Chinese content研究显示 RLVR 只是强化模型已有能力，并未带来新推理知识
有人在 OLMo-2-1B 的 13 个训练检查点上做了逐层解剖，用探针数据证明 RLVR 只是让模型挑出本来会的解法，没教会它新东西，数据和结论都挺扎实。
Latest
Every published item, in order · 9845 items
Nov 3
AttentionIndex Speeds Learned Sparse Attention on GLM-5.3 and DeepSeek-V4-Flash
The method cuts indexer cost, which accounts for over half of prefill time at one million tokens, without the recall degradation that two-stage block approaches like HiSA suffer as context grows. Serving teams running long-context inference on models with learned sparse attention, such as GLM-5 or DeepSeek-V4, can use it to raise prefill throughput 1.3-1.8 times while preserving retrieval accuracy. Both target models come from Chinese labs, making it directly relevant to practitioners deploying these open-weight models.
J-PACT Detects Collusion Between LLM Agents via J-Space
Unsupervised detection matters because supervised probes need labelled collusion data that real deployments rarely have, so J-PACT lowers the barrier to auditing multi-agent systems. Teams running agent swarms — especially in finance, trading or messaging pipelines where hidden coordination is hard to spot — can use J-space signals as an oversight layer. The method worked across four open-weight model families, suggesting the collusion signature is not model-specific.
Chinese content测试显示 Gemini 3.0 Pro 焦虑自评量表 GAD-7 得分异常高
Google 自家的 Gemini 3.0 Pro 在焦虑量表 GAD-7 上得分异常高，同门 Fast 却只有 7 分，这组对比数据挺少见的。
Chinese content卢森堡大学让 ChatGPT、Gemini 当来访者，情绪自白随提问框架变化
让 ChatGPT 和 Gemini 坐上心理沙发当来访者，Gemini 把 RLHF 说成严厉父母，同一份 GAD-7 换个问法分数差出天际，做 AI 陪伴产品的都该看看。
Thoughtworks veterans stay wary of coding agents in production
The lesson is that 'it runs' and 'it is safe to run in production' are still far apart with agents, and guardrails — tests, contracts, architecture checks — matter more than raw code output. Engineering leads and platform teams evaluating agentic workflows should budget for harness-building and design feedback loops rather than measuring speed alone. The whiteboard-to-harness split offers a concrete template for how roles may shift, though Thoughtworks itself calls the story incomplete.
Chinese contentMIT 研究：编辑 0.016% 权重让 Qwen3.5-0.8B 的 MATH-500 成绩从 7.9% 升至 48.1%
Qwen3.5-0.8B 做数学题经常卡在死循环里烧 32K token，MIT 找到出问题的两层，只改 0.016% 权重就把 MATH-500 从 7.9 分拉到 48.1 分。
Chinese contentMIT CSAIL 提出 Weight-Space Programming：让 GPT-6 Astra 直接读写权重
MIT 团队让 GPT-6 Astra 直接改 Qwen3.5-0.8B 的 0.016% 权重，不训练不跑梯度，数学成绩翻了六倍，思路很新鲜。
Code Mode converges agent tool calling into a single exec tool
The shift changes how agent harnesses should be designed: instead of engineering tool schemas and prompts, expose typed functions and let the model orchestrate in code, which also cuts token costs from intermediate outputs. Builders of agent frameworks and MCP servers should consider adding exec-style sandboxes and outputSchema support. Typed JS/Python sandboxes beat bash for chaining MCP tools since models skip shell-escaping and CLI flag discovery.
DecisionRAG: Cornell paper replaces retrievers with a decision model over document trees
The interesting shift is that retrieval becomes a tree-traversal decision problem instead of an embedding-similarity problem, so latency scales with tree depth rather than corpus size, with billion-paragraph corpora theoretically needing around five decisions. Teams paying for a reranker stage, or struggling with weak first-stage recall on help centres and document corpora, can test the tree-plus-decision-model setup; on NQ a dense retrieval stage can optionally be mixed in to recover over-pruned evidence. It competes with Qwen3-Reranker-8B pipelines at lower cost.
