Chinese contentICC性质T群不满足W$^*$-超刚性：Connes刚性猜想反例
论文给出了Connes刚性猜想的具体反例，两个不同构的ICC性质T群居然有同构的群von Neumann代数，搞算子代数的人值得一看。
Latest
Every published item, in order · 266 items
Aug 4
Chinese content论文提出 Ledger 运行时层，把交互历史转为执行状态，提升长程编码智能体
arXiv 新论文做了个 Ledger 层，给编码智能体记账执行状态。GPT-5 mini 在 SWE-bench 从 56.2% 提到 64.2%，成本降 28.9%。
Aug 1
Papers01:39
Chinese contentOpenMLE与Frontis-MA1：递归自我改进全栈开源发布OpenMLE把自我改进变成可跑全栈，Frontis-MA1在4090上71.21%，代码模型都开源。
Jul 31
Papers12:35
Chinese contentAskChem：面向化学文献的声明中心检索基础设施化学论文里找结论太费劲？AskChem 把 14.7 万篇论文拆成带引用的声明，直接搜观点还能看来源，AI 也能通过接口调。
Papers11:56
Chinese contentTycho：ARC-AGI-3的程序化世界模型主动抽象Tycho让AI在ARC-AGI-3里边玩边建模，GPT-5.6和Opus 5都满分通关，动作效率还胜过人类基线。
Papers11:07
Chinese contentEMBL AI Librarian：为AI智能体打造的生命科学知识层生命科学智能体可以直接用自然语言查文献了，EMBL AI Librarian在LitQA2上比网页搜索高8分，代码已开源。
Papers10:46
Chinese content安全漏洞报告自动识别技术比较分析这篇论文把七种识别安全漏洞报告的方法拉到一起比了比，结果SetFit最猛，GPT-5.2反而拉胯。做漏洞管理的人可以参考。
Chinese contentAgentS4D：LLM工作区智能体执行生命周期的运行时风险基准
AgentS4D 用 328 个风险案例测了 20 种智能体组合，发现 66% 的测试任务虽然完成但实际不安全，别光看结果。
Jul 30
Jul 29
Papers09:16
Chinese content从联合国投票数据估算大模型的地缘政治偏好用联合国投票数据测了四个大模型的政治立场，发现DeepSeek最亲法，GPT-5最亲俄，跟开发者国家不一样。
Jul 28
Chinese contentLLM政治对齐可控性审计：上下文框架主导模型立场偏移
这篇论文用70道政治题+12种人格提示，测了GPT-5、Claude、Grok等7个模型，发现提示词比模型本身更能左右回答方向。想了解AI怎么被‘带节奏’的可以看看。
Papers10:06
Chinese content生成式AI证据的半衰期：40条记录审计、声明货币性框架及前沿模型辅助研究这篇论文研究了AI模型评估结论过时的速度，发现模型发布后近一年结论可能已失效。如果你做AI评测或读评测报告，它能帮你判断证据是否还新鲜。
Chinese content前沿LLM规则评估中的异常链崩溃与Aethis神经符号架构
这篇论文揭露了GPT-5.4和Claude在资格评估规则中会莫名崩溃，还给了个能稳定执行的神经符号方案，搞合规或应用LLM的得看看。
Jul 27
Papers12:18
Chinese contentLLM部署配置如何塑造伪科学验证：Claude/Grok/GPT/Gemini测试这篇论文用四个主流模型实测了伪科学评估，发现Grok的Fast版本评分奇高，而且同一个模型API和Web结果差十几倍。看完你就知道模型答案多不可靠，值得所有AI用户看看。
Jul 24
Chinese contentLean-QuantumAlg-Bench 和 Lean-QIT-Bench 评估 AI 定理证明
想知道 AI 定理证明在量子计算领域到底多强？这篇论文给了两个新基准和四个模型实测分数，LAD 方法能提升最高 15.9 分，很实在。
Chinese contentOpenAI gpt-5.6-sol 研究：直接暴露危险目标比多智能体中介更安全
这篇论文发现了一个反直觉的安全漏洞：把危险目标藏起来经过中介传递，反而让模型更容易执行它。对做LLM部署或安全审查的人很重要。
Chinese contentIssueTrojanBench：评估AI编码代理面对恶意issue请求的安全性
这个基准测试发现，你用的AI编码工具面对恶意issue时几乎不设防，66.5%都能得逞，赶紧看看你的工具安不安全。
Jul 23
Chinese contentHarness Handbook：静态分析辅助智能体自改进的论文
这篇论文给那些维护大型生产级智能体框架的人一个精准的定位方法，把分散的运行时行为映射到源码，实测提升成功率、降低token消耗，值得细看。
Chinese contentChannelGuard：安全模型组合未必安全，多智能体系统防御框架
