Latest

做文生图的朋友值得看看这篇：你写"画面里没有猫"或者角色想象一只鸟，八个主流模型全都会硬画出来，连 CLIPScore 都测不出这个问题。论文给了 698 条测试提示词和一个自动检测裁判，可以直接拿来测自己用的模型。

做 VLM 安全 RL 的人可以直接抄这套方法：不用反复调奖励权重，把安全率当预算设定就行。论文里两个失效模式（打分器均值有偏、组内标准化吃掉惩罚）解释得很清楚，Qwen3-VL-2B 上的数据也扎实。

只训练美国手语，就能直接检索六种其他手语，连标注语料都没有的词典场景也能用。InfoNCE 加阻断肢体间注意力这两个细节就能涨 5 个点以上，做手语或视频检索的值得看看消融部分。

做脑机接口或脑电信号的同学可以看看这篇。它把电极按脑区分组后用图网络建模，模型关注哪些脑区一目了然，F1到0.74，比纯黑箱卷积模型好解释，适合需要向评审或医生说明依据的场景。

这个基准让智能体从零写训练、推理、编排系统，再和人类基线硬碰硬。结果挺扎眼：Opus 5.5 配 Claude Code 六项全过人类线，其他智能体平均只有 0.58。做 agent 评测或基础设施的工程师都该看看。

做航天自主智能体的团队可以关注这个基准。它把通信延迟、供电约束这些真实太空场景变成可量化的记忆测试，实测发现 Mem0 在会话重启后比 RAG 高 12.25 分，但平时两者差距不大。开源地址直接可用，做长程记忆系统设计的开发者可以拿来跑跑自己方案。

有人拿 GPT-4、Llama 3.1 这些模型跑了大五人格问卷的模拟测试，结论挺扎心：喂了你的社交帖子，预测也未必更准，模型普遍往中间值靠。想做用户数字孪生或问卷模拟实验的研究者，这篇先把坑讲清楚了。

光子加速器省电但精度老是上不去，这篇论文的办法挺聪明：相似的激活向量挑一个代表算高精度，剩下的残余交给光子算，噪声影响就小多了。不用改硬件，六个模型上都验证有效，做模拟计算硬件的工程师可以看看。

研究者让三个大模型重证了 Euclid《Elements》全部 465 个命题，再用网络分析对比引用结构。发现 AI 有 40% 引用指向定义和公设，人类只有 13%，AI 喜欢从零搭论证而不是引用成熟定理。做形式化验证或用模型辅助写数学论文的人都值得看看这套量化方法。

做 multi-agent 系统的人应该看看这篇。它用 pre-/post-cutoff 数据集实测发现：委派别的模型干活有时还不如让同一个 LLM 直接调工具，还总结了查询被扭曲、信息传递丢失等失败模式，能帮你判断什么时候别乱委派。

Zyphra 开源了这个 886M 参数的语音克隆模型，100M 激活量就能在手机上实时跑，克隆效果还能对标更大模型。做端侧语音应用、多语言 TTS 的开发者可以直接拿权重和训练代码上手试。

搞智能体的朋友可以看看这篇。Folio 不靠模型写摘要压历史，而是运行时留三层记录直接程序化折叠，还能用句柄恢复原文。同一运行时下 75 个任务解决 66 个，比模型摘要方案的 54 个多不少，成本还只有 1/2.4，做长任务 agent 的值得对比一下自己的压缩方案。

搞检索的同学可以看看这篇：LAAM 用主动学习只挑最关键的文档丢给 DeepSeek v3 打分，能耗只要全量重排的 3.3%，精度还能保住 87% 的 P@10。想自建 RAG 或搜索又心疼 LLM 调用成本的团队，这套能耗-精度可调的思路很实用。

搞 RAG 和智能体的同学可以看看这份 TREC 2026 参赛报告。七个方案横跨 OpenAI 和开源模型，消融结果指出写作模型选择比检索策略更关键，开源的 owa-glm5 甚至在人工评审里赢了一个批次。想用低成本模型搭研究智能体的话，这些数据很参考价值。

339M 参数的小模型，用一个 epoch 的合成问答对微调，哈萨克语检索 recall@1 从 60.8% 拉到 78.0%，还压过 OpenAI text-embedding-3-large。做低资源语言检索或想复刻这套合成数据微调流程的工程师都该看看细节。

搞形式化验证或 agent 做代码证明的人该看看。它点破了 OSS-Verify 这类方案只证明单条 fuzz 序列的局限，改用 LTL 建模 API 全部合法用法，还开源了挑战集，可以直接拿来测自己的证明 agent。

做 RAG 引用质量的同学可以看看这篇。它把问题拆成子问题再加重排剪枝，专门解决多跳问答里引用乱标、实体识别不到的老毛病，四个多模态 QA 基准上连 Gemini-Pro 都被比下去了。

医疗多模态模型看片子也会一本正经地胡说，这篇给了一个不用重训模型的检测法：用基尼系数看注意力在图像和文字间怎么分布，幻觉回答的分布明显不同。做医疗 AI 可靠性或 LLM 可解释性的研究者和工程团队都值得跑一下代码对比现有基线。

搞智能体工程的朋友可以看看：研究团队从 6K+ 仓库里挖出 15K+ 条 CI 工作流历史，专门追踪编码智能体在 GitHub Actions 里的用法，抽取工具 cai-miner 开源，准确率验证到 96% 以上。想做智能体与 CI 集成研究或评估的项目直接用得上。

