Latest

做 RL 后训练的人可以看看这篇：作者先解释了为什么同一批 rollout 多轮复用容易训崩，再给出 BRAT 这套更新方式，四次复用下不掉精度、种子间波动更小，比 PPO clipping 温和。

只把模型不到0.05%的权重清零就能达到全量微调效果，还几乎不遗忘旧任务，比LoRA更稳。掩码文件比checkpoint小上千倍，做持续学习和多任务后训练的工程师很该看看这篇。

搞太阳物理或空间天气预测的同学可以看看这个库，把图像、时间序列、表格三种数据的可解释性流程统一到一个接口，官方实测写代码量明显变少，跑起来也不慢，文档和示例都齐。

做因果发现、结构学习的开发者可以看这篇：作者在 DAGMA 之上加了一层矩阵式多跳路径证据，多尺度归一化后长环梯度不再指数衰减。论文带线性+非线性 ER 基准对比，稠密图上明显超过 DAGMA，代码思路也写得清楚。

做异常检测的同学应该会遇到训练集混入脏数据的问题。这篇论文的做法挺巧：用自编码器早期重建的余弦相似度找出污染点再删掉，不需要提前知道污染比例，8 个模型 10 个数据集上 F1 平均涨了 11.2%，而且是数据层面清洗，换模型也能用。

写张量计算库的朋友可以看看这篇。它把稠密、稀疏、锯齿张量和einsum统一成函数复合，稀疏矩阵乘法自动跳过零元素，复杂度从O(mn²)降到O(m+k²)，代码草案已开源。

做芯片设计或 HLS 的朋友可以看看这篇：AutoC2V 把真实综合结果变成训练数据，再用一个 QoR 预测奖励模型省掉反复跑综合的开销，生成的 RTL 在延迟和资源上比 HLSPilot、AutoDSE 和 Claude Opus 4.8、GPT-5.5 这些通用模型都好。

智能体改自己的代码时最怕把噪声当进步，贪心门控近一半更新其实是在变差。这篇论文用在线假设检验把劣化率压到 2.78%，还给了性能增益下界证明。做自进化智能体框架的开发者值得把这套门控思路搬过去。

搞第一性原理计算的值得看看：200 多道 Quantum ESPRESSO 任务测 LLM 智能体，还带执行溯源审计防止“没真跑也拿高分”。DeepSeek 和 Opus 在弹性张量上表现差距明显，脚手架的作用因模型而异。做科研智能体的人可以拿来当评测模板。

搞 Agent 的都该看看这篇。它说清了为什么加了 RAG、树搜索的智能体还是学不到东西——因为权重不动。想做出能真正从交互里学习的探索型 Agent，这篇给了定义和路线图。

拿100个真实厌食症社区的问题去测三个开源模型，还改用户背景做对照。结果挺扎眼：不告诉模型用户情况时，危险回答翻倍；体型不同得到的保护也不一样。做 AI 安全或医疗方向的人应该看看这套评估方法。

扩散语言模型 decoded 时信噪声大，这篇给出了能直接用的解法。相比瞬时置信度或熵这类局部信号，它看 token 在去噪过程中跳变多频繁，专治难题。做 LLaDA 或 Dream 推理优化的开发者可以照着复现。

医学影像数据又贵又难标注，这篇研究用 Nano Banana 生成的图像训练出了和真实数据差不多水平的诊断模型，还演示了怎么靠编辑图像揪出模型作弊。做医疗 AI 的研究者和工程团队都该看看它的评估方法。

这篇论文做了一件很细的活：拿 Qwen2.5 和 GPT-OSS 在 Grid 和 WebShop 上证明模型内部其实能算出哪个动作更优，但策略层面偏偏不用。对做智能体可靠性或可解释性研究的人来说是很有用的诊断框架，NVT 这种干预思路也值得上手复现。

这篇论文挺有意思：不用中心服务器，靠信息素蒸发来检测掉队无人机，一半机群静默挂掉也能恢复编队。适合做无人机集群、分布式系统容错的开发者，结论也提醒大家：效果主要靠调参而非算法本身的随机机制。

做智能体强化学习训练的朋友可以看看这篇论文。它用容器级工作区分叉加工具缓存，实测峰值内存砍掉 43%、延迟降 23%，实现细节在 Linux 内核模块层面都讲清楚了，适合自己搭 rollout 基础设施的工程团队参考。

做了模型编辑以为知识删干净了？这篇论文证明一句提示词就能恢复八成被编辑的事实。做安全审计或部署“已删除知识”模型的团队都得看看这个方法。

投机解码的 drafter 训练一直缺一个对齐接受长度的目标函数，这篇论文把它做成了无偏梯度估计器。在 Qwen3-8B 上十个基准验证，一个 epoch 就有 9.4% 吞吐提升。做推理优化的工程师值得照着复现。

