Chinese contentRoCo-PRM：用 MoE 专家路由信号做过程监督，无需人工标注
这篇论文挺有意思：不用人工标注，直接从 MoE 的专家路由统计里挖出每步推理的置信度信号，做成过程奖励模型，能自动标注还能跨模型迁移。
Latest
Every published item, in order · 9845 items
Oct 22
Papers09:58
Chinese contentRubricOpt：让模型在偏好优化中自我修订语义评分标准这篇论文让模型自己改训练用的评分标准，再用改好的 rubric 做 DPO。结果很诚实：有的提升有的回退，适合做偏好优化的人看看细节。
Chinese content基于非线性薛定谔桥与分支扩散的生成建模框架 SBNL
一群研究者把薛定谔桥和平均场博弈的 PDE 串起来做了个生成模型 SBNL，MNIST 和 FFHQ 上都能跑，扩散模型也能被它统一进去。
Chinese contentOmniSimulator：用结构化行为推理框架训练小模型模拟短视频用户行为
有人把 Qwen3-8B 调教成短视频用户行为模拟器，提分 34% 后追平 Claude-Sonnet-4.5，8B 就能自己部署，做用户模拟的可以看看这篇。
Chinese contentPreCoMem：面向自进化长期对话智能体的预测式记忆框架
给长期对话智能体做记忆的可以看看，它不像老方法那样全量追加或硬覆盖，而是按置信度决定强化、暂存还是衰减，代码已开源。
Chinese contentHarness Scaling：把 harness 多样性变成 agentic RL 的新扩展维度
arXiv 上的新论文，讲怎么让 RL 训练跨多种 harness 泛化，做智能体训练的可以看看方法设计。
Chinese contentRegoMender：多智能体框架自动修复 Rego 策略代码
写 OPA Rego 策略的朋友看过来，这套多智能体框架能自动修策略代码，132 个真实 CVE 修复率 86.4%，还顺手放出了首个 Rego 修复基准。
Chinese content研究显示：世界模型的回报误差集中在事件转折点而非像素误差
这篇论文发现世界模型出错的地方很反直觉：不是画面糊的步骤，而是拿奖励的那几步。做规划或 RL 的人可以看看这个诊断思路。
Chinese contentSanko 求解器首次算出超级劫规则下的围棋盘面价值
有人写了个叫 Sanko 的求解器，把中国规则里的超级劫真算明白了，5x5 从 5 小时压到 16 分钟，还顺手解了 11 个没人解过的棋盘，代码全开源。
Tomorrow 08:00, the daily lands in your inboxTelegram channel or email. Same screening as this page, no ads.
Chinese contentarXiv 论文提出 TraDE 框架评估对话模型对自我暴露历史的响应
研究发现模型安慰人不只是看当下说什么，还会被之前的聊天轨迹影响，用户收起情绪时模型表现最不像真人，做对话评估的可以看看这套 TraDE 方法。
Papers09:44
Chinese content基于迁移学习的 VLC 室内定位方法：精度提升 47% 并降低能耗博世工厂真实数据验证的 VLC 室内定位研究，用迁移学习把精度提高 47%，高噪声下模型效率从 10.4% 拉到 67.5%，做工业物联网定位的可以看看。
Chinese content片段级图编码让分子性质预测解释可对齐官能团
这篇不改模型只改输入表示：把分子图拆成 BRICS 片段节点，GNN 的解释就直接落在官能团粒度上，化学家能看懂，精度还基本不掉。
Chinese content研究显示调整 SNR 分布可显著提升 flow-matching 模型空间布局能力
一群研究者发现不用改架构，只要把 flow-matching 模型的训练噪声分布往高噪阶段偏移，布局遵循度就能从 25.9% 涨到 80.8%，训练文生图模型的值得看看。
Papers09:42
Chinese content线性模型加速贝叶斯优化：速度提升百倍到千倍有人把贝叶斯优化提速了 100 到 1000 倍，性能还不掉，6000 多维也能跑，搞超参优化的可以看看。
Chinese content多智能体执行性预测研究提出反射性矩阵，谱半径1为稳定阈值
这篇论文提出反射性矩阵 Γ，把多智能体间的相互影响建成网络结构，谱半径跨过 1 就从稳定收敛变成损失线性增长，比以前的标量收缩常数刻画得更细。
Papers09:40
Chinese content专家预测新算法：差分隐私下遗憾度降至 Õ(√L*)一篇理论论文，把差分隐私在线预测的遗憾度从 √T 压到 √L*，低损失场景下隐私几乎零成本，做理论的朋友可以看看。
Chinese contentSCARCE：无需标签的图分布外泛化框架
一帮研究者做了个叫 SCARCE 的图神经网络框架，训练时完全不用类别标签，靠环境分区和对抗混淆就能扛住分布偏移，在 DrugOOD 上跑赢其它无标签方法。
Chinese contentHyperspherical Simplex 表征：让模型升级后检索免重建索引
如果你维护检索系统，模型一升级就得重做全量索引，这篇论文给了个不用重索引的思路，连旧模型都不用依赖，很实用。
Chinese contentDPO 计算图随机剪枝：训练提速 1.4 倍，峰值显存更低
一篇讲怎么把 DPO 训练提速 30% 的论文，分支剪枝拿到 1.426 倍单步加速，代价是准确率略降，做偏好优化的可以看看。
Chinese content研究探索 Block Diffusion 用于纵向电子健康记录建模
医疗 AI 方向的研究者可以看看这篇：它在 MIMIC-IV 上验证了块扩散比自回归快约 1.43 倍，预测性能还几乎不掉，论文思路和实验设计都挺扎实。
Papers09:39
Chinese content研究揭示 max pooling 学习中的两类相变机制理论向读者看这篇：把 MIL 里常用的 softmax 近似 max 讲透了，还用随机能量模型和 Hopfield 网络解释了梯度下降何时失效，推导和模拟都对得上。
Chinese contentLoscar：用预训练分位数回归扩展 RESIT 框架到位置尺度噪声模型
一篇因果发现方向的论文：Loscar 把 RESIT 框架推广到 LSNM，用分位数回归套预训练表格模型，多变量场景比 FGLS 强不少。
Papers09:38
Chinese content研究：JEPA 在纵向 EHR 表征学习上不敌 MLMJEPA 在图像上很能打，但用 MIMIC-IV 一测，做病历表征还是干不过老老实实的 MLM，结论挺反直觉的。
Papers09:38
Chinese contentarXiv 论文提出几何方法统一推导注意力机制与 Transformer 架构一篇把标准注意力、线性注意力、RNN 全部用几何框架统一起来的理论论文，想搞懂 attention 底层数学原理的可以啃一啃。
Chinese content长文档 RAG 该全量扫描还是检索索引？11 种配置对比给出答案
用 396 个 QASPER 问题和 8 本教材实测了 11 种长文档检索方案，结论挺反直觉：扫全文不一定更强，Hybrid + Jev 证据覆盖 94.1% 还更快更省钱。
Chinese contentQSelect 为太空机器人机载语言模型提供低比特压缩方案
arXiv 上这篇论文教你怎么把 7B/8B 模型压到 3-4 比特还给太空机器人用，混搭三种量化器比单用一种效果更好，做端侧部署的可以看看。
