入上能被经典模拟；二是证明者用的是 PSI 的研究系统加非公开 Anthropic 模型，AI 参与数学研究的又一实例。做量子计算或复杂度理论的人应该读解读部分，四个步骤的讲法很清楚。

有人用 Codex 和 Claude 在 Lean 4 里证完了一个悬而未决的几何问题，48 个证书全部通过内核检验，一个浮点数都没用。想看 AI 做形式化数学做到什么程度的，这篇是很好的样本。

做智能体记忆或评估的朋友该看看：论文用逐字节相同的可见上下文构造出答案不确定的案例，发现 Qwen3-32B 和 DeepSeek-V4-Flash 在 203 个证据不足实例里几乎不弃答、直接给参考答案。这暴露了现有记忆评测把"答对"当"答得合理"的漏洞，设计评估流程的团队尤其需要警惕。

Telefónica 这套方案专门啃老年人口语识别这块硬骨头，用 CTC 对齐打分来安排 LoRA 微调顺序，再剪枝防过拟合，7 个系统融合后归一化 WER 做到 22.17%。做低资源语音或适老产品的工程师可以直接抄作业。

让 LLM 别再直接写 CAD 代码，只负责在封装操作上做决策，编译器兜底正确性。无需训练还能换模型。做机械设计或 CAD 自动化的工程师值得关注这个流水线思路和 MHCAD 基准。

做嵌入式开发的朋友可以看看，这个基准专门测 LLM 写应用层嵌入代码的真实水平。结论挺实用：代码补全记得带上局部上下文，Harmony 转 RT-Thread 别指望模型一次到位，按方向选模型能少踩坑。

如果你在做医疗多模态应用，这篇论文把现有 MLLM 在手术场景的短板摸得很清楚：感知任务靠工具调用能补上，但流程评估和细粒度定位还差很远。两套评测框架可以直接拿来当自家模型的压力测试。

越南团队用 NVIDIA Auto Ontology 流程把法律问答语料做成了可溯源的知识图谱。最有意思的是数据审计结果：36% 的引用指向已失效法律。做法律 RAG、知识图谱的人应该看看这套构建和验证方法。

做域适应的人可以看看这篇：把 L2 换成 L1 Banach 范数正则，靠 Scheffe 定理直接收紧 TV 距离，在 Office+Caltech10 的 12 个迁移上比 DMDA 平均高 3.68%。论文还把三种几何摆在一起对比，理论味比较足。

用 TabPFN 和 Mitra 做因果效应估计的系统性测试，复杂场景下准确率和置信区间覆盖率都超过了 Super Learner 集成。做因果推断或统计建模的工程师值得看实验设计，尤其是 cross-fitting 对小样本的必要性结论。

把 LLM 的意图理解和强化学习决策拼在了一起：运营商用自然语言说需求，NWDAF 告警触发动态调整，5G UPF 选择比固定策略好 16.89%。做电信网络自动化或 DRL 落地的开发者可以看看实验设计。

投机解码在高并发下常被草稿树拖慢，这篇论文给出一个只学 2H+2 个参数的小头来判断哪些节点值得验证，64 路并发还能比自回归快 1.3-1.8 倍。做推理服务、部署块扩散模型的人应该看看，72 个负载设置里 70 个拿了最快。

做企业流程自动化的人可以看这篇：它把SOP文档和隐含知识分开管理，让智能体在SOP更新后不用每次重新人工调试。8个Indeed工作流上等效率从12%拉到58%，对比明显，写agent框架的值得借鉴这个思路。

搞 Agent 框架的人该看看这篇：它用 9B 冻结模型和教师写笔记，量化了失败轨迹到底值多少——只有 4 个百分点，而且 60% 的提升靠普通搜索就能拿到。跟一堆宣称“Agent 自我进化”的工作比，这篇泼了盆冷水，还顺手指出测试集过半有缺陷。

云安全告警最后总要找到能修的人，这篇论文用智能体从代码历史、工单这些痕迹里自动推断资源归属，实测比通用智能体召回高出一大截还更省钱。做云安全运营或者平台工程的人值得看看这套架构。

这篇论文回答了一个架构设计里常被忽略的问题：门控该看输入还是看状态。结论很实用——做上下文检索类任务（induction head）时状态门控有理论优势，做 selective copying 时输入门控更强，两者结合最好。调 Mamba 类模型架构的人值得把实验部分仔细看看。

做自动驾驶或3D视觉语言方向的研究者可以看看这个新基准：85万多条不是，是14万多条带运动描述的语言标注，配合SLIDE模块能利用时间信息定位运动物体，比只处理静态室内场景的老数据集更贴近真实驾驶场景。

搞在线学习或多臂老虎机的值得看这篇：延迟反馈但不知道奖励来自哪一轮的场景很常见，论文提出的 BHO 算法不依赖最优臂报告也能控住遗憾，还给了配套下界，理论上把可行边界画清楚了，做算法研究或推荐系统延迟归因的可以拿来对照自己的设定。

医院再入院预测的偏差会随出院决策自我强化，这篇论文给出一个聪明的解法：用容量感知的出院策略让数据更丰富，不需要额外加公平性约束就能把误差降 24%-25%、成本差距缩 38%-63%。做医疗 AI 或运筹优化的人都该看看。

野外录的鸟叫蛙叫总混着风声车声？这套开源的 CallCleaner 只有 19M 参数，笔记本 CPU 就能跑，降噪效果比 Biodenoising 多出 11 dB。做生物声学研究或环境监测的朋友可以直接下载权重本地用。

做逆向或安全分析的朋友可以看看这篇：MicroSim 用 IDA 微码建图加孪生 GNN，在 84 万函数的 TREX 基准上 ROC-AUC 到了 0.9972，比 SAFE 和 jTrans 重训后的成绩都高。论文还对比了 InfoNCE 和余弦损失在不同任务上的差异，选损失函数时用得上。

做医疗数据分析或联邦学习的开发者可以看看这篇。它把分层聚类的递归计算改成客户端到服务器的一次性原型传输，隐私风险和算力开销都降下来了，还靠服务器端的多粒度竞争学习补回信息损失。如果你的机构间数据没法直接共享，这套思路很值得参考。

联邦学习最常见的死法是被恶意客户端投毒，这篇论文用零知识证明把验证者准入做成了可审计的，攻击下 FedAvg 掉到 2% 它还有 94%。做去中心化训练或隐私敏感场景的工程师应该看看这套共识加审计的设计。

做语音安全或反深伪的工程团队值得看这篇。它用 WavLM 加 Mahalanobis 距离，不碰攻击样本就能拿到 8.45% EER，和监督基线 7.86% 很接近。更关键是它诚实展示了跨域 22.12% EER 和阈值自适应失效的失败模式，对部署选型很有参考价值。

一位参赛者完整拆解了他在 CoRL 2026 RoboEval 上拿到 0.990 分的做法，π0.5 策略自当价值函数，AWR 加 RECAP 直接在官方评分上训练，再补上生成的满分演示和失败恢复片段。做机器人 RL 或智能体训练的人能直接借鉴这套循环设计。

不用配对数据也不用标签，就能把两个模型学到的表示对齐，靠的是数据本身的几何距离而不是随手选的欧氏距离。做表示分析、模型拼接或者单细胞研究的都值得看看这套 Gromov-Wasserstein 的新用法，代码思路也讲得清楚。