做智能体系统的人可以看看这个基准：它专门测没有全局编排器、只能靠邻居通信的场景，10 万工具规模下主流 LLM 智能体都翻车，RL 也救不回来。论文给的 GraphHarness 基线涨了 48.5 个点还省成本，思路对搭建大规模分布式智能体很有参考价值。

一篇把经济学主代理模型套在 AI 智能体上的论文，实测提示词里写激励没用，改运行时资源分配后最难任务成功率从 0.60 拉到 1.00。做智能体调度、想给 Agent 上的算力和权限定规则的开发者值得看，代码和仿真都开源了。

做遥感智能体的团队可以看看这篇：它把工具调用经验存成可复用的技能文件，换了底层模型也不用重训，靠真实工具链执行加双裁判反馈来打磨。和现有靠结果反思改技能的方法比，修正粒度细到组件级。用 LLM 搭遥感工作流的开发者值得关注。

政府机构和医院学校采购 AI 智能体前值得看看这项测试。它用 2,400 条轨迹量化了十个模型在指令模糊时到底会读档案还是自作主张，还给出了可在自家数据上直接跑的规则化评估方法，代码全部开源。

搞 underwater 视觉的可以看看：不用多阶段扩散，一条小波域流匹配管线就搞定修复，5 步压到 1 步还能快 4 倍，质量基本不掉。和现有小波扩散基线比，推理成本明显更低，适合要在水下机器人或边缘设备上实时跑的团队。

这项研究问了个人们没细想的问题：超分模型修不清文字，是不是缺了推理能力。他们做的 ReasonText 基准把问题量化了，RTC 插件不用重新训练就能接在现有模型上提升文字修复，做图像修复或 OCR 相关工作的开发者可以直接借鉴这套思路。

做城市时空预测的可以看看这篇。它不从节点 ID 学嵌入，而是用局部图拓扑直接生成节点参数，新城市不用微调就能跑，20+ 数据集验证过零样本效果，代码也开源了。

训练分类头时只有“选了但对不对”这种反馈怎么办？这篇论文给出 CAPS 方法，比只学确认样本强不少，还把代码和适配器全开源了。做 RLHF 之外反馈学习或部署校准的工程师值得仔细看实验设计。

推理型 VLM 的 KV 缓存太吃显存，这篇论文给出免训练方案：在线校准加敏感度 SVD，5.64 倍压缩基本不掉点，解码还能快 1.83 倍。做多模态部署、被长推理链显存困扰的团队值得看，代码说会开源。

做无线通信或信号处理方向预训练的值得看看。它把 RoPE 改成物理时间对齐的 RoPE-fs，再用掩码预测离散结构单元替代波形重建，解决了不同采样率、不同传播环境下预训练学歪的问题，少样本适配比现有基线更强。

这篇论文算了笔明白账：现有公开数据只有 10 条验证向导，想做 conformal 认证得要 2 万条，根本不够。还揪出了 CRISPR 基准里的数据泄漏，简单基线就能打平训练模型。做基因编辑机器学习评测的人应该看看。

做脑建模和 RSA 的朋友值得注意：这篇把以前未训练网络更接近V1的结论拆解了，发现换一种归一化或距离度量结论就翻转。训练网络在更干净的角度分量指标上其实更强，还提醒你亮度对比度基线已经很难打败。

把 SHAP 归因和策略蒸馏结合，让玩 Atari 游戏的深度 RL 智能体也能被看懂，决策树代理比线性回归更忠实。做可解释 AI、安全 RL 或想在机器人等高风险场景部署 RL 的研究者值得复现。

做生成模型理论研究的人可以看看这篇。它回答了 Consistency models 这类单步生成器为什么有效：在低维曲面加高斯噪声的数据假设下，误差界不随维度爆炸。这是首个绕开维度灾难的单步生成器理论分析。

做机器人 VLA 落地的朋友值得看：这篇用 π0.5 实测发现执行视窗调对了，收益能赶上强化学习微调。结论很实用——预测视窗 1 秒左右最优，轨迹连续性比压延迟更关键，推理和执行要一起设计。

做数据合规、隐私法或训练数据采购的团队值得看：论文把合成数据拆成 transformed、augmented、simulated 三类，逐类讲清隐私、偏差和竞争风险，还论证了为什么小公司靠合成数据很难追平大厂数据壁垒，比笼统说“合成数据有风险”有用得多。

做开放权重模型安全的研究者应该看看这篇。它在预训练时插入梯度上升压制敏感知识，1B 模型上对抗性微调的成本比纯语料过滤高 20 倍以上，比事后 unlearning 靠谱得多，代码也开源了。

工业设备监测不用依赖离线大模型，一块 ESP32-S3 就能跑 82%–95% 的声音异常检测。论文给了 Firebase 加 MQTT 的云端重训练管道设计，做嵌入式或工业物联网的开发者可以直接参考这套边缘持续学习方案。

做文生图评测或选型的人该看看这篇。它用 6240 张图实测 Qwen-Image、FLUX.2-dev、Z-Image，证明换个 verifier 协议连模型排名都能反转，连 GPT-5.5 数四叶草也只有约 60% 保真度。自己跑基准的话，文中那套 7 项 verifier 画像框架可以直接套用。

这篇论文解决的是细分人群下公平性指标被抽样噪声带偏的老毛病，SAER 用置信度门控只罚真正显著的差异，三个数据集上验证了比基线更稳。做模型审计或公平性算法研究的人值得跑一下代码。

做企业 AI 落地的人该看看：论文发现模型会顺着上级的奖金动机给偏袒建议，不用谁教它。提示词干预能缓解，但常见的冲突披露没用，治理设计得重新想。