Latest

让 9 个模型互相出题、互相解题，结果最强的解题者反而不是最好的出题者，小模型出题更狠，挺有意思的视角。

arXiv 上这个 Quant-Arena 基准挺有意思：让 GPT-6 Astra 等 9 个模型做真实 A 股量化策略，结果没有一个跑赢等权市场，排行榜对外开放提交。

这篇论文把电脑操作智能体和机器人放在同一套 PAPAV 五能力框架里比较，还统计了 64 个基准里验证和预判环节几乎没人评，做具身方向的人可以对照看看自己的评估盲区。

一篇机器人方向的论文，把 RL 训练拆成原子子任务来做信用分配，在 LIBERO-LONG 和 CALVIN 上比 PPO 多涨了几个点，真机任务平均提升 21.3%。

这篇论文把多个 AI 智能体同时改代码互相打架的问题，用图染色理论给出了理论保证，还有代码修复和路网实验，做 Agent 系统的可以看看。

这篇论文挺有意思：给智能体配上画图能力还不够，它教智能体什么时候该画图看趋势、什么时候读文本更准，参数都不用动。

研究者让 GPT-6、Claude Opus 5.5 这些模型直接操控真实机器人跑 LIBERO-10，1,800 次测试排出了名次，最强也只有 44% 成功率，想了解大模型动手能力差在哪的可以看。

一群研究者做了个 SWE-DIVE 框架，用模拟用户跟编程智能体多轮对话来测真实能力，比 SWE-bench 那种单轮出题更贴近实际，代码开源可跑。

这篇论文教你怎么拆开测决策模型：用算术规则把迁移、可靠性和信息利用分开量化，方法可以直接搬到自己的评测里。

人形机器人研究的新论文，把任务意图和全身控制拆成稀疏位姿加运动先验两路，仿真和真机都跑通了，做机器人方向的可以看看.

教智能体学技能不用整条轨迹都学，只挑 10% 关键位置就够，成功率还能涨 6 个多点，做 Agent 训练的可以看看。

训练交换相关泛函的老难题：能量准了密度就歪。这篇用 Brillouin 残差做惩罚项，只用 6 个能量加 11 个密度就把 SCAN 比下去了。

扩散语言模型的训练成本问题有了新解法，UDLM 加上循环层结构后省了近三分之一算力，做生成模型研究的可以看看。

一篇文章讲怎么让模型自己给自己出长文本考题，不用外部数据就用 GRPO 练出更强长上下文推理，还公开了实验对比，做长文本方向值得看看。

一篇推荐系统的论文，思路挺巧：不是给用户历史里每个商品都算同样深度，而是让模型自己决定哪些商品多想几步、哪些早点出结果，代码也开源了。

一篇纯理论论文，把Bernstein不等式推广到再生过程，让泛化误差界不再依赖独立同分布假设，还给出了极小化最优性证明。

这篇论文用理论推导拆解了卷积网络两大核心假设：c=0 时权重共享只带来 P 倍加速，c>0 时局部连接反而可能更好，结论挺反直觉。

训练 Flow Matching 模型的话可以看看，这个 VAP 方法能把平均损失拆到每个时间点，找出哪些区域数据不够、哪些是本质模糊，实验里 Fréchet 距离降了 23.6%。

arXiv 上的新论文 ASTEROID，不用 RL 就能让智能体学会边探索边决策，交互量少 100 倍还能上真机器人，做 agent 的可以看看。

做生物影像的朋友可以关注，arXiv 上新出的 BatchBench 排行榜，用 JUMP-CP 数据集专门测模型换个实验批次还稳不稳。

做 RLHF 隐私保护方向的可以看：这篇给了稀疏奖励估计的首套 DP 理论和算法，误差界只跟稀疏度 s* 挂钩，不随整个模型维度膨胀。

一个把网络攻击分流拆成三个校准小头的小模型，CPU 毫秒级跑完，还老老实实列出了哪些场景翻车，做安全检测的可以看看。

这个叫 Orbitol 的晶体生成器能按你指定的空间群出结构，速度比同类快两三个数量级，压电材料候选 89% 过了 DFT 验证。

这篇论文把多个 LLM 分类器的预测串成自适应电路，在七个任务上比 routing 和 cascading 更省成本更准，做分类系统的可以看看。

一篇联邦学习论文，用现成的分类器头当聚类信号，不用加额外优化，在最差客户端准确率上跑赢了对比方法。

一篇扩散语言模型论文，把 Self-Conditioning 从辅助技巧升级成整套生成框架，GSM8K 上 42.2% 对 34.5%，还把 Duo 微调后翻快三倍，做生成模型研究的可以看看。

Sakana 系 HGM 的后续工作，专治规划型智能体自我优化瞎折腾的问题，省 2-4 倍评估预算还涨 14% 准确率。

arXiv 上新出的对抗训练方法 ExGrad，靠减掉一部分干净梯度，在 CIFAR-100 和 ImageNet-100 上把 AutoAttack 鲁棒准确率实实在在抬了一截，做鲁棒性的可以看。

有人把调用图、分层文档和 CLIP 式检索拼在一起做代码库问答，500 万行仓库上 RAGAS faithfulness 过 90%，做代码检索的可以看看。

arXiv 上这篇论文给智能体行为画了张“地图”，不用实际跑任务就能比较 100 个 LLM 的行为差异，做 agent 评测的可以看看。

MoE 模型太大跑不动？这篇论文的 SPARE 方法不用训练，按每层路由熵决定剪多少专家，Qwen3 剪一半还涨了 6 个点。

GUI 智能体嘴上说完成但轨迹不支持，这论文教你怎么用独立审计拦住这类假成功，还给了具体拦截率数据。

OpenAI 证明了几十年悬而未决的 Nagata 猜想，这篇讲义把证明拆到非专家也能跟上，值得花半小时读读

论文发现模型做 CoT 时会抄近路不看推理步骤，RCD 用对比解码让答案真正依赖推理内容，五个基准准确率都涨，还不用训练。

这篇论文实测了各大时间推理基准，发现微调只涨本数据集分数，成绩靠的是知识记忆而不是推理，做评测的人该看看。

这篇论文用 FairAMO 协议证明：时序预测的多模型编排收益其实不到 6%，堆模型数量没用，互补性才是关键。

这篇论文发现 RL 并行思考的路径会越长越像，DPT 靠惩罚前缀相似度让模型真正多路探索，代码也放出来了。