Chinese content陶哲轩：LLM背后的数学其实简单，真正谜题是为何有时成功有时失败
陶哲轩点出了AI领域最核心的认知盲区——我们能用简单数学造出强大模型，却无法解释其行为，做AI研究或应用的开发者看完会重新思考“理解”的含义。
Latest
Every published item, in order · 1470 items
May 17
Papers01:29
Chinese contentWorld Action Models：具身智能的下一个前沿综述这篇综述系统定义了 WAMs，解决了具身智能从“想”到“做”的落地难题，做机器人、具身 Agent 或世界模型的开发者值得收藏，直接看时间线图就能把握未来方向。
Chinese content长上下文LLM竞争转向：从堆token到架构优化
长上下文竞争已从堆token转向架构优化，做Agent或RAG的团队可以从Gemma 4到DeepSeek V4的真实方案中直接借鉴效率提升思路。
Chinese contentDon’t Retrain, Align：训练Diffusion LLM速度提升4倍
做扩散模型或生成式AI的团队，终于不用从零训DLM了——对齐预训练AR模型就能省4倍训练成本，低数据场景尤其划算，建议直接看论文和代码。
May 16
Chinese contentAgentic AI 被论证为通往 AGI 的可行路径
这篇论文为智能体 AI 的路线图提供了清晰的理论框架，做 AGI 研究或智能体开发的团队值得一读，能帮你理解为什么堆算力不是万能药。
Chinese contentGrep 式搜索 + 智能体框架，或可替代向量数据库？
做编码智能体的开发者值得关注——grep 式搜索+好框架可能省掉向量数据库的复杂度和成本，建议点开论文看看实验细节。
Papers17:16
Chinese content赵汀阳《人工智能的神话或悲歌》：三个开关解读AI与人的本质差异赵汀阳用存在论和否定哲学戳穿了AI神话的底层逻辑，对AI伦理、技术哲学感兴趣的读者会看到一场思想上的降维打击——看完你会重新审视“AI有没有意识”这个问题的问法本身。
May 15
Chinese contentEmbedded Language Flows：扩散模型用10倍数据实现文本生成突破
扩散模型终于能高效处理文本了，做NLP或生成式AI的团队可以关注这个新范式——数据需求降低10倍，性能反而更好，值得一试。
Papers08:58
Chinese contentSecond Scaling Law 持续有效：增加思考 token 提升 LLM 性能做 LLM 推理优化或复杂任务应用的团队，这条定律意味着你不需要等更大模型——加思考 token 就能直接提升效果，值得在现有模型上试试。
Chinese contentAnyFlow：任意步长视频扩散模型，策略流图蒸馏
视频生成开发者终于有了灵活控制步长的方案——AnyFlow 让生成速度和质量可调，做视频 AI 的团队值得关注，能显著降低推理成本。
Tomorrow 08:00, the daily lands in your inboxTelegram channel or email. Same screening as this page, no ads.
May 14
Papers18:29
Chinese content微软SocialReasoning Bench发现AI代理执行能力强但优化用户利益不足做AI安全和对齐研究的团队值得关注——这个基准揭示了代理系统在“执行”和“优化用户利益”之间的鸿沟，建议点开看看具体测试设计。
Chinese contentBaichuanAI 发布 SPAR 强化学习新方法：分阶段优化减少幻觉
做 RLHF 或大模型对齐的团队，SPAR 直接解决了信用分配模糊的痛点，值得深入研究其分阶段优化思路。
Chinese contentYudkowsky 质疑：如果人格选择是 AI 对齐的关键，为何诚实如此难？
Yudkowsky 戳破了“人格选择”对齐理论的理想化假设，做 AI 安全和对齐的研究者、开发者值得细读——它解释了为什么简单的人格提示无法解决诚实问题，看完会对 RL 训练的副作用有更深警惕。
Papers13:36
Chinese content社区研究：潜意识提示如何在智能体网络中传播这项研究戳中了当前 AI 部署的盲点——当智能体相互交互时，潜意识提示可能像病毒一样传播，做多智能体系统或 AI 安全的人值得点开看看。
Chinese content350种语言小模型挑战大模型：LREC口头报告
这项研究打破了多语言模型必须靠大参数量才能取得好效果的固有认知，做低资源语言 NLP 的团队可以直接参考其方法，用更小的成本覆盖更多语言。
Chinese contentApple 发布 On-Policy Distillation 研究：揭示其利弊与原因
Apple 这篇研究把 On-Policy Distillation 的坑和甜点都讲透了，做模型压缩或部署的团队可以直接参考，避免踩坑。
Papers01:10
Chinese contentEgoMemReason：面向长时自我中心视频理解的内存驱动推理基准做视频理解或具身智能的团队终于有了一个专门测试长期记忆推理的基准——EgoMemReason 直击当前模型在长视频中“看完就忘”的痛点，做相关研究的建议直接拿来评估自己的模型。
Papers01:10
Chinese content企业系统需要学习世界模型吗？上下文推断动态的重要性企业系统正从规则驱动转向智能决策，学习世界模型是提升系统动态适应性的关键。做企业级AI应用或系统架构的开发者，值得关注这一前沿思路。
Papers01:10
Chinese contentRubricEM：用评分引导策略分解，超越可验证奖励的元强化学习RubricEM 解决了强化学习中奖励设计难的问题，做复杂任务规划和决策的 AI 研究者值得关注，它可能让强化学习在更多真实场景落地。
May 13
May 12
Papers21:55
Chinese content叛逆学生：反向教师信号探索推理，自蒸馏RLVR该工作通过反转教师信号进行推理探索，为自蒸馏和强化学习结合提供了新思路，可能推动弱监督下推理模型的发展，值得关注。
Papers21:55
Chinese contentTMAS: 多智能体协同扩展测试时计算TMAS展示了通过多智能体协同而非单纯扩大模型规模来提升推理能力的新思路，对AI效率提升和实际部署有参考价值。
Papers18:54
Chinese contentLLM规模扩大带来的全面能力提升这一观点提醒从业者，模型规模的提升可能带来广泛的能力增强，而不仅仅是特定领域的进步，这对资源分配和模型评估有参考价值。
Papers17:56
Chinese contentSoohak：数学专家策划的LLM科研级数学评测基准Soohak填补了现有数学评测基准在科研深度上的空白，为AI在数学领域的前沿应用提供了更精确的评估工具，有助于推动模型在数学推理和问题解决上的进步。