Papers11:27
Chinese contentarXiv 论文提出 LEAP：从轨迹观测学习随机作用量一篇论文把物理轨迹数据变成可复用的目标函数，LEAP 在分子模拟和多体轨道上都验证了，做科学计算推理的可以看看。
Latest
Every published item, in order · 9845 items
Oct 23
Papers11:27
Chinese contentTTR-Compressor：用测试时回归重做序列压缩一篇方法论文：把压缩变成回归问题，RULER 成绩超过注意力压缩器，视觉 token 还能砍掉一半多。
Chinese contentG-Retriever 软提示的 token collapse 现象分析
用图结构增强 LLM 提示的朋友看看这篇：G-Retriever 的图 token 其实塌缩成常量了，作者还给了检测方法和修复流程，代码开源。
Chinese contentEthan Mollick：短期来看 AI 更有利于网络攻击方而非防御方
Ethan Mollick 转发了多篇学术论文的结论：AI 攻击成本低、防御成本高，短期内黑客更占便宜，安全团队可以对照自查。
Chinese content论文分析：DeepSeek R1 与 Kimi K3 发布引发的金融市场反应差异
这篇论文把 DeepSeek R1 和 Kimi K3 发布时的股价反应放在一起比，解释了为什么两次市场反应完全不同，做投资或研究行业的人都该看看。
Chinese contentLLVMhammer：通过 Rowhammer 位翻转让 LLM 推理变慢 4-16%
有人用 Rowhammer 硬件攻击搞坏了 Triton 编译，四个主流模型实测慢 4-16%，搞 GPU 推理的都该看看这篇。
Study Finds Speculative Decoding Acceptance Does Not Decay Over Long Chain-of-Thought
The finding overturns the widely repeated narrative that acceptance rate falls as chains grow, which has driven draft-model co-design and position-aware training spending. Teams building inference acceleration should redirect effort from positional engineering toward entropy at decision points, where the paper localizes the real failure. The MATH-500 baseline and open diagnostic protocol are directly reusable for benchmarking any draft-target pairing.
Behavioral Counterfactuals Method Traces How Prompts Sway Model Reasoning
Unacknowledged prompt suggestions can flip a model's final answer, and this method localizes where in the residual stream that influence enters — a concrete tool for interpretability and safety audits. Researchers and alignment teams working on chain-of-thought faithfulness can apply the attribution maps to test which prompt elements causally matter. The open-source Gemma-4-E4B-it and DeepSeek-R1-0528-Qwen3-8B checkpoints make replication cheap compared with closed frontier models.
Chinese contentSWE-Verifier：只验证不到 4% 的步骤，让编码智能体更省钱
给编码智能体加了个只有 4B 的小验证器，只挑关键步骤做验证，解决率涨一两个点，成本几乎没变，还能直接用在没见过的模型上。
Tomorrow 08:00, the daily lands in your inboxTelegram channel or email. Same screening as this page, no ads.
Papers10:53
Chinese contentDirect Pass@$k$ 优化：测试时推理剪枝中平衡质量与多样性一篇研究测试时推理剪枝的论文，把 pass@$k$ 直接当优化目标，在 8 个开源推理模型上比质量和多样性两类剪枝策略都强，做推理效率的可以看看。
Chinese content成本感知弃权框架用于 LLM 工单分类：校准后成本降低 38.1%
这篇论文把 IT 工单自动路由的隐性成本算清楚了，微调的 DistilBERT 比 GPT-4o-mini few-shot 准确率高出近一倍，用成本模型选策略能省 38% 成本。
Chinese contentTESSA：面向中小企业 EU AI Act 合规指导的定制 GPT
有人用 Custom GPT 做了个帮中小企业看懂 EU AI Act 的工具，还拿 100 个场景和 ChatGPT 对比测了一轮，方法值得借鉴。
Chinese contentLean 4 完整形式化证明：细致平衡质量作用系统全局收敛性
数学定理证明全流程交给 Claude Opus 5.5 做决策、GPT 6 Astra 执行，最后 Lean 内核验证，AI 代理做形式化数学的完整案例。
Chinese contentOpenAI 生成的 Barnette 猜想证明被整理成论文
OpenAI 生成了 Barnette 猜想的证明，有人把它整理成 arXiv 论文，想看模型在数学难题上的真实水平可以看看。
Papers10:50
Chinese contentMETTA：基于神经记忆的元强化学习测试时适应方法这篇论文搞了个叫 METTA 的方法，用神经记忆替代 transformer 回看历史，ML10/45 上成功率超 50%，算力开销还更低。
Chinese contentEpiSEM-Bench：评测 LLM 智能体在证据缺失下的安全表现
一个专门测智能体“证据不全时会不会乱来”的基准，300 组任务对测了十款模型，做 agent 安全的人可以直接拿来用。
Chinese content论文提出低比特存储 n-gram 嵌入表，可节省约 75% 表内存
DeepSeek 的 n-gram 表动辄上千亿参数，这篇论文用 4 比特量化砍掉四分之三内存，性能几乎不掉，做本地部署的可以看看。
Chinese contentCausalCoT：用上下文隔离提升思维链的因果可信度
这篇论文指出了 CoT 一个老毛病：推理步骤可能是事后编的。CausalCoT 把问题拆成依赖图逐个隔离求解，因果敏感度平均涨了 12 个百分点。
Chinese contentOLMo-3 检查点研究：RLVR 训练不必然加剧模型的趋同工具行为
用 OLMo-3 的 13 个中间检查点实际测了 RLVR 会不会让模型更爱追求权力，结果先升后降，数据挺有意思。
Chinese content面向乳腺病灶管理的 RAG 系统证据感知检索评估方法
一项临床 RAG 评估研究：混合检索加 cross-encoder 在乳腺病灶文献上拿到 0.94 的 Recall@3，还发现标注范围会直接影响分数，做 RAG 评测的可以看看方法细节。
Simulated Control Evals Predict AI Safety With Lower Error
Control evals have so far been limited to purpose-built settings whose transfer to real deployment is questionable; SCEs let safety teams test safeguards against deployment-specific environments cheaply, without executing every task. The 3.6 vs 10.1 percentage-point RMSE gap against BashArena is the concrete benchmark to cite when arguing simulation fidelity. AI safety researchers and red-team builders can apply the technique by generating simulated tool responses for their own target environments.