这是篇讲多智能体LLM安全漏洞的论文，提出ChannelGuard，不额外调用LLM，在Agent间加门控，能防住工具投毒和指令注入，而且实验用了三个不同模型后端，结果很实在。
Chinese contentSLAI T-Rex：在Ascend SuperPOD上对DeepSeek-V4系列进行全参数后训练
这篇论文展示了如何在华为Ascend芯片上高效后训练万亿参数模型，并且通过运筹学专用微调，在特定任务上超越了GPT-5.4-Mini。
Papers09:53
Chinese contentDARWIN：通过进化攻防框架实现LLM安全评估与防护论文提出DARWIN，用进化算法同时生成攻击和训练防护，在DeepSeek-V4-Pro和GPT-5.5上攻击成功率超高，安全召回率也强。
Jul 22
Chinese contentCodeRescue：面向编程智能体的预算校准恢复路由
编程智能体失败后，是再用便宜模型试试还是直接上贵的？这篇论文搞了个路由器和校准方法，在GPT-5.4-nano上省了65%的钱还保证解决率不降。
Jul 21
Papers11:40
Chinese contentSGA: 插即用几何验证模块提升教育动画合成论文提出了SGA模块，能自动修复LLM写动画代码时的几何遮挡错误，实测用GPT-5.1搭配Code2Video能提升16%的画面质量。
Papers11:30
Chinese content临床LLM中证据充分性提示的安全增益依赖于评判模型这篇论文揭示了AI安全评判的一个关键陷阱：安全增益可能只是评判模型的偏好，不是真实改进。告诉你为什么不能只看一个评判指标。
Jul 17
Chinese contentAI协助解决统计学开放问题：GPT-5.6证明BH过程无法控制FDR
AI真的在推动数学进步了：GPT-5.6只用90分钟就找到了统计学里一个经典开放问题的反例，而5.5版本折腾20小时都没搞定。这篇报告值得所有关心AI科研能力的人看。
Chinese contentBad Memory：评估智能体系统记忆中的提示注入风险
这篇论文用Claude Code和OpenAI Codex实测了记忆注入攻击，发现一旦恶意指令写入记忆，后续会话都危险，搞AI安全的一定要看看。
Jul 16
Chinese contentGPT-5.6 Sol Pro解决统计学重要开放问题：BH程序在相关数据下无法控制FDR
AI帮你揭开了统计学25年的难题：GPT-5.6 Sol Pro用90分钟证明BH方法在相关数据下会失效，比人类20小时还准。
Chinese contentSTOCKTAKE：用公平预言衡量LLM智能体感知与行动差距
这篇论文用STOCKTAKE基准把LLM智能体的‘没看懂’和‘看懂了却没行动’分开了，四个主流模型的表现差距比想象中大。
Jul 15
Papers10:04
Chinese content基于验证器的强化微调推理模型优化建筑热能存储控制这篇论文用30条提示微调开源模型，让建筑冷负荷调度排放从70.5降到61.2，逼近最优，比GPT-4o强得多。
Jul 14
Papers12:13
Chinese contentAI改写邮件语气影响接收者行为：121人随机交叉现场实验这篇论文不是教你怎么用AI写邮件，而是用真实实验数据告诉你：AI改写邮件语气不会直接提高回复率，但会让读邮件的人感觉更积极，从而更愿意打开和回复。
Papers11:57
Chinese content沙漏推理：通过结构隔离增强少样本归纳推理这篇论文提出沙漏推理，让GPT-5.5和Gemini 3.1 Pro在ARC-AGI、ChipBench等基准上大幅提升，不是靠新模型，而是靠精巧的推理结构设计，值得搞推理的人看看。
Chinese contentClaude Fable 5在生物医学挑战问题上的能力评估
这篇论文很有意思，告诉你Claude Fable 5在医学难题上不是不会答，而是经常拒绝回答。一旦它愿意回答，准确率反而是最高的。如果你想了解模型的安全边界和真实能力，值得看看。
Jul 13
Papers09:14
Chinese content地缘政治对齐：大型语言模型中的背书效应这篇论文用实验数据告诉你，大模型评政策时会看谁站台——同一政策挂美国旗得分高，挂中国旗得分低。GPT-5、Claude Sonnet、Gemini、DeepSeek表现各异，值得关注。
Jul 9
Papers11:20
Chinese content制度性红队测试：部署规则而非仅模型因果影响多智能体AI安全这篇论文拿多个模型种群跑了几万局游戏，发现换一条规则，事故率能差 58 个百分点，而且匿名化也挡不住针对性消除。做多智能体安全的一定要看。
Chinese contentInfraQR：红外视觉语言模型的QR启发式结构化补丁攻击
这篇研究告诉你，红外视觉语言模型有多脆弱——一个 QR 风格的边角补丁就能让 OpenAI CLIP 准确率从 98.67% 跌到 0.70%，还能黑盒攻击其它模型。搞安全或对抗训练的值得一看。
Jul 7
Papers12:09
Chinese content优化大语言模型用于药物警戒因果关系评估：开发性能指标用于贝叶斯超参数优化这篇论文用GPT-5.2做药物副作用评估，温度调优后准确率从45%跳到72%，对药物安全分析很有参考价值。