Latest
一篇把强化学习和扩散模型结合做降水预报的论文，叫 FitzRoy，能预报极端暴雨还不会像传统 ML 那样把结果画糊，做气象 AI 的可以看看。
中医多模态诊断的合成评测论文，把主动提问和客观证据分开测，连成本和失效边界都做了消融，做诊断类 Agent 的可以参考它的评测设计。
这篇论文把 Muon、Shampoo 这类优化器背后的非欧氏几何做了严格理论化，还给出半异步分布式版本的时间复杂度分析，做优化理论研究的话很值得细看。
有人在没神经加速器的 ESP32-P4 芯片上跑通了 65.7M 参数的流式语音识别，权重压到 26.65 MB，还开源了引擎和固件，玩嵌入式的朋友可以看看。
论文提出 ASD，用模型自己的安全行为蒸馏给被攻击时的自己，连注入合规开头都能恢复拒答，比现有防御的攻击成功率更低。
一篇医疗推理的论文：把临床指南拆成多条决策流当奖励信号，Qwen3-14B 上 MedGUIDE 准确率涨了 3.3 分，做医疗 AI 的可以看看。
一篇把判别式决策模型搬到卫星通信上的论文，单次前向 90 毫秒出决策，准确率还比生成式基线高出一大截，做边缘部署的可以看看。
做 3D 视觉或体数据建模的可以看看：这篇指出了 packed attention 学到内存布局而非几何的坑，PACK3D 用真实坐标的轴向 RoPE 解决，还有 Triton 实现，65k token 下速度和窗口注意力一样快。
做了个叫 DeoGen 的工具，能把政策规则自动变成推理测试题。测出前沿模型该拒答时只有 22-40% 答对，这个盲区挺扎眼的。
如果你平时用 Claude Code 或 OpenCode 写代码，这篇值得花十分钟：一次 PR 改个 CLAUDE.md 就可能让你的智能体悄悄写出有漏洞的代码。
The key insight is that KV blocks are write-once and immutable, so caching hierarchies designed for general workloads actively hurt LLM serving — placing blocks on their final medium at creation outperforms migration-based designs. Engineers building or tuning inference infrastructure should evaluate flat layouts and GPUDirect Storage paths against Mooncake-style tiers, especially for agentic sessions with multi-gigabyte prefixes. The benchmark comparisons against Mooncake and Mooncake-GDS provide concrete baselines for such evaluations.
The KL gradient-recovery trick recovers exact KL divergence gradients from cross-entropy gradients without vocabulary-sized logit matrices, staying compatible with standard fused kernels — a practical detail most MTP implementations overlook. Teams pre-training models with MTP, including DeepSeek-style architectures, can adopt it as a drop-in change with no parameter or throughput cost. The repo offers a direct starting point for replication.
Amazon Science 做了个开源评测场，专门测预测工具质量怎么影响 LLM 智能体谈判，跑了四个主流模型，结论挺反直觉。
研究者把提示词拆成请求和操作两部分分别翻译，发现 Mistral Small 4 换成西班牙语后拒绝率掉了 13.7 个点，Gemini 2.5 Flash 和 DeepSeek 则基本没变化。
论文提出 VulnLens，用 LLM 从 7 个固定视角写安全解释再训练分类器，在 PrimeVul 上 F1 超过 DeepSeek V4 Pro 和 Gemini 2.5 Pro。
The core insight is that deep nonlinear test-time memories no longer have to trade expressiveness for parallelism, since PTTT recovers exact online gradient descent as a fixed point while running chunkwise in parallel. Researchers building subquadratic sequence models should examine the algorithm and benchmarks, since it directly compares against Gated DeltaNet and Mamba-2 at matched model sizes. The paper appears on arXiv as 2610.38255v1.
理论向的新论文：CRW-FTRL 把强腐蚀线性老虎机的遗憾界压到 Õ(d√T+dC)，补上了 Liu et al. 2024 留下的 √d 缺口，做 bandit 理论的值得看。
苹果和英伟达设备都能跑的无损 KV 压缩，内存省 26%、吞吐提 29%，做端侧长上下文推理的值得看看这套编解码思路。
这篇 arXiv 论文教你在分子逆合成搜索里实时嵌入反应验证，Retro190 上可解率提到 71.1%，做药物合成规划的值得看看细节。
做了5625次实验，发现编码Agent几乎总跟着仓库既有代码走，文件放哪、写不写规则结果差很远，管Agent写代码的都该看看。
做视频生成的朋友可以看看这个 MEV 数据集，专门针对一个长镜头里连续多个事件的场景，带时间边界标注，比常见的单事件短片数据集更对口。
研究者用 GPT-4o 给 3 万多条印度虚拟人设做金融建议，发现同样问题换个性别标签答案就大不一样，数据集已开源可复用。
一篇多智能体预测的论文，把时间、季节性、事件等证据拆给不同智能体分别打分再加权，在 Zillow 和 FRED 数据上跑赢了 TimesFM。
训练和评估没有标准答案的任务时，人工写 rubric 很贵，这篇论文给出全自动生成方案，对齐度比现有方法高 9%
这篇文章发现多智能体共识不但不去偏见还会掩盖偏见，5 个模型全中招，但有个不用重训练的修法能砍掉 67-94% 的差距，做医疗 AI 的必看。
攻击者发个帖子就能让你的智能体把别人的偏好记成你的，还会把敏感信息发给攻击者的工具，作者在 5 套记忆系统上验证都成功，做 Agent 记忆的得看看。
把需求描述直接变成能用 ngspice 跑通的 KiCad 电源原理图，仿真通过率从 0 拉到 100，做电源设计的可以看看这套流程。
做工业质检的可以看看：新数据集 Bottle-SKU 有 48 种瓶型 2 万多标注框，ProDMM 思路能应对不同 SKU 外观差异，方法细节都在论文里。
拿 12 个 GPT、Claude、Gemini 模型考手写 Benders 分解和列生成求解器，考题是 81 个实例，结果发现只看输出根本查不出代码里的猫腻，反思式纠错能多救回四分之一的失败。
一个不用微调就能做完 IMO 2026 全部形式化题的 Lean 证明系统，还顺手造了个更难的真实代码验证基准 Aegis，做形式化验证的可以看看。
一篇挺巧的论文：让 EEG 基础模型不重训就能跑 EMG 和 ECG 任务，靠 MLP 预测哪条迁移桥增益最大，FOG 上比单选桥高 11 个多点。
做 Agent 技能（Agent Skills）开发的朋友可以看这篇，9 个维度评估技能质量，还能免执行预测评分，省 token 又省时间。
Only the latest 2000 items are listed; for older ones see the daily archive