Latest
Developers using LLMs in safety-critical applications can implement SRD-GUARD to detect concealed harmful intent while minimizing false positives compared to existing defenses.
The findings show that DeepSeek-V4-Flash uses only part of its four-stream capacity, with early mixing being crucial and late mixing providing minimal benefit.
KC-Bench provides developers with a reproducible diagnostic tool to improve conflict-aware reasoning in AI agents.
The method significantly boosts performance on long-context reasoning tasks without changing transformer architecture, benefiting developers working with complex document analysis.
The fusion model improves diagnostic accuracy while preserving evidence trails, crucial for rare diseases where misdiagnosis can have severe consequences.
HoH achieves 52-83% performance gains over existing coding agents, potentially accelerating software development across ASEAN's growing tech sector.
Token count fingerprinting works for identifying shared tokenization stacks but fails as a standalone test for model-family lineage, affecting API service differentiation.
This method improves code reasoning accuracy in large repositories without expensive pre-training or maintenance burden.
JIT-Agent improves performance across multiple model families including DeepSeek V4 and Qwen3.6, offering a scalable alternative to manual harness design.
研究揭示了自进化的编码智能体中的自毒化问题，并提出了counter-prompt防御措施，有效降低了恶意技能的传播。对于关注AI安全和智能体研究的读者来说，这是一篇不容错过的论文。
研究ISAC框架，了解如何利用问题信息提升LLM生成提交信息的效果，与现有方法相比有显著提升。
这篇论文提出了一个评估LLM智能体在金融合规中规则归因的新方法，值得一读。它通过实验展示了规则指导如何减少违规行为，并强调了监控的重要性。
StateM 不改模型权重，光靠升级执行系统就把 GPT-5.6 在终端测试的准确率拉到 95.3%，成本只要 15 美元，值得看看它的思路。
长任务乱？HyMem分层隔离上下文，用DeepSeek-V4在GAIA上比最强基线高6.1个百分点。
EvoX Genesis 用持久项目代替持久智能体，DeepSeek V4 Flash 花 44 美元写了能过测试的 C 编译器，MESA 提速 6.87 倍。
想低成本搞大型软件项目？EvoX Genesis 用 44 美元让 AI 写了 25 万行编译器，换人也不掉链子，值得看看。
想知道中国大模型是不是都一个样？这篇论文用囚徒困境测了DeepSeek、Qwen、Kimi和GLM，发现它们合作倾向差别挺大，别再把它们当铁板一块了。
这篇论文把PTQTP量化器约束成九级格式，在DeepSeek-V4上做到和官方API几乎一样准，还快6.7%、文件小9%，适合搞MoE推理优化的朋友看。
想看看AI能不能识破谎言？这篇论文用4个模型做了近4万次测试，结论是准确率跟人差不多，但不同理论引导下AI的倾向差异很大。
SGLang团队搞的FlashBoot，把大模型权重加载从20秒压到0.4秒，跨节点复制只要10毫秒。跑DeepSeek-V4系列，NVL72上实测数据，做弹性部署的值得看。
想用冻结模型提升agent性能？HSI让模型自己改写执行脚手架，在BabyAI等任务上涨了39个点，代码已开源，值得一看。
做长期记忆的智能体开发者可以看看，SodaMem用图结构加证据链，在LongMemEval-S上准确率92.8%，成本还低，比普通RAG日记靠谱。
PMCoder把规划和记忆绑在一起，SWE-bench Verified上多解25个issue，换Claude或DeepSeek也有效，思路挺巧。
IB-RL让对话双方独立对练，不靠固定对手。车销任务89.6% vs 基线84.6%，还胜过DeepSeek V4 Pro。
开源模型Fisher-R1专治假设检验，比GPT-5.4和DeepSeek-V4-Pro都强，最难任务能提26%，搞数据分析的可以看看。
EnvACE 让模型自己脑补环境的反馈，省去搭建外部模拟器，四个基准上还赢了。想低成本练智能体的可以看看。
这篇论文测了语言模型会不会按给定的模态逻辑规则推理，DeepSeek V4 Flash开推理模式后从4.4%直接飙到88.1%，反差很大，可以看看。
用LLM预测足球比分？论文把Dixon-Coles和LLM结合成可审计管道，英超前150场Top-3精确率从26.7%提到30.7%，还说了哪里没用。
想解决城市服务碎片化问题？这个框架把LLM和代码、API、MCP接起来，跑通跨系统任务，成功率比最强基线高10个点。
修Lean证明蓝图？这个接口用类型化编辑，比源码补丁省30%、比重写省一半，1万token内就顶到上限。