推荐理由：这篇论文用真实数据证明了 AI Agent 在知识工作中的巨大价值——效率提升 7 倍、成本降低 94%，做 AI 产品设计或知识管理的人值得仔细看，尤其是 Perplexity 的案例很有参考意义。

推荐理由：做奖励模型或 LLM 评估的团队终于有了一个轻量级替代方案——不用每次生成评分标准，而是合成可复用的评估技能，效果还比传统方法好很多，值得在 RewardBench 上跑一下自己的模型。

推荐理由：做代码生成或LLM推理优化的开发者，EffiSkel直接解决了生成代码跑得慢的痛点——不用等后优化，训练时就注入效率骨架，值得关注其开源实现。

推荐理由：这项研究揭示了提示设计对多词表达分类的关键影响，做自然语言处理尤其是低资源语言语义分析的团队值得关注，直接参考其示例构建策略可提升模型效果。

推荐理由：异配图分类是GNN的长期痛点，LCC用高阶标签连通性解决了这个问题，做图分析或社交网络研究的开发者可以直接参考实验方法。

推荐理由：自动驾驶长上下文处理的计算瓶颈终于有了架构兼容的解决方案——COMPACT-VA 无需修改骨干网络即可压缩令牌，做端到端自动驾驶的团队值得关注其 3.3 倍加速效果。

推荐理由：这个基准直击当前 AI 智能体在研究场景中的短板——不是执行能力不够，而是缺乏研究者的细腻判断。做 AI 评估或智能体开发的团队值得关注，它揭示了提升 AI 研究素养的新方向。

推荐理由：做学术推荐系统或信息检索的团队，终于有了一个能处理每日动态兴趣变化的框架，PaperFlow 的纵向基准和盲评协议可以直接复用。

推荐理由：CLIP用户常遇到图文检索不准的痛点，TEVI用稀疏自编码器精准对齐嵌入，做多模态检索或视觉问答的团队可以直接参考其方法改进模型。

推荐理由：自动驾驶安全工程师和标准制定者终于有了量化可控性的方法——可转移性和可预测性让ISO 26262在L4/L5场景下可落地，做功能安全验证的团队可以直接参考论文中的数学框架来改进测试用例。

推荐理由：做视频理解或 MLLM 研究的同学，这篇综述帮你把碎片化的方法统一到“观看-记忆-推理”框架下，省去自己梳理文献的时间，值得收藏作为 roadmap。

推荐理由：这篇论文揭示了多语言AI评估中的一个关键误区——本地语言表现差可能不是知识缺失，而是语言能力瓶颈。做跨文化NLP或本地化模型的团队，看完会重新理解评测指标。

推荐理由：Socratic-SWE 解决了智能体训练数据依赖人工标注的瓶颈，做 AI 编程或智能体开发的团队可以直接借鉴其闭环进化思路，提升模型在真实仓库中的修复能力。

推荐理由：LLM API调用成本高、选择困难，这篇论文为开发者提供了理论驱动的自适应查询策略，做模型编排或API调度的团队可以直接参考其方法优化成本与效果。

推荐理由：医学影像团队面临标注数据稀缺的痛点，这项研究展示了合成数据如何缓解FCD检测中的标注瓶颈，做神经影像分析或罕见病检测的开发者值得关注其方法。

推荐理由：病理AI团队和计算病理学研究者注意了：MIDOG 2025揭示了当前有丝分裂检测模型在真实世界中的脆弱性，尤其是罕见肿瘤类型和困难区域。如果你的模型只在热点区域表现好，点开看看盲点在哪，以及集成方法如何带来稳定提升。

推荐理由：做可穿戴健康监测或临床PPG分析的团队，可以关注这个用更少数据训练出更强鲁棒性的方法，直接提升在真实场景中的表现。