Latest

一位脑瘫研究者微调 Whisper 给自己做了实时语音翻译器 AVoz，词错误率从 30% 压到 12%，全程本地运行。代码和训练协议全开源，几小时录音加几天 GPU 时间就能复现，做无障碍应用的开发者别错过。

LLM 证明出 Haldane 能隙后，这篇工作用张量网络把它拆成看得懂的物理机制，还用 Lean 4 形式化，界直接收紧了 19 倍。做数学形式化或计算物理的人可以看看机器证明怎么被消化成可复用结果。

arXiv 上的新论文，教 LLM 做数学题时同时用前向和后向验证交叉纠错，比单向验证平均高 13.5 个百分点，在 GPT 上差距到 31.2 个点。做推理智能体或数学评测的工程师值得看看它的调度逻辑。

用模拟数据算清楚了 HBF 什么时候能省 GPU、什么时候只能提速。比如 DeepSeek V3 这类大 MoE 加上 HBF 能跑在单块 RTX 4090 上，100 块卡规模吞吐最高提 26.5 倍。做私有化部署和硬件选型的人值得对照自己场景看。

做代码工具或研究 CIA 的开发者可以看看这篇。它把静态分析和 Gemini 2.5 Flash 结合，还公开了 1,931 条人工标注数据，多智能体版本 F1 到 33.3%，比之前最优方法高 2 个点，代价是每次要跑 11 秒左右。

做数据增强搜索的朋友值得看：论文用 LLM 写增强代码，CIFAR-10 上拿到 0.8877，比搜 6,000 个候选的暴力法还强，评估预算少 22 到 600 倍。顺带提醒你常用的单 epoch 快速筛选并不总是可靠。

arXiv 上这个新基准把 21 项真实 PE/投行任务交给 22 个模型跑，GPT-6 Astra 也只满足 57.6% 的评分标准。想看 AI 在尽调这种长链路、要审计的高风险工作里到底几斤几两的，值得把论文里的失败案例翻一遍。

做内容审核或学术诚信检查的会想看这篇：它用公式证明检测器在 10 token 短文本上误报率会从 1% 飙到 29%，Binoculars 真阳性率最高也只有 59%，还给了分长度校准和自动弃权的具体做法，可以直接照着实现。

做医疗 AI 评测或人机协作研究的人可以看看这篇。它绕开了“必须有标准答案才能算互补性”的限制，用多准则决策分析给无 ground truth 的任务打标签，方法讲得很细，可以直接借鉴到自己的评估设计里。

做 Agent 工作流的人该看看这篇：把 SOP 状态放到运行时的 FSM 里管，Haiku 4.5 就能比不带这套控制的 Sonnet 4.6 更稳，还省六成成本。实验有预注册和置信区间，方法可直接借鉴到自己的编排框架里。

做行人重识别或多轮检索的研究者可以看看这篇。它把候选图片的视觉差异直接变成下一轮提问的依据，和只学固定提问顺序的旧 Inter-PR 方法思路明显不同，还附带了可用的 VFI-PEDES 数据集。

做扩散模型架构的值得看这篇：作者证明了 softmax attention 表达不了多项式去噪算子，于是干脆用 Volterra 层全替换，不靠 attention、卷积和激活函数也能在 ImageNet 上打平同预算的像素扩散模型。想理解 attention 在去噪里到底缺什么、以及流形维度如何决定逼近速率的，这篇把理论和架构对得很齐。

做电镜或材料表征的朋友可以看这篇：它把物理几何描述子加进聚类流程，Si/Si$_x$Ge$_{1-x}$ 和 Ti-Nb 合金两个实测里聚类持续度从 0.04 拉到 0.55，噪声基本清零。比起直接上 autoencoder，结果可解释得多，维度也更低。

做语音转写的朋友可以看看这个基准：各家模型 WER 看着挺低，但专有名词的关键词错误率能到 33%，难怪生产环境都要加热词纠错。评测脚本和挑战集都开源了，可以直接拿来测自己的 ASR 方案。

做遥感分割的朋友可以看看，Kathmandu Valley 这份 202 平方公里的六类标注数据集很难得，还顺手拆穿了随机切分的空间泄漏问题。更有意思的是扩散模型生成的数据反而拉低精度，做数据增强前真的要先过滤。