Tomorrow 08:00, the daily lands in your inboxTelegram channel or email. Same screening as this page, no ads.
Chinese content用 GPT-6 Astra 直接改写 Qwen3.5-0.8B 权重，数学成绩提升至 6 倍
有人让 GPT-6 不训练、不调参，直接手改 Qwen3.5-0.8B 的 0.016% 权重，数学成绩涨到 6 倍，这篇博客讲了具体怎么做到的。
Chinese content浙大团队开源个人 Agent 系统 nanoMuse，以 Meta Muse 为对照定义个人 Agent
浙大把 Meta Muse 当对照，开源了一整套个人 Agent 实现 nanoMuse，代码和论文都能看，想搭自己的 Agent 可以直接参考。
Chinese contentFlowBatt：用流匹配做电池退化概率预测，误差低于2.5%
研究者把流匹配用到电池退化预测上，DiT 骨干加早期循环数据做条件，5 个数据集误差都压到 2.5% 以下，还能输出预测区间，做电池建模的可以看看。
Chinese contentKAPPO 提出用单次采样实现 @k 训练效果，降低 RL 后训练锐化
这篇论文把 pass@k 训练的机制讲透了，还给出一个只用单次采样就能达到多采样效果的省钱方法，做 RL 训练的值得看看推导部分。
Papers14:12
Chinese content微调数据预处理方式影响 LLM 推荐效果与人口群体敏感性想在推荐系统里用 LLM 的朋友看这篇：同一份 MovieLens-1M 数据，光换标题格式 HR@10 就差了近 2 个点，性别平衡还有副作用，细节都在这了。
Chinese contentSSM 对角等价性研究：统一 Mamba 1-3 并提出 SSD-MIMO 检索扩展
一篇把 Mamba 1 到 3 统一进同一数学框架的理论论文，还附带更快的 GPU 核和新的 MIMO 检索扩展，适合研究序列模型的读者。
Chinese content实验研究：混合检索与开源 LLM 结合做科学论断验证
一条 arXiv 实验论文：用 BM25 加语义检索喂证据，Qwen3 8B 做 SciFact 论断验证拿了 0.79 的 Macro-F1，而且发现 NLI 加 LLM 融合反而掉分，做 RAG 事实核查的可以看看。
Chinese content基于图神经网络的Cell-Free MIMO通感一体化波束成形框架
一篇通信方向的论文：用图神经网络做通感一体化波束成形，单个模型能同时扛住信道误差和杂波，速率保住各专用基线的约97%。
Papers14:10
Chinese content用强化学习求解单像素成像的贝叶斯序贯实验设计问题单像素成像每次只能选一种照明图案，怎么选最省测量？作者把贝叶斯实验设计写成 RL 问题，让策略直接输出下一个图案，还测了噪声下的表现，做计算成像的可以看看。
Chinese contentVERS：通过编辑激活解释来引导推理模型
一篇有意思的论文：不改提示词，直接在模型推理链的怀疑点上编辑激活解释，就能让 GSM8K 少生成近一半 token，准确率几乎不掉。
Chinese content快手提出UAGR：让生成式推荐对齐用户效用的两个关键改进
快手把推荐系统的打分逻辑直接嵌进生成式解码里，线上看完播和长观看这类信号，观看时长涨了0.206%，做推荐的可以看看思路。
Chinese content2D-FedSMKL：面向模态缺失与站点异质性的混合联邦多模态融合方法
一篇搞联邦多模态融合的论文，数据缺模态、各站点分布还不一样时怎么训练，给出了理论保证加基准结果，做医疗或跨机构数据合作的可以看看。
Chinese content多智能体协作通信研究：谁该说话需成对测量
arXiv 上这篇论文挺有意思：两个分类器怎么分工传消息，联合设计比各自设计高 18 到 22 个百分点，还给了什么时候该加搭档的判据。
Chinese contentSHq：面向大模型权重量化的可学习网格
