推荐理由：一个靠强化学习微调VLA在叠衣服任务上拿第一的方案，工程细节丰富，从训练到部署都有具体做法。

推荐理由：这篇论文的TOPS方法能在剪掉近八成视觉token的同时保持甚至提升模型性能，很实用。

推荐理由：这篇论文搞了个新基准 OpenRCA 2.0，用 PAVE 协议给每一步因果关系打标签，发现 LLM 猜对根因容易，但连对因果路径很难——这比只看结果靠谱多了。

推荐理由：这篇论文给自回归图像生成的安全问题提供了一个不需要人工标注的自我改进方案，用模型自己判断不安全图片然后修复码本，很实用。

推荐理由：这篇论文用LLM给老人建了个能聊天的数字分身，在I-CONECT数据上比普通GPT更准地模拟真实对话和预测认知评分，可能帮助早发现轻度认知障碍。

推荐理由：这篇论文分析了59款AI医疗聊天机器人的1.5万条用户评论，告诉你最常见的故障在哪里，尤其是隐私和安全问题最影响体验。做医疗AI的值得看看。

推荐理由：想知道你的简历能不能骗过AI筛选？这篇论文用数据告诉你提示注入在什么时候有效、什么时候没用，还能看出公平隐患，做招聘和求职的都该看看。

推荐理由：这篇论文用COVID-19数据实测，SBI比MCMC快几十倍，精度不输，适合需要快速迭代的流行病学建模场景。

推荐理由：EO-WM能更准确地预测植被在极端天气下的变化，NDVI误差降了5.63%，比现有模型更靠谱。

推荐理由：E-TTS团队搞了个新框架，不用重新训练就把机器人操作成功率在模拟中提33%，真实场景提26%，挺实用的。

推荐理由：他们搞了个新架构，让机器人能自己协调API、物联网和物理动作，干活出错还能自己恢复，20个任务里成功率都比之前高，而且省钱省token。

推荐理由：这篇论文用硬数据告诉你，AI脱衣已经从搞名人变成搞普通人了，而且Stable Diffusion和Wan是主要生产工具，4chan社区里几百条的高产作者在推波助澜。

推荐理由：这篇论文给出了分析对话的实用框架，在9个数据集上测试过，特别点出元认知调节对协作深度的重要性。

推荐理由：这篇论文用DanceOPD把T2I、局部编辑和全局编辑统一到一个模型里，解决了相互干扰的问题，效果显著提升。

推荐理由：论文介绍RiVER，用强化学习训练模型解决无标准答案的得分优化问题，还能顺带提升常规编程基准，实用思路值得一看。

推荐理由：想了解分子模拟新方法？这篇论文提出的 ArBG 用自回归替代流模型，在 Chignolin 等体系上效果更好，还开源了 1.32 亿参数的 Robin 模型。

推荐理由：论文搞清楚了啥时候模型觉得对就真的对。它告诉你别光看概率，同一问题重复问，概率高不一定准，做解码或自一致性时可参考。

推荐理由：想用神经网络高效求解偏微分方程？ENS从残差输入中学迭代修正，比传统混合方法快10倍，还能零样本跨方程迁移。

推荐理由：BEACON在低资源实体匹配上表现不错，但你知道它为啥管用吗？这篇论文给你答案。

推荐理由：这篇让7B小模型在GUI任务规划上超过32B大模型，还分析了不同层级任务泛化的差异，很实用。

推荐理由：这篇论文用具体数据和实验证明世界模型的幻觉本质是数据覆盖问题，还给出了实用的检测和缓解方法。

推荐理由：这篇论文给Top-k稀疏自编码器加了两种正则化方法，能让模型更可解释而且重构质量不降，值得做可解释性的人看看。

推荐理由：这篇论文把梯度均衡、Blackwell可逼近性和遗憾最小化这几个在线学习的关键框架串起来了，证明它们本质等价，对理解在线优化底层逻辑很有帮助。

推荐理由：这篇论文用轻量仿真数据预训练CAE再迁移到小样本实验数据，做到了损伤定位R²>0.93、尺寸R²>0.99，比CNN方案准很多，很值结构健康监测方向的人看看。

推荐理由：这篇论文给出了学习半空间截断高斯分布的最优算法，样本和时间复杂度都达到理论下界，而且避开了繁琐的随机梯度下降，值得了解。

推荐理由：模拟硬件跑生成模型能耗低两数量级，AIS框架在MNIST上FID仅27.6，比之前好3-4倍，适合低功耗场景。

推荐理由：这篇论文揭示了奖励信号设计比选优化器更重要，GRPO容易作弊，加个规则防御就能让质量跳升14.7%点。

推荐理由：这篇论文把OpenAI在单位距离上的方法用到组合几何里，直接造出上亿量级的全等图形副本，还解决了Brass和Pach的老问题，数学迷别错过。

推荐理由：这篇论文告诉你为什么堆模型不一定管用——关键是所有模型一起错的概率。67个模型测下来，数学题上这个比例5.2%，代码题7.9%，比你想象的高。别盲目加模型了，先看看共失败率。

推荐理由：这篇论文给了你从数据识别ODE的理论底线，告诉你最少需要多少观测才能唯一确定方程，做科学机器学习的必读。

推荐理由：这篇论文发现，调好预处理参数，线性模型就能干翻Transformer等复杂模型，不用堆算力。

推荐理由：新数据集 BetXplain 专治社交媒体上的忽悠型赌博广告，带人工解释，能帮你研究怎么自动识别这种坏广告。

推荐理由：Ribbon用一种巧妙的线性化技巧，让你不用反复训练就能估算模型的不确定性，而且结果和更复杂的bootstrap差不多。

推荐理由：想了解AI如何从人际关系中识别心理健康问题？这篇论文用Reddit数据建了专门基准，挺实在。

推荐理由：这篇论文提出了InfoKV，用信息熵改进KV缓存压缩，在Llama-3.1和DeepSeek-R1上比传统注意力方法效果更好，适合关注长推理效率的人。

推荐理由：DeepSeek-V4新出的HyperDFlash框架，用门控缩减和蒸馏让推测解码提速，比MTP和DFlash都厉害。

推荐理由：这篇论文提出了JERP，让LLM智能体边干活边总结经验规则，在AlfWorld和WebShop上效果明显。

推荐理由：这篇论文提出了NTU框架，能让小代码训练的知识加速大解码器，在几类量子纠错码上都比现有方法好。

推荐理由：这篇论文展示了LLM在维和任务威胁评估中的实际应用，与人类判断高度一致，实用性强。