Latest
一个 35B 的 MoE 智能体模型 Sage-A1.5，能让多个子智能体并行分工干活，还会自己检查进度、换思路，甚至做探索性科学研究。
用本地 31B 开源模型自动进化检索的语义索引设计，NQ320K 上 Recall@1 提到 59.3%，不用调 API，搞检索的可以看看。
一篇新论文，把多个异常检测器的结果交给 VLM 来仲裁融合，在 MVTec AD 和 VisA 上分数超过常规加权融合，做工业质检的可以看看。
论文挺有意思：策展模型只是挑了挑几乎一样的图片，就把偏好悄悄传给了学生模型，LLaVA、Qwen 这些都中招，做数据清洗的值得看看。
训练 DPO 的朋友可以看看：学习率要按模型大小重新调，验证损失也不靠谱，文章还给了一套省算力的调参方法。
搞工业故障诊断的可以看看，PhyNet 用物理变量当约束，四个基准包括三个真实空化数据集都拿了最优，不要求信号时间对齐，落地友好。
一篇把 harness 优化收益拆开来量的论文，结论挺反直觉：小预算下赢了更强模型，预算放大后可能翻车，做 agent 工程的可以看看。
现在代码审查越来越需要区分人和 AI 写的代码，这篇论文做到了行级定位，比以往只给一个文件总分的方法细多了，做代码安全或审计的可以看看。
这篇论文把世界模型和语言模型接上了：用语言描述动作，一个预测器跨机器人、视频多个领域通用，规划比视频生成基线快13.9倍，做机器人方向值得细看。
有人给在线持续学习专门造了个优化器，直接替换 SGD 或 AdamW 就能涨点，连无回放场景都有效，做持续学习的可以看看。
AMD 把剪枝当成多目标优化来做，Llama-3.1-70B 砍掉 25% 层后数学分还能涨 10 个点，代码也会开源。
用卫星数据重建 1955 到 2019 年每年 1 公分辨率的土地利用地图，这篇论文把评估方法拆得挺细，做地球系统建模的可以看看。
想搞懂 Scaling Law 为什么长那样的人看这篇：它把损失下降拆成几何、谱、优化三步推导，emergence 和 grokking 也讲清楚了。
一项对抗鲁棒性研究：给 ℓ1 攻击加个逐坐标上限，APGD-ℓ1 等三种攻击的成功率几乎不掉，说明扰动分布方式是个新评估维度。
一篇可解释 AI 论文，EMN 模仿人脑记忆检索原型来解释分类结果，在四个数据集上把子类对齐提升了 104.57%，准确率也没落下。
训练稀疏网络的省算力新招：用稀疏重连阶段替代昂贵的稠密阶段，CIFAR100、ImageNet 和 GPT-2 上都验证了效果，做模型压缩的可以看看。
研究者让 VLM 像小孩学数数那样逐个点物品数数，9 个模型的精确计数范围差了近 100 倍，标记还能审计模型是不是真在看图。
DeepSeek 系模型实验数据挺有意思：只给答案就能把第二问成功率从 36% 拉到 57%，做 agent 规划的可以看看。
这篇论文教你让稀疏注意力模型多层共用一套候选池，不用重训，vLLM 里给 DeepSeek-V4-Flash 实测提速 1.4 倍还省电，做推理优化的值得看。
研究者做了个能在终端本地跑的漏洞挖掘智能体，用 DeepSeek V3.1 和 Qwen3-Coder 测出了比 Claude Sonnet 4 方案还高的准确率，搞安全审计的可以看看。
Distillation, widely treated as a cost-free way to propagate capability, appears to propagate shared weaknesses at the pool level — a systemic risk individual robustness scores miss. Security teams and labs evaluating fleets of models can use SAR-style measurement to diversify their stacks. The finding is directly relevant to any ecosystem, including ASEAN deployments, that leans on a small set of distilled frontier models rather than independently trained ones.
一篇把 ChatGPT、Gemini、DeepSeek V3 等 10 个模型拉到同一起跑线测幻觉的论文，结论很反直觉：答得全的不一定准，Falcon 零幻觉但漏掉大半答案。
Claude 自己规划实验、调用 12 种蛋白设计工具，64 小时跑出 17 个能结合蝎毒的候选蛋白，还公开了全部数据，这种 AI 干湿实验的玩法很新鲜。
数学证明里有个关键引理是 Claude Opus 5.5 找到的，还顺手解决了一个拖了很久的逆问题，逆向数学方向可以看看。
OpenAI 这次不是发模型，是解了一个几十年的数学开放问题，构造出 χ 与 χ* 首次分离的例子。这篇论文把背后的信息几何讲清楚了，数学背景的读者可以细看。
Anthropic 让 Claude 帮忙找出了一个类似 CRISPR 的新酶系统，AI 参与科学发现的又一实例，感兴趣的可以看看。
Speculative decoding delivers speedups without changing model outputs, so teams can adopt it without revalidating answer quality. Inference engineers running 27B-class models on limited hardware can treat EAGLE-4 as a drop-on layer rather than a model swap, and its measured edge over DFlash 2 and DSpark gives a concrete baseline for benchmarking their own stacks. The gains come purely from the drafting side, a direction worth watching in the decoding literature.
Meta 拿 AI 眼镜场景做了个新基准，GPT-5.3-Chat 有答案也才 38 分，问题出在自己挑时机说话上，方法部分挺有参考价值。
The piece reveals the intermediate compiler layers most accelerator benchmarks hide: KTIR and the Dataflow Scheduler sit between Inductor and the hardware, shaping how tiling and memory placement decisions actually execute. Engineers compiling PyTorch for non-GPU accelerators, or evaluating Spyre for inference stacks, get a concrete map of the software path their models take. It also shows how IBM leans on PyTorch's open source compiler stack rather than a proprietary frontend.
The fastest-learning method caused the worst forgetting, so picking a self-improvement approach by learning speed alone is misleading. Teams deploying agents that edit their own prompts or memory should isolate task-specific rules and retest prior tasks after every update. The findings apply directly to anyone building persistent agent memory on top of frameworks like GEPA or ReasoningBank.
The keynote reframes frontier AI progress around adaptation efficiency rather than pretraining scale, pointing practitioners toward test-time scaling and adaptive compute techniques they can apply now. Developers and researchers optimizing agents should watch the AutoScientist work on harness optimization, memory and dataset creation. The 2026 prediction that individuals will build and own frontier AI signals a shift in who controls state-of-the-art models.
AllenAI 搞了个叫 FairStress 的公平性评测，专门测 LLM 做决策时会不会偏心，做模型评估的可以看看。
Allen AI 做了个叫 FairStress 的评测，专查模型会不会因为用户身份就推翻本来有理有据的判断，连解释过程也一起打分。
Only the latest 2000 items are listed; for older ones see the daily archive