机器人开发者值得看：RL 在需要主动获取信息的任务里成功率不到 5%，这套规划器蒸馏方法干到 90% 以上，还能泛化到含糊指令和更大的地图。做具身智能或任务规划的团队可以直接参考论文里的 Dual Averaging 损失设计。

这篇论文做了个很扎心的实验：把模型的视觉 latent 换掉或删掉，答案几乎不变，说明所谓视觉推理其实是文本在干活。作者提出 AnchorSim 对比蒸馏来修复这个问题，做潜在推理方向的研究者值得对照一下自己的训练目标。

做无人机或机器人自主系统的开发者可以看看这个新基准。它把任务意图拆成五类结构化契约，测试发现召回率 87.5% 的配置 16 次任务只完成 1 次，比它召回率低的反而完成 14 次，还会用 Jetson AGX Orin 的配置重放能耗，能避免你在错误指标上做策略选型。

把神经网络验证里的边界传播搬到通用优化求解上，一个 GPU 版全局求解器，505 道题解出 421 道，比 Gurobi 和 BARON 还多解出 16 道它们认证不了的题。做运筹优化或依赖求解器的团队可以看看这条新路线。

搞电网状态估计的可以看看这篇：几个 PMU 一次前向就推全网功角和转速，不用逐场景跑优化，模型误差大时比 Kalman 类方法更稳，成本还低。无标签训练这点对缺实测数据的团队特别实用。

做生医机器学习的人该看看这篇：它指出了按祖先分组建模的真实缺陷，即遗传距离连续变化导致精度下滑，然后用上下文学习基础模型改成连续谱建模，还给了理论证明和开源代码，方法可以直接搬到自己的组学预测任务里试。

做隐私审计或模型安全研究的可以看看这篇：训练一次 LoRA 就能生成虚拟影子模型，省掉传统 MIA 的模型集成开销，实测在 Document VQA 和 Medical VQA 上比标准攻击更强。

数据挖掘圈的老方法关联规则挖掘遇上了 LLM：用模型的世界知识判断哪些规则真正"有趣"，又不放弃统计检验。做 EDA 或 BI 分析的同学可以看看这篇，论文给了在三个交易数据集上的实测结果，思路可以直接搬到自己的数据上。

做扩散模型或多模态生成的朋友可以看看这篇。它不从头联合训练，而是在采样时桥接现成的预训练模型，省掉大量训练成本，代码也开源了。想在已有模型上低成本扩展多模态能力的团队会感兴趣。

做多用户 Agent 产品的人该看看这篇。它给记忆系统加了个权限维度：哪些经验只有这个用户能用，哪些可以全局共享，还附带基准 CrossLearnBench 专门测隐私泄漏，比常见的全局记忆方案干净不少。

这篇 arXiv 论文面向做仿真替代模型或工程不确定性量化的人。它把双保真建模和 Langevin 采样超网络结合起来，在实验、仿真和合成数据上验证，比单点拟合能给出后验不确定性，实验数据不够时也能用低保真数据补。

这篇纯理论论文把可复现性学习里的一个悬置猜想做完了：805·ln(2m)·ln(2n) 的上界配上 Hanner 矩阵的同阶下界，等于给出紧刻画。做学习理论、可复现性或组合拓扑的读者值得细读，证明工具本身（立方载体定理、熵倾斜）也可复用。

一条关于 ReLU 网络函数空间性质的数学证明：单隐藏层弱闭、两层不闭，还推翻了 Petersen 等人的猜想，做神经网络理论分析的可以看看。

研究发现推理时别让 100 个智能体单干，也别挤成一个大组，分成 10 个小组并行跑效果最好，一半任务还能赢过前沿模型。

一篇挺有意思的论文：让 LLM 只推理一次，之后把解题过程存成 CPU 能直接跑的缓存，便宜 16 到 291 倍还不用 GPU。做推理成本优化的可以看看。

用多数投票当伪标签做测试时强化学习容易翻车，这篇论文给出了误差分解和修复方法，做无标注数据适配的可以看看。

医生写手术报告太费时间，这篇论文用图结构加检索生成场景描述，三元组准确率比 SGT 高了快 20 个点，做医疗 AI 的可以看看思路。

写 COBOL 这种没人愿意人工标注的老代码文档时，这篇给了个思路：让几个模型各写摘要互相投票，不用人也能估准不准。

researchers 让 LLM 智能体在 Lean 里写量子程序，还能数学证明验证对不对，量子算术直接提升 290 倍，值得看看这套自动化发现流程怎么搭的。

如果你在项目里维护 AGENTS.md 或 CLAUDE.md，这篇论文量化了文件过期后每次会话多花的真金白银，732 条轨迹的逐次调用分析很扎实。

有人把 Laya 这个一次前向答多选题的小模型拆开测了个遍：选项换个位置，四分之一的题答案就变了，还给出了能把翻转率压到 0.5% 的微调办法。