做评测常被坑过的人都懂：同一个模型换个配置分数天差地别。这本书把生成上限、batch、注意力后端这些坑全梳理了一遍，还有 0.08% 到 93.18% 的实例。写论文要复现结果、上线要估成本的工程师和研究者都该看看。

OpenAI 那份 Calderón 唯一性定理证明当时没带 Lean 验证，现在有人用 Mathlib 和 Tau Ceti 补上了，还过了只许标准公理的 comparator 挑战。做形式化数学的朋友可以直接看这份独立重构，和原手稿对着读会很有收获。

做期权或量化套保的值得看看这篇。它没有拿模拟市场糊弄，直接用 1996-2017 年标普 500 真实期权数据训 RL 代理，和 delta 套保、GBM/SABR 环境训练的对手比。下跌市里 CVaR 降 8.9% 挺诱人，但上涨市要多付 7-10% 成本，做市商得掂量自己的行情敞口。

电网攻击检测大多只在打乱数据上刷分，这篇直接测出时序泄漏让 macro-F1 从 0.96 掉到 0.88，还用 IEEE 14-Bus 和 118-Bus 给出哪些攻击物理上真能做。做工业安全或能源系统检测的工程师可以直接拿开源代码复现基准。

搞科学计算的朋友可以看看这篇：它把 flow matching 用到了多物理场耦合 PDE 上，一次前向就出解，不用跑传统数值模拟。还给了 Wasserstein-2 误差上界的理论保证，比单物理场的神经算子更贴近真实工程场景。

数学家和 AI 研究者合训了个小 Transformer，让它学三角形铺砌对称群的语言，然后靠看模型注意力模式想出并证明了一个数学猜想。想做可解释性或数学交叉研究的人可以看看这个范式。

搞运筹优化的人可以看看这篇：作者不学预测标签，而是训练时直接联合优化线性策略和可行分配，还加了Wasserstein鲁棒约束保证可行。在分布偏移场景下比传统预测式学习省了最多76.5%成本，做电力调度或排班系统的工程师值得跑一下案例复现。

做联邦学习或隐私计算的人应该看看这篇。它把拜占庭攻击防御和用户级差分隐私这两个难点一起处理，还给出了理论最优的收敛速率，不是只靠实验说话。如果你的场景要同时防恶意客户端和满足隐私合规，这套双层动量的思路可以直接参考。

集成模型在训练分布外容易翻车，这篇论文的 RSE 把脆弱性最小化变成了可解析求解的问题，跑分上压过了 GroupDRO 和 IRM 这些老牌鲁棒方法。做模型部署或鲁棒性研究的可以看看推导，工程上也能直接落地。

把 RAG 的思路搬到了机器人上：不重训模型，直接检索 DROID 里类似任务的演示轨迹，几何对齐后用来引导 flow-matching 推理。真实环境成功率从 20% 干到 80%，做机器人操作的工程师值得看看这套免训练适配思路。

这篇论文把 LLM 预测误差的来源拆到了记忆保真度上，还给出了可复现的 Recall Fidelity Score 指标。做模型评测或搭建预测类智能体的开发者可以拿来当作诊断工具，比单纯看预测市场得分更有解释力。

做气候风险分析的朋友可以看看：用扩散模型一次训练十七个 CMIP6 模型，采样时靠 guidance 把偏差中位数砍半，还修正了极端高温覆盖三倍高估的问题。比传统偏差校正强在保留模型间差异的同时逼近观测，搞气候 ML 的人值得跑一下代码。

搞模型合并或多任务部署的可以看看这篇。GS3R 不用回访旧数据，靠奇异子空间分离和秩重分配来防任务干扰，还用 PRF 省内存。覆盖视觉、NLP、多模态基准，比直接累加合并更稳。

做机器人控制的朋友可以看看这篇：作者把 MPPI、cross-entropy method 这些常见 MPC 算法统一成一个 SMC 推理框架，只用三个维度就能配置出所有变体。重采样在长时程上把碰撞率降了 30%，push-T 实机成功率从 10% 拉到 90%，比单独调某一种算法更系统。

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。