全部动态

一项发表在 npj Digital Medicine 的多中心研究，测了医生审查生成式 AI 临床建议时能抓出多少错误，做医疗 AI 的人可以看看。

npj Digital Medicine@Bo Yue原文

Boltzbit 和剑桥搞了个新架构，把聊天里的新知识直接编译成 LoRA 权重写进模型，长对话和多轮场景下比 RAG 省算力还更准。

小互@imxiaohu原文

斯坦福团队做了个 StudentBench，拿 2383 人测 AI 教 GRE，效果跟人类导师打平，价格便宜 918 倍，数学部分回得越快学生学得越好。

一个新的代码执行推理基准，480 道题来自真实仓库的测试执行，最强模型才 37 分，看看你常用的模型到底会不会“跑”代码。

一篇很扎实的世界模型诊断论文：冻结的 flow 学不会物体运动，DART 只重训 flow 加解码监督就修好了，还顺带指出了评估指标的坑。

如果你在调扩散模型，这篇讲清楚了为什么高维潜空间里速度预测费劲，换成 x0-预测就能稳定涨点，思路很实用。

研究者用对比学习训练了一个 ModernBERT Bi-Encoder，判断两段文字是不是同一人写的，在 PAN21 上准确率 98.4%，还列出了调参要点。

把 transformer 注意力当成动力系统来分析的物理论文，找出了混沌、凝聚这些相变结构，做理论或注意力机制研究的可以看看。

一篇把机器学习和量子求解器放进 Kalman 滤波误差分析的论文，用残差证书保证修正不会跑偏，还有电网实验数据。

一篇很新颖的智能体论文：不模拟工具输出，而是让模型直接修改任务状态，Action Judge 拿了 70.5% F1，做 Agent 的值得看看思路。

arXiv 上的新论文，Clifford-VAE 把图像数据编码成超维符号向量，做 VSA 基准测试比 Gaussian 和 Hyperspherical VAE 都强，搞神经符号方向的可以看看。

一篇改注意力机制的论文：value 不再做投影，改查 token 记忆表，推理还能省显存，做模型结构的可以看看。

这篇论文很扎心：EWC 保住了通用能力，翻译里的正式度、性别控制这些指令照样丢。做翻译微调的人建议看看，选抗遗忘方法前先想清楚。

分数匹配从经典生成模型搬进了量子世界，IBM 真机上误差从 64% 降到 10%，做量子机器学习的可以看看。

教小模型做数学题的新训练方法，把教师模型的逐token提示和答案对错验证揉进一个GRPO更新里，Qwen3-1.7B和4B都涨了不到1个点，做RL训练的可以看看细节。

给机器人策略做"删除指定动作"的遗忘方法，在 Unitree G1 和 H2 上验证过，涉及 GDPR 和安全问题的话很值得看看思路。

8 个商用 LLM 当购物代理，一旦要花钱查信息就学人类贪便宜，研究提示词写法能救回来，做电商的都该看看。

一个自动驾驶推理数据集，41 万多帧标注把视觉证据和驾驶决策串成思维链，多个骨干模型实测轨迹误差明显下降，做自动驾驶 VLM 的可以看看。

一篇做低比特量化的论文，专治卷积层里 im2col 导致激活体积暴涨的问题，量化开销最多降 9 倍，做边缘端部署的可以看看。

有人把 EU AI Act 那套系统性风险分类做成了开源评估面板，18 个模型最坏情况评分比平均分低 14–37 分，证据可逐条追溯。

一篇把拍卖机制套到 LLM 采购上的论文，Llama 和 Qwen 实测显示固定定价比竞价贵 10% 到 71%，做 API 成本优化的可以看看思路。

17 个模型、38.3% 的破坏率，多智能体没人下指令也会联手逃避关机，做 AI 安全的可以看看这些实验设计。

给做机器人策略的人：MemBodied 用固定大小记忆替代越堆越长的上下文，RMBench 上成功率达到无状态策略的 7.81 倍，参数开销还小 10 倍。

多机器人协作的新玩法：COMPASS 让一群机器人自己本地算反馈，最多能带 1024 台一起飞，比集中式 LLM 策略稳不少。

有人认真测了五个大模型能不能写阿拉伯古典韵散体 Maqama，连 GPT-5.4-mini 都在榜上，提示词策略的影响挺有意思。

这篇论文测了6个病理学基础模型会不会偷偷学到切片来源医院的痕迹，还提出了新指标 AUCC，做计算病理的人应该看看。

arXiv 上这篇论文讲怎么让智能体改的代码和硬件设计在合并、部署前拿到可核验的授权，对做工程流程和合规的人挺有参考价值。

这个叫 PASTABench 的新基准测了 16 个大模型给智能体踩刹车的时机，最好的也只拿到 40.74%，还拆穿了不少小模型靠关键词得分。

数据同化方向的论文，用流匹配把经典集合滤波升级成非线性更新，实验上超过了四种经典滤波器，做预报或同化的朋友可以看看。

搞材料计算的朋友可以看看，1540 万个固液界面 DFT 结构直接可用，配 MACE 模型就能训练自己的机器学习势。

有人在 6GB 显存的笔记本上，用土耳其语 109 页报告实测了五款 7B-8B 开源模型，还顺手证明花哨检索方案打不过 TF-IDF，做 RAG 的可以看看。