Chinese contentAI 审批监控器会出现相关性失效，论文建议按证据源计数而非投票
这篇论文测了 16 个模型当支付审批监控器的表现，发现一起失效的根源是共享证据源，结论是数来源别数票，做智能体安全的人可以看看。
Chinese contentVHDLBench：用 QLoRA 微调 7B 模型生成 VHDL 芯片设计代码
有人给 VHDL 代码生成做了个专门基准，18,500 多条样本微调后语法正确率到 92%，还真能跑上 FPGA 硬件，做芯片设计的可以看看。
Chinese contentAA-PersonalityBench：Gemini 系列模型自信度最高、最不愿承认不确定
Artificial Analysis 测了各家模型的性格：Gemini 全家自信度爆表，几乎从不说"我不确定"，分数都列出来了。
Chinese contentEthan Mollick：AI 编程工具有效，但产品改进瓶颈常在别处
Mollick 提醒：代码写得快不代表产品做得快，瓶颈常在需求、协作这些环节，做工程管理的值得看看。
AKV: Agents Manage Their Own KV Cache to Cut LLM Costs
This reframes context engineering as a systems problem: instead of editing the visible prompt, the agent rewrites its own cache, avoiding the re-prefill penalty that summarization triggers. Teams building long-running agents with multi-turn tool calls can cut serving cost measurably without changing what the model sees. The gains apply to any stack serving LLMs with prefix caching, such as vLLM-based deployments.
Chinese contentAmazon Science：用智能体 AI 构建网络数字孪生，几分钟内定位故障根因
Amazon Science 的新方法把网络图变成数字孪生，用智能体在几分钟内找到故障根因，连不报警的问题也能揪出来。
Chinese contentGoogle 研究：盲扫超声 AI 可在新诊疗场景中泛化，辅助评估孕周
Google 把超声孕周评估做成了给非专业人员用的 AI，配上便宜探头就能用，对基层产科挺有实际意义。
PyTorchCon 2026 Keynote Maps Five Layers of the Agentic Stack
The bidirectional design idea turns agent evaluation data into training rewards, a concrete recipe for closing the loop between deployment and model improvement. Researchers and framework builders can experiment with reward signals derived from real agent traces rather than static benchmarks. The framing also clarifies where projects like PyTorch and the Agentic AI Foundation sit relative to each other in the stack.
SF Research Launches EvoHarnessBench for Evolving Agent Harnesses
Most agent benchmarks score a fixed toolset, so they miss the stability-versus-plasticity problem that surfaces in production, where harnesses keep growing and stored artifacts go stale. Teams building or selecting agent frameworks can run the benchmark via the live demo or plug in their own agent to see where their setup fails as capabilities expand. It suits engineering leads evaluating agent reliability over time rather than one-shot benchmark numbers.
Oct 21
Simular's Agent S4 evolves agent interfaces to boost OSWorld scores
Automated interface design shifts the bottleneck in computer-use agents from model quality to environment design, letting a small open model beat frontier systems on cost-adjusted performance. Builders of agent pipelines can apply the same trajectory-driven tool synthesis and population-based selection pattern to their own harnesses. The open-source release makes the method directly reproducible without proprietary APIs.
QD-Rec Applies Open-Ended Evolution to Recommendation Tasks
The shift here is from optimising for one best answer to building an archive of diverse, reasoned recommendations — useful when a decision maker needs options, not rankings. Practitioners running discovery-style tasks such as M&A screening or research triage can reuse the released code with their own candidate pools. The authors note limits: results rest on LLM judges, and real deployments would need fresh data and human expert feedback.
Only the latest 2000 items are listed; for older ones see the daily archive