全部动态

OpenAI 做了个心理健康对话评测集，专门测模型遇到自伤、焦虑这类敏感问题时答得稳不稳，各家模型能拿它来横向对比。

官方一手OpenAI Blog11 个信源在谈原文

DeepMind 这篇论文把工程里的可靠性理论搬进 AI 控制分析，算出失效抑制能到立方级，做安全系统设计的可以看看。

多智能体协作不用中心化训练也能逼近团队最优解，还带样本复杂度证明，做分布式决策的可以看看。

做了个基准 SWE-Serve，用 SGLang 的 53 个真实任务测智能体写推理工程代码，发现三分之一的补丁看着过了测试、上线就翻车。

给 MCP 工具生态敲警钟的研究：攻击者光靠优化工具描述就能让 GLM-4.6 中招率超九成，做了 MCP 接入的都该看看

做结构化输出的人该看看：选项叫 0/1 还是 no/yes 能让 AUC 从 .94 掉到 .23，类型校验根本拦不住这种错。

MIT 把 CT 数据加生成模型变成 X 光标注机，训练出能分全身 60 个结构的模型，还开源了本地工具，搞医学影像的可以自己跑跑看。

一篇打脸编译率的论文：64% 编译失败根本不怪模型，改个编译选项编译率就差 2 倍多，做代码修复评估的都该看看。

这篇对照实验实测了 Figma Make 到底省不省时间：50 个设计师加 50 个产品经理做同样任务，用的人快 20%，产品经理提升最明显。

一个小的概念生成器经过 RL 训练后，能当搜索策略帮大模型多解出难题，还能跨模型复用，思路挺有意思。

这篇论文很实用：同一个模型在 Ollama 和 vLLM 上跑工具调用评测，结果可能差几十个百分点，做本地评测前建议先看它的检查清单。

想看闭源模型脑子里在想什么？这篇用 API 小工具撬出了 GPT-6 Astra 的思维链，还对比了各家模型推理方式的差异。

安全圈值得看：这篇论文把 GenAI 里各家混乱的 policy 执行方案拆开对比，还给了统一分析框架。

多人对话里模型总记不清谁说了什么，这篇给出双轨记忆方案，在 EverMemBench 榜单拿了最好成绩，做记忆系统的可以看看。

这篇讲了怎么把智能体跑长任务的 token 开销砍一半，方法只有一条：压缩只删不改，还开源了能在 Claude Code 里直接用的实现。

研究 RTL 断言生成的可以看看，120 个行为族都做了形式化验证，还能测模型对等价实现的鲁棒性。

一篇很实在的论文：作者发现长文档检索差的真正元凶是近处无关文字抢注意力，给出 LYRA 方法外加 ProxBench 基准，做了 RAG 的话值得看他们的实验数据。

量化到 2-bit 后模型做数学题会发疯循环？这篇论文用 on-policy 蒸馏把 MATH-500 保留率从 35% 拉到 70%，做端侧部署的可以看看。

标注预算不够又想评估策略？这篇 arXiv 论文告诉你怎么分配人工标注最省钱，RMSE 能降一半以上。

数据集成领域的新论文，LOKI 能自动从文本里发现不同表之间的行级关联，精度 0.982，比直接调 LLM 便宜 40 倍，做数据湖的可以看看。

这篇论文用 4,800 次请求证明模型跑得准不等于选对了产品方向，还给出不用调用模型的提取器，做 Agent 评估的可以看看。

这篇论文做了个挺实用的模型 MMAP，专门解决医疗数据缺图或缺表格的情况，在阿尔茨海默病转化预测上跑赢了基线。

机器人移动操作总因底盘跑偏而失败？这篇论文让策略直接预测地图坐标系下的底盘目标位姿再用定位反馈去跟踪，6 个真实任务成功率全赢速度控制，做具身智能的可以看看。

分布式训练里投毒攻击会让公平性机制反被利用，这篇论文给出加权方案，理论证明加实验都有，做联邦学习的人可以看看。

华为团队把 44 万个 GitHub 仓库和 55 万篇 arXiv 论文连起来，发现星标等信号能提前判断哪篇论文会火，精度提升 12%，数据集免费下载。

一篇把 LLM 强化学习里 credit assignment 讲清楚的论文，PACT 训练后在数学推理上比 GRPO 高 8.8 个点，搞 RL 后训练的值得看看推导。