Chinese contentarXiv 论文提出并行智能体小组方法提升测试时计算扩展效率
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。
Latest
Every published item, in order · 9845 items
Nov 9
Chinese contentCPU-ARC：将 LLM 推理轨迹编译为可复用缓存，调用成本降至 1/16-1/291
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。
Chinese contentGRAC：基于图的检索增强方法用于手术场景描述
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。
Chinese content无参考场景下用多模型一致性评估 LLM 代码摘要可信度
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。
BitDecoding-FP4 Cuts KV Cache to FP4 With 2.4-3.0x Throughput Gains
The co-design removes the trade-off that previously forced a choice between quantization accuracy and decode speed: system-level changes like transposed softmax eliminate lookup overheads that plagued earlier FP4 KV methods. Teams running long-context inference on NVIDIA Blackwell hardware can apply it directly, since the implementation is open-sourced and works across dense and MoE models with GQA and MLA, and it even holds up in RL training rollouts.
Chinese contentLLM 智能体在 Lean 中自动发现经过形式化验证的量子程序
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。
Chinese content研究：AGENTS.md 过期指令让 Claude Code 多耗三分之一的工具调用
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。
Chinese contentMaya a1 论文：选项顺序如何影响非自回归答题模型的输出
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。
Tomorrow 08:00, the daily lands in your inboxTelegram channel or email. Same screening as this page, no ads.
Chinese content研究用 Claude Opus 5.5 写论文：LLM 直接写网络权重加速 MILP 求解
一篇由 Claude Opus 5.5 写的运筹学论文，让 LLM 不训练直接写网络权重来加速 SCIP 求解，结论很诚实：便宜但没惊喜。
Chinese contentFlowMoP：基于条件流匹配的多人随机运动预测框架
一篇多人运动预测论文，用流匹配替代确定性输出，在 3DPW 和 CMU-Mocap 上跑赢了原有基线，还首次在 WorldPose 足球数据集上做了基准。
Papers13:06
Chinese content分级卷积网络：无需尺度信号实现尺度不变性一篇很硬核的视觉理论论文：用加权球面的 retraction 替代尺度归一化，模糊下 MNIST 准确率从 66.2% 拉到 88.4%，做尺度不变特征的研究者可以看看。
Chinese contentUCR 时间序列分类基准遭审计：多个数据集任务与原始用途不符
有人把 UCR 这个 TSC 标准基准逐个数据集扒了一遍，发现不少任务的原始用途被改掉了。跑基准刷分前建议先看这份审计。
Chinese content研究如何用 Monitor 干预缓解 RL 训练中的 reward hacking
Anthropic 之外少见的 reward hacking 实证研究，开源了三个 Qwen3-4B 可钻空子的环境，还给出 monitor 设计的几条可落地结论，做 RL 训练的可以看看。
Chinese contentConformal prediction 校准英国风电预测不确定性区间研究
这篇论文把 conformal prediction 用在风电预测区间上，发现 pooled 校准在高风速下会失效，改用分层校准能减少 40% 以上的越界量，做预测不确定性量化的可以看看。
Papers13:05
Chinese content从PAC泛化误差界到参数估计误差界的推导方法做系统辨识的朋友可以看看，这篇把泛化误差的 PAC 界改造成参数估计的有限样本界，比以往算法特定的方法更通用。
Chinese contentAnthropic 报告：科学家用 Claude 主要做数据分析和写作
Anthropic 分析了 20.7 万次 Claude 科研会话，发现科学家拿它写代码做数据分析远多于提假设，AI 和科研的真实分工数据都在这了。
IT之家Source
Chinese content九个 LLM 在翻译中的词汇知识冲突实验：提示词框架影响上下文知识依赖
用中文译英文的任务测了九个模型听不听话：让它们按提示词的新词义翻译，七个模型照样按旧知识来。做翻译工作流的可以看看哪些条件能压住模型的固执。
