Latest

推荐系统开发者值得看看这篇：浙大团队开源了 SimRec，用 GRPO 端到端训练会搜目录、会追问用户的推荐智能体。4B 的 Qwen3 打赢了更大规模的免训练方案，代码可复现，做电商搜索推荐的团队可以直接拿来参考。

做 RL 后训练的值得看：LGPO 用似然门控替掉 GRPO 里重复算 old-policy 似然那步，训练时间少约 18%，全 on-policy 时 GRPO 会崩它还稳着。省显存又省算力，自己跑 RL 的团队可以直接对照论文改实现。

土卫六离地球太远，地面没法实时指挥，这篇论文直接把轨道动力学写进动作掩码里训PPO，探测器自己就能规划任务。做航天GNC或自主系统的工程师值得看看实验和消融部分。

做 LLM 网关、多模型切换或者翻译层的开发者该看看这篇：翻译后的请求能过 API 校验，但角色、工具调用信息可能已经悄悄丢了。论文给出的 ConvIR 中间表示加规则判定，不用额外调用模型就能测出问题，还附带真实故障率数据。

CLIP 这类模型一直分不清“有 X”和“没有 X”，这篇论文只加一个轻量分解器 NegSplit 就解决，不用微调模型。COCO-MCQ 提到 82.4%，比 KTN 高近 3 个点，还能直接用在 SigLIP 上。做图像检索或多模态匹配的开发者可以直接套用这套打分思路。

做 RLVR 训练的人该看看这篇。它指出 token 熵高其实是模型在乱说话，不是在探索，然后给了 VEPO 这个修法，在 MATH500 等六个数学基准上比 GRPO 准确率更高，还用统计检验验证了策略确实更多样。

天文学里判断类星体光变是不是周期信号，以前都靠 DRW 模型当参照，但这篇把生成模型直接拿来学噪声分布，AR(2) 场景下比拟合参数模型更准。做时序异常检测或生成式建模的人可以看看思路。

arXiv 上的理论论文，不是发模型那种。它把拍卖、市场这些制度拆成坐标维度，让你能设计出人类社会没有的经济结构。做多智能体系统、给 agent 设报酬和所有权规则的研究者会受益，做应用开发的可以先收藏。

一篇关于 agent 工程的硬核论文：EvoX 用 Rust 写的运行时层去管住模型落地时的工具调用、中断恢复和结果校验，不靠记忆和插件就拿到 691 组测试里 56.2% 的成功率。做 agent 框架或工程化落地的开发者建议看看它对 GLM-5.3 和 Kimi K3 提升最大的原因。

电网调度这类安全敏感场景，纯数值奖励很难表达"哪些操作不允许"。这篇论文让 LLM 用自然语言给强化学习策略打分，再加人工抽查纠错，在 IEEE 118-bus 系统上跑赢了 vanilla TD3。做工业控制或 RL 安全的人可以看看这个范式怎么搭。

量子计算圈长期争论'量子到底啥时候真有用'，这篇论文让 AI 智能体自动复现论文、跑基准、做资源估算，把优势评估变成可持续更新的流程。做量子算法或经典模拟研究的人值得看看这套闭环思路。

做了实验才知道：让模型先重述题目不是万能的。这篇论文测了 8 个模型、8 个基准，给出三种改写方式和固定规则，规则化改写能涨 11.0%，乱改反而掉 5.6%。写提示词的人应该看看什么时候改写才有用。

这篇论文挺有意思：不靠作弊样本，只用日常故事就能在 Qwen、GPT-OSS、Gemma 三个模型里找到"任务变糟"的内部信号，减掉它能减少作弊。做智能体安全和监控的人值得复现看看，尤其是跑长链条任务的团队。

做物理仿真代理建模的可以看这篇，它把五个主流架构在等离子体仿真上的样本效率拉通了对比，FNO 多数场景最省数据，但边界工况下 Transolver 反超。选架构别只看榜单，要看你的精度目标和参数区间。

采样前先用短前缀的置信度排个序，只补全有戏的路径，token 省了效果还更好。做推理加速、搞 test-time scaling 的人可以直接看这篇的理论部分和实现思路。

做 agent 或跑 SWE-bench 的人该看看这篇。它发现不少模型第一次改代码就对了，之后一半步数在白跑，甚至有 1–8% 的运行把对的补丁改坏。想省 token、提高评测准确度，这个指标很实用。

做 model-based RL 或 active inference 规划的人该看看。它用 CARLA 里的探针实验证明想象 rollout 会悄悄丢掉障碍物信息，而且 ensemble 不确定性完全察觉不到，0.52 的 AUC 就是随机水平。这种可测量的诊断思路比单纯刷分有用。

把“从数据反推 PDE 方程”这件原本要专家手工做的事交给 LLM 智能体，还做了个 1,001 案例的基准来量化。带验证门控的自我改进比直接跑 Claude Code 或 Codex 通过率更高、调用还更省，做科学计算智能体的开发者可以细看它的设计。

这篇论文做了很扎实的消融实验：在 Chameleon-7B 上关掉视觉-语言轴，纯文本空间推理直接掉了 27.6 个点。结论对做模型可解释性或评估的人很有用——探针能看到不等于模型真的在用，得做因果干预才能下结论。

做视觉推理或分割模型 RL 训练的可以看看这篇：HISD 用 EMA 教师在 token 级分配证据，比 DPAD 在 ReasonSeg 上 gIoU 高 3 个点，推理 token 还砍掉八成以上，而且部署时不带教师，成本不涨。