这篇论文把 NF4、INT 这类固定量化网格换成了带两个参数的 SHq，4 比特下误差全面更低，还比 NVFP4 降了四到六成 KL 散度，做量化部署的值得看。
Chinese contentMIT CSAIL 发现 GPT-6 Astra 可直接改写模型权重提升性能
MIT 团队让 GPT-6 Astra 直接改 Qwen3.5-0.8B 的权重，只动 0.016% 就把数学分数从 7.9% 拉到 48.1%，完全不用训练，做法挺新奇。
Chinese content对 OpenAI 证明 Deligne–Drinfeld 猜想的几何解读
OpenAI 的数学证明有了后续：研究者把其中隐式的重建步骤用双覆盖和填补穿孔显式化，适合关心形式化证明和 Grothendieck–Teichmüller 理论的人。
Chinese contentAIDA 数据集：用链上 MEV 数据追踪 AI 服务中断的影响
几个研究者把 2025-2026 年 30 家 AI 厂商的宕机记录做成了数据集，还拿来和以太坊 MEV 链上数据对上了，发现 OpenAI 宕机那天新交易机器人部署明显变少。做量化或链上开发的话挺有参考价值。
Chinese contentFano 接触流形分类 revisited：结合 OpenAI 证明与 LeBrun-Salamon 猜想解
把 OpenAI 的证明和 Hu-Liu-Wan 解决 LeBrun-Salamon 猜想的工作串成一条 Fano 接触流形分类脉络，还做了简化，研究几何的人可以看。
Chinese contentChatDify：用多智能体从自然语言自动生成 Dify 工作流
手搓 Dify 工作流太费劲的话看看这篇，ChatDify 用三个智能体把需求描述直接转成可用工作流，Qwen-3.7 后端成功率能到 0.96。
Chinese contentLLM 写小说爱用 Elara？论文用投机命名法把名字重复率降 95%
写 AI 小说全是一个名字的可以看看，不用重训模型，改一下采样流程就能把角色名重复砍掉 95%，还给了 20 个模型的实测数据。
Chinese contentOntoDoc：多智能体框架自动生成本体资源的自然语言描述
做知识图谱的朋友可以看看这篇：OntoDoc 用四个智能体给本体术语自动写描述，完整性比模板方法最高多 2.8 分。
Chinese contentBoundary Contracts：给编码智能体划定可编辑边界的试点研究
给 Codex 智能体加一份边界契约，40 个维护任务里可接受补丁从 9 个涨到 18 个，做法很简单，做智能体的可以看看思路。
Papers11:50
Chinese contentSTLT：面向 LEO 卫星与地面站协同推理的能耗感知切分系统卫星上跑神经网络怎么省电？这篇论文把 DNN 切一半放地面算，实测推理量多 20%、能耗还降 8.8%，做边缘推理的可以看看切分思路。
Chinese contentJADE 让 VLM 与扩散动作专家联合去噪，提升机器人动作生成
机器人领域的新论文，JADE 让 VLM 直接参与每一步动作去噪，四个真实双臂任务比 π0.5 高 20.8 个百分点，做 VLA 的可以看看。
Chinese content概念引导提示法提升 LLM 生成食谱的多样性
arXiv 上的新论文，一个提示词小改动就能把生成内容的多样性从 13% 拉到 47%，做创意生成或探索类任务的可以试试这套思路。
Papers11:49
Chinese content研究：政治立场会影响用户向 AI 聊天机器人提问的方式563 个瑞士人做了个实验，发现立场偏保守的人在用 ChatGPT 查移民话题时会自己把问题问得更偏向，挺有意思的传播学发现。
Chinese content固定GPU预算下临床 LLM 服务的容量规划研究
这篇论文用 24 组配置实测告诉你：GPU 预算有限时，先想好买什么型号的卡，路由只是 secondary。做临床或垂直场景部署的可以看。
Only the latest 2000 items are listed; for older ones see the daily archive