Latest

42位物理学家出题考AI做完整科研，22个模型没一个能及格，具体差在哪篇里分析得很清楚，做智能体评测的值得看。

不用遮挡标注、不用训练，靠高度和深度两个估计打架就能判断行人被挡住，KITTI 上 AUC 0.909，做自动驾驶感知的可以看看。

一篇用 754 个美国职业数据算 AI 曝露度与工作条件关系的论文，结论有点反直觉：越可能被 AI 影响的工作条件越差，适合关心就业的研究者看看。

通信方向的朋友可以看看：把神经网络接进置信传播解码器，误码率比 BP 和现有神经解码器都低，还给了两个训练技巧。

让智能体每轮先出 N 个候选动作再挑一个，实测准确率提升 5-10%，做 Agent 的可以看看这套推理时扩展思路。

这篇论文让 6 个编码智能体比赛压缩模型，36 次提交里 29 次跑通，看看它们怎么做到 3.4% 困惑度差距的。

这篇论文挺有意思：让 Claude Sonnet 5.5 这类编码智能体去自己写推理服务系统，成绩做到 vLLM 的 4.87 倍，还附带基准复现方法。

评测智能体跑一遍基准太烧钱？这篇论文用 LLM 摘要轨迹来预测分数，SWE-bench 上误差从 0.13 降到 0.08，只跑一个任务就能估分。

一篇很硬核的智能体架构论文：把路由和执行拆开，Qwen 3.8 的分割路由从 6.2% 拉到 75%，做科学图像自动化的值得看看思路。

多轮改图容易越改越跑偏，TailSteer 只在去噪末端做修正，FLUX、Qwen 上验证有效，做图像编辑的可以看看这篇。

让视频模型不光画得像，还能推理野兽出现后人会逃跑还是躲起来，这篇论文给了配套数据集和基准，做世界模拟方向的可以看看。

一组研究者把真实用户和编程智能体的交互记录变成可复用的评测集，19 个配置平均涨了 10 个点，评测和改进方法都能参考。

做 LLM 社会仿真的人看看，这篇给了套可复用的上下文增强规则和验证标准，还实测了两个模型的表现差异。

这篇论文拿 10 个学习方法对比 5 个经典方法，结论挺反直觉：很多场景下经典方法照样赢。做流场重建或物理仿真的朋友值得看看选型表。

Apple 教机器人只在虚拟家里练，搬到真实房间还能 360 次测试拿 91% 成功率，做法挺新鲜。

机器人版通用模型怎么在部署后越用越强？这篇论文给出了 RL 改进的具体配方，讲清了哪些设计选择决定泛化效果。

一篇评估方法的论文，专治动物识别模型靠背景“作弊”的问题，还开源了 34 个数据集的 50 万掩码，做野生动物识别的可以拿来测自己的模型。

如果你在做向量检索或嵌入压缩，这篇直接给答案：int8 基本无损、二值量化别用、降维一次没事两次翻车，还有 32 倍存储压缩的可行组合。

一篇教 computer-use 智能体扔掉 80% 截图 token 的论文，训练 2000 步就追平原模型，推理还便宜 3.3 倍，做 agent 的可以看看

做可解释性审计的朋友看这篇：同一解释在不同忠实度指标下结论打架，论文给了一套框架帮你定位分歧出在哪，还有 adverse action notices 的实际案例拆解。

用 SD3.5 或 FLUX 画一堆物体总画不对数量？这篇把原因拆到了噪声层面，还给出了能画对数字的输入方法。

用读上下文的激活就能预测模型答案阶段的激活，跨 Qwen2.5 到 Gemma 4 都能迁移，做可解释性或行为预测的可以看看这篇。

这篇论文说现在的 AI 都在讨好你单次对话，长期可能让人变懒变依赖，作者给了个长期对齐的框架，做对齐和产品的人可以看看。

教 AI 编程助手直接写 FPGA 设计的论文，还公开了时序收敛和部署细节，做硬件加速的可以看看。

量子纠错码搜索太烧算力，这篇用 GFlowNet 学着只提好码，找到的高分码是老方法的两倍多，搞量子码的可以看看。

搞材料或显微图像回归的可以看看：用遗传算法自动找最优空间分区，比手工拍 patch 大小靠谱，SHAP 还能告诉你哪些区域真正有用。

ConDR 修了 DeepReach 会把危险状态漏判成安全的毛病，在 Air3D、四旋翼这些基准上碰撞率最低，做安全控制可以看看。

MIT 那帮人做了个 SARBLOH，只加了个感知模块就在 Kaggle 评测拿到首个冠军 13.7 倍的分数，思路很值得琢磨。

一篇用手机摄像头替代动捕服的论文，接 GPT-4o 和 MCP 给 HIIT 动作打分，跟教练评估一致率 87.5%，做法挺有意思。

一篇 arXiv 新论文 ArcRAG，检索不绑定建图方式，在 MuSiQue、HotpotQA、TriviaQA 上换图构建照样能用，做 GraphRAG 的可以看看。

做微流控或仿真代理模型的朋友可以看看，用集成不确定性找关键区域补数据，液滴直径预测误差0-3%的比例接近翻倍。

论文团队做了个 1,115 页的基准，专门测模型能不能把文档还原成可用的 HTML，比 Markdown 更看重布局，做文档解析的可以看看。

给长程智能体做上下文压缩的论文，训练一次就能即插即用，DeepSearchQA 和 SWE-bench 上省七成多推理成本，几乎不掉分。

一个不用训练的 agent 框架，让机器人主动找证据回答问题，在 ESI-Bench 上用 Qwen3-VL-32B 提了 7 个点还省 token。

把神经科学的闭环刺激思路搬到 LLM 引导上，用 H∞ 控制器在分布外场景下稳住模型行为，思路挺新。

多智能体系统一挂就崩的问题有解了：MA-Mesh 让 Agent 能互相评估表现，挂了还能自动换角色顶上，做 Agent 开发的可以看看。

一篇讲法律检索 Agent 怎么自己变强的论文，用 rubric 迭代做 RL，比固定规则效果好，做法律 AI 或 Agent 训练的可以看看

把长上下文压缩后模型可能更容易回答不该答的问题，这篇给出机制解释和一个不用重训练的修复方法，做 RAG 或长文本系统的人该看看。