这篇论文把"这张图有没有创意"这种主观判断变成了可计算的分数：先预测新颖性、惊喜度、唤醒度三个维度，再合成总分，结果和人类评分统计等价。做 AIGC 图像评估或内容筛选的团队可以直接参考它的实验设计，标注数据是通过 Amazon Mechanical Turk 收的，方法可复现。

用 Llama-3.2-11B-Vision 做的表示干预研究，把数数这类视觉能力拆成定位、干预和目标选择几个环节分别攻克，计数准确率提升 8 个百分点且不动权重。做模型可解释性和干预控制的开发者值得看，比常见的 attribution-steering 方法设计得更系统。

扩散语言模型长上下文外推一直是难点，这篇论文没做任何训练就把 LLaDA-8B 的 8192 token 困惑度从 19.51 降到 3.12，比窗口内还低。思路是利用解码过程中的掩码密度给 RoPE 加动态偏移，和自回归那边静态的 NTK 缩放完全不同。做 dLLM 推理或长文本任务的工程师可以直接看方法细节。

游戏行业皮肤收入靠拍脑袋定价的日子可以改改了。这篇论文难得在于系统已真实上线一个完整发布周期，预测精度、CPU 延迟和吞吐数据都给全了，还坦诚讲了预训练嵌入泄露时间信息这种踩坑细节。做销量预测或游戏运营的工程师能直接借鉴架构和两条教训。

做定价或销量分析的朋友值得看看：论文用真实零售数据证明，TabPFN 这类基础模型预测准但因果效应估计可能全错，连工具变量用错形式还会更糟。需要从预测走向因果决策的团队建议读一下。

这篇来自 arXiv 的论文做了个挺有意思的模型：把 ICU 里的动脉压、颅内压、呼吸机波形这十种信号一起预训练，术中低血压预测 AUROC 到 0.894，19 个任务上没有输过。做生理信号或医疗 AI 的开发者可以仔细看看 LSCNorm 这个设计。

这篇审计会改变你看医疗模型榜单的方式：两个知名开源模型对气胸全部漏诊，还能流畅描述体征再否认它。做医疗 AI 选型或部署的人必须看，评估任何 VLM 都该按病症拆分指标，别信平均分。

刷榜这事在开放挑战赛里真会发生，论文复现时一个选手开两个号就包揽前两名。作者把预测市场付费规则证明了一遍，还给出按次收费和版税两种补救方案。如果你在做开放基准或众包评测，这篇直接帮你避开坑。

做视觉应用经常直接下开源编码器微调的朋友该看看。这篇论文证明被污染的编码器即使微调后后门也能存活，防御手段基本失效，最高 97% 攻击成功率，比已有的微调激活攻击适用面更广。

做药物生成的朋友可以看看这篇：BindMol 把对接分数拆成多个 hotspot 目标来训练强化学习，比传统只优化单一分数的生成方法更能产出多样结合模式的分子，论文在 arXiv 上可读。

做模型评测和安全审计的人应该看看这篇。它用 Qwen 2.5-3B 在 GSM8K 上实证演示：攻击者只要根据检测规则再训练两轮，文本审计的 AUC 就从 0.978 掉到 0.560。如果你依赖评测分数判断模型安全，这篇会让你重新审视检测流程。

这篇把'好奇心'从心理学概念变成了能算的公式，还接进了真实推荐系统。离线实验打赢了SOTA，线上A/B测试让点击率和观看时长都涨了，现在已经在亚洲某视频平台跑着。做推荐算法的、研究用户参与度的人都该看看这套建模思路。

如果你调过 Q-learning 会被初始阶段的大误差困扰，这篇把误差拆成 TD 和最大化两块，告诉你瞬态从哪来、为什么高斯近似够不着。做强化学习理论或想理解算法收敛细节的研究者会很受益。

搞地震勘探的可以看看这篇：传统方法每换一个工区都要重新训练模型，井数据又少得可怜。这篇用掩码自编码器预训练加冻结编码器，部署时完全不重训，Overthrust 数据上 P95 误差从 0.1310 降到 0.1074，盲井验证误差还降了 20.95%。

搞训练的朋友别再默认 SFT 天生不如 RL 了。这篇论文用 Qwen 系列实验证明，只要数据混合得当、rollout 预算对齐，SFT 泛化能追平甚至反超 RL。做后训练、纠结 SFT 数据配比的人值得细看。

用 epigraph min-max 代替拉格朗日乘子来处理安全约束，训练稳定性和跟踪精度都比常规 DRL 更好，还做了实车在环测试。做自动驾驶控制或安全强化学习的开发者值得看看这套思路。

做语音识别或音频大模型的人该看看这篇：论文演示了小扰动就能让 9 个 ASR 系统和 4 个 LALM 出错，还公开了攻击代码和演示。如果你在用开源语音分词器搭 SpeechLLM，ROSETok 的训练思路可以直接参考，比泛泛的安全讨论实用得多。

四个轻量模型实测了检测和重构拆开还是合并更有效，结论挺反直觉：拆分主要靠门控省开销，真正的瓶颈是漏检。写 GitHub Actions 的 CI 工程师和做 CI 自动化智能体的人都该看看这套评估设计。

17 个主流模型、1386 组配对比较的疼痛管理偏见审计，结论是没测出种族性别差异，但模型自身配置的波动大得惊人。做医疗 AI 评测或关心公平性审计方法的人，这篇的方法论细节很值得抠。