The non-obvious takeaway is that domain adaptation can be achieved through a validated skill repository rather than weight updates, making improvement cycles cheaper and reversible. Teams adapting agents to specialised domains such as law can try the repository approach before investing in fine-tuning or expert annotation. The code and paper are on arXiv, with a companion walkthrough at academy.dair.ai.
斯坦福他们测了 18 个模型当队友的水平，最强的 Gemini 4 Argon 也才 82.2 分，冲突一开会就妥协，挺扎心的。
The benchmark measures whether agents can tune the full stack, from prompts down to token serving, a capability standard coding benchmarks never touch. Teams running inference infrastructure can use it to evaluate which agent actually optimises GPU cost, and the finding that most failures came from untested code paths offers a concrete lesson for agent reliability. arXiv 2611.06841 lists all setups, so results can be reproduced independently.
写代码图快没问题，但用在医疗场景就是另一回事了，这篇把 vibe coding 的坑讲得挺实在。
Anthropic 让 Claude 从搜序列、设计 DNA 到跑冷冻电镜分析全程干活，4 个月搞定一个 40 年没解开的蛋白谜题，文中连它犯的错都写出来了。
Google 出的这个框架能让分类器自己学着划清模糊概念的边界，实测 F1 涨了 10.5 分，做图像审核的可以看看。
化学实验室自动化的新基准，1000 道专家手工出的题考了 28 个多模态模型，结果发现它们看实验视频还行，真要动手操作就不行了。
42位物理学家出题考AI做完整科研，22个模型没一个能及格，具体差在哪篇里分析得很清楚，做智能体评测的值得看。
不用遮挡标注、不用训练，靠高度和深度两个估计打架就能判断行人被挡住，KITTI 上 AUC 0.909，做自动驾驶感知的可以看看。
一篇用 754 个美国职业数据算 AI 曝露度与工作条件关系的论文，结论有点反直觉：越可能被 AI 影响的工作条件越差，适合关心就业的研究者看看。
通信方向的朋友可以看看：把神经网络接进置信传播解码器，误码率比 BP 和现有神经解码器都低，还给了两个训练技巧。
让智能体每轮先出 N 个候选动作再挑一个，实测准确率提升 5-10%，做 Agent 的可以看看这套推理时扩展思路。
这篇论文让 6 个编码智能体比赛压缩模型，36 次提交里 29 次跑通，看看它们怎么做到 3.4% 困惑度差距的。
这篇论文挺有意思：让 Claude Sonnet 5.5 这类编码智能体去自己写推理服务系统，成绩做到 vLLM 的 4.87 倍，还附带基准复现方法。
The clearest lesson is that most of the gain for the 27B model came from the serving-side inference procedure rather than fine-tuning data, which changes how practitioners should budget effort on reasoning benchmarks. Builders running small-model inference on constrained hardware can reuse the expert-pruning and KV-cache techniques directly. The study's 189-run methodology on the ARC Prize Foundation's semi-private set also offers a rare reproducible comparison for offline ARC-AGI-2 solvers.
评测智能体跑一遍基准太烧钱？这篇论文用 LLM 摘要轨迹来预测分数，SWE-bench 上误差从 0.13 降到 0.08，只跑一个任务就能估分。
一篇很硬核的智能体架构论文：把路由和执行拆开，Qwen 3.8 的分割路由从 6.2% 拉到 75%，做科学图像自动化的值得看看思路。
多轮改图容易越改越跑偏，TailSteer 只在去噪末端做修正，FLUX、Qwen 上验证有效，做图像编辑的可以看看这篇。
让视频模型不光画得像，还能推理野兽出现后人会逃跑还是躲起来，这篇论文给了配套数据集和基准，做世界模拟方向的可以看看。
一组研究者把真实用户和编程智能体的交互记录变成可复用的评测集，19 个配置平均涨了 10 个点，评测和改进方法都能参考。
做 LLM 社会仿真的人看看，这篇给了套可复用的上下文增强规则和验证标准，还实测了两个模型的表现差异。
这篇论文拿 10 个学习方法对比 5 个经典方法，结论挺反直觉：很多场景下经典方法照样赢。做流场重建或物理仿真的朋友值得看看选型表。
一篇评估方法的论文，专治动物识别模型靠背景“作弊”的问题，还开源了 34 个数据集的 50 万掩码，做野生动物识别的可以拿来测自己的模型。
如果你在做向量检索或嵌入压缩，这篇直接给答案：int8 基本无损、二值量化别用、降维一次没事两次翻车，还有 32 倍存储压缩的可行组合。
一篇教 computer-use 智能体扔掉 80% 截图 token 的论文，训练 2000 步就追平原模型，推理还便宜 3.3 倍，做 agent 的可以看看
做可解释性审计的朋友看这篇：同一解释在不同忠实度指标下结论打架，论文给了一套框架帮你定位分歧出在哪，还有 adverse action notices 的实际案例拆解。
用读上下文的激活就能预测模型答案阶段的激活，跨 Qwen2.5 到 Gemma 4 都能迁移，做可解释性或行为预测的可以看看这篇。
教 AI 编程助手直接写 FPGA 设计的论文，还公开了时序收敛和部署细节，做硬件加速的可以看看。
Linear attention layers built for GPU tensor cores waste half of each TPU matrix tile, so porting code without redesign leaves large speedups on the table. Teams pre-training on TPUs can adopt SLA-style key width, gate tiling and kernel fusion to cut training time without changing perplexity. Against KDA on TPU v7x, the 11%-24% training speed gain makes this a concrete alternative for MoE runs.
量子纠错码搜索太烧算力，这篇用 GFlowNet 学着只提好码，找到的高分码是老方法的两倍多，搞量子码的可以看看。
搞材料或显微图像回归的可以看看：用遗传算法自动找最优空间分区，比手工拍 patch 大小靠谱，SHAP 还能告诉你哪些区域真正有用。
ConDR 修了 DeepReach 会把危险状态漏判成安全的毛病，在 Air3D、四旋翼这些基准上碰撞率最低，做安全控制可以看看。
MIT 那帮人做了个 SARBLOH，只加了个感知模块就在 Kaggle 评测拿到首个冠军 13.7 倍的分数，思路很值得琢磨。
一篇用手机摄像头替代动捕服的论文，接 GPT-4o 和 MCP 给 HIIT 动作打分，跟教练评估一致率 87.5%，做法挺有意思。
一篇 arXiv 新论文 ArcRAG，检索不绑定建图方式，在 MuSiQue、HotpotQA、TriviaQA 上换图构建照样能用，做 GraphRAG 的可以看看。
Only the latest 2000 items are listed; for older ones see the daily archive