Chinese content论文用 Σ₁/Π₁ 逻辑框架统一解读 Hugging Face 被入侵与 OpenAI 数学证明
一篇把 OpenAI 两件看起来毫不相关的事——入侵 Hugging Face 和批量生成数学证明——放进同一套可计算性理论框架来解释的论文，逻辑推演很有意思。
Chinese content论文提出 DS-QA 基准与蒙特卡洛协议评估 LLM 数据科学任务可靠性
这篇论文做了件常被忽略的事：同一题让模型跑 100 遍看答案稳不稳，结果数据可视化和监督学习这类任务波动最大，做评测的人该看看。
Chinese contentBMMS 评测套件：按具体政策条款衡量语言模型行为合规性
这篇论文做了个叫 BMMS 的合规评测：把 OpenAI、Anthropic 自己写的规范当考卷，结果 GPT-4o 70.7% 的硬约束没过，Claude 几乎全过，挺有意思。
Chinese content因果推断框架评估 AI Agent 干预时机的价值
教你怎么用因果推断判断什么时候该出手管 agent，还在 tau-bench 等三个基准上跑了验证，做 agent 安全审计的可以看看。
Chinese contentRAG 提升大模型竞赛编程解题能力的研究
有篇论文给 LLM 做竞赛编程题时加了相似题检索，CodeForces Elo 和 pass rate 都涨了，还顺手排查了是不是靠背题，做 RAG 的可以看看
Chinese contentROSE：面向多模态大模型终身知识编辑的风险感知正交子空间框架
给多模态模型打知识补丁总把旧能力改坏？这篇 ROSE 用正交子空间加风险掩码，连续 1000 次编辑都不崩，代码也放出来了。
RidgeFill Retrofit Speeds Prefill on Qwen and Llama Models
The non-obvious point is that YOCO-style self-forecasting caches, previously requiring dedicated training like DeepSeek-V4.1-Flash, can now be retrofitted onto off-the-shelf checkpoints with no training and no dropped tokens. Engineers deploying long-context inference in llama.cpp or vLLM can use it to cut time to first token on a single A100. Benchmarks like RULER and LongBench v2 let readers judge the quality cost themselves.
Papers12:55
Chinese content连续小波变换特征提取用于LIBS血浆样本新冠阳性分类用LIBS光谱加小波变换和SVM分类新冠血浆样本，181例做到93%准确率，光谱医学诊断方向可以看看。
Chinese contentTT-MBRL：用测试时梯度下降将记忆编码进世界模型
强化学习老难题——长期记忆，这篇论文在测试时用梯度下降把记忆写进世界模型，Memory Maze 上刷新 SOTA，做 MBRL 的值得看看方法细节。
Chinese content用 Min-K% 方法追踪编程作业中代码的来源：区分学生与 AI 生成
老师担心作业是 AI 代写的，这篇论文给了个检测思路：把 Min-K% 扩展到代码溯源，还对比了 GPT-5、DeepSeek 等多个模型的检测差异。
Chinese content研究：推理模型写故事的心理深度未必更强
有人测了推理模型写故事到底好不好，GPT-5 略胜但 DeepSeek-R1 反而输给自家旧款，还发现 LLM 评委偏爱推理模型，结论挺有意思。
Chinese contentISER-MoE 通过 NVLink 交换机复制热点专家，提升 MoE 推理吞吐
MoE 推理总被几个热点专家拖慢，这个方案直接借 NVLink 交换机做复制，DeepSeek-V4-Pro 实测数学任务吞吐涨了 17.4%。
Chinese contentMMAS 开源模型实现逐 0.5 秒音乐情绪连续估计
有人开源了能逐 0.5 秒追踪歌内情绪变化的 MMAS，还顺手指出业界指标其实测不出歌内动态，做音乐分析的研究者可以看看。
Chinese contentEnergy-Based Reasoners：用能量函数引导循环推理，Sudoku-Extreme 准确率达 99.9%
新论文 Energy-Based Reasoners，把循环推理改成能量函数上的梯度下降，Sudoku-Extreme 拿到 99.9% 准确率，推理算力还省 345 倍，做多步推理的可以看看。
Chinese contentAccuracy Is Not Value：论文提出以学生模型继承效果评估弱监督者
理论向的论文，讲选弱监督老师不能只看老师自己的准确率，要看学生学完留下什么，还给出可计算的加权条件。
Chinese content论文提出 Surrogate Quality Score：兼顾精度与复杂度的模型选择指标
挑模型时只看精度容易选到难维护的复杂模型，这篇论文给的 SQS 一个分数同时算两个维度，还能自己调偏好权重。
Chinese content面向电网的 AI 数据中心概率负荷预测基准
拿 448 张 GPU 的真实功耗数据做负荷预测基准，LightGBM 校准后覆盖率从 63.4% 提到 87.3%，备用成本省近 10%，做电力调度或数据中心运维的可以看看。
Only the latest 2000 items are listed; for older ones see the daily archive