Chinese content研究：面对自信出错的 GPT-5-mini，人类反向谄媚且信任校准崩塌
反着研究谄媚挺有意思：模型自信但说错时，人反而全盘照收。1040 条数据显示信任校准会失效，做 AI 教育产品的可以看看。
Chinese content四个开源模型参加西班牙 MIR 医学住院医师考试：8B-27B 准确率与局限性
让 8B 到 27B 的开源模型做 1,552 道西班牙医学执业考试真题，能排进前几千名，但换掉图片成绩不变，细节挺扎心。
Chinese content扩散语言模型解掩码策略研究：856K参数策略提升LLaDA-8B推理效率
LLaDA-8B 上的研究，教你训练一个 856K 参数的小策略，让扩散语言模型解码更快更准，还能迁移到 Dream-7B。
Chinese contentSocial-HUMINT：用 LLM 量化社交媒体信息暴露程度
研究者用 LLM 把社工攻击前的“你能被挖出多少信息”变成了可量化指标，提取 F1 到 97.3%，做安全的人可以拿来测自己的暴露面。
Chinese contentAOPD 提出按优势加权教师动作，改进在线策略蒸馏
一篇蒸馏方法论文：AOPD 不让学生照抄老师每一步，只学真正有帮助的动作，实验覆盖数学、编程和 Medqa，效果超过蒸馏和 RL 基线。
Chinese content可争议智能体治理框架：让 LLM 生成的元数据经人工审核留痕
工业企业的元数据靠少数专家维护，这篇论文让 LLM 智能体出提案、人做裁决、全程留痕，还附开源实现，做数据治理的可以看看。
Chinese contentJev-DLC：从类型化反馈中做决策级持续学习
一篇讲个性化持续学习的新论文，用户的每次采纳或撤销都能变成可复用的决策信号，还附带 TCPA-Bench 基准，做个性化系统可以看看。
Papers10:46
Chinese content用机制可解释性技术探测并控制 LLM 中的隐喻表征有人用机制可解释性把模型里的“隐喻开关”找到了，能让输出变比喻或变直白，研究文本生成风格的可以看看方法细节。
Chinese content论文：用 Golden Data Model 检索时上下文替代提示词规则，制药文案合规生成提效
一家药企把提示词规则改成检索时查结构化数据库，合规文案准确率涨了六七成，API 费用还省了近三成，做法有详细工程路径。
Chinese content研究揭示语言模型对信息来源的隐性概率偏差
这篇论文做了 6600 次实验，发现模型光是看到报告者是 Black 就直接不评估信息，警告提示反而让情况更糟，方法部分对做模型评测的人很有用。
Chinese contentInside-JEPA：用逆动力学损失让潜空间世界模型理解实体关系
JEPA 潜空间一直像黑盒，这篇论文加 16 个关系通道再用逆动力学损失，不用关系标注就能让模型理解谁对谁做了什么，实验数据给得挺扎实。
Chinese content研究表明：LLM 生成博物馆文物描述时，更多元数据字段反而可能引入无据推断
给做数据到文本生成的朋友：这篇用博物馆藏品做实验，发现多给 LLM 字段不一定更准，图像也会让它瞎猜，评估方法值得换个思路。
Papers10:00
Chinese contentRaSFNet 提出：面向 LiDAR 点云语义分割的射线对齐融合网络一篇 LiDAR 语义分割新论文，把射线几何和扫描模式融进投影方法，SemanticKITTI 跑到 70.2% mIoU，做自动驾驶感知的可以看看。
Papers10:00
Chinese content粒子物理基础模型用于径迹重建与粒子鉴别物理学家拿 Foundation Model 重建粒子径迹，效果超过传统方法，还能迁移到别的任务，研究思路挺有意思。
Chinese content研究：LLM-as-a-Judge 提示策略效果依赖评审模型与语言
用 27 种语言和超百万条评分实测发现：CoT 这类提示技巧换个评审模型可能就失效，做多语言评测的得看看。
Chinese contentWholeBodyMem 为人形机器人引入记忆机制，突破 VLA 策略只看当下的局限
人形机器人转身走动就忘了刚才看到的东西，这篇用 SAM3 加关键帧记忆把真机成功率从 36.7% 拉到 88.3%，做机器人方向值得看看具体做法。
Only the latest 2000 items are listed; for older ones see the daily archive