Latest

四个轻量模型实测了检测和重构拆开还是合并更有效，结论挺反直觉：拆分主要靠门控省开销，真正的瓶颈是漏检。写 GitHub Actions 的 CI 工程师和做 CI 自动化智能体的人都该看看这套评估设计。

17 个主流模型、1386 组配对比较的疼痛管理偏见审计，结论是没测出种族性别差异，但模型自身配置的波动大得惊人。做医疗 AI 评测或关心公平性审计方法的人，这篇的方法论细节很值得抠。

四个模型加九个基准，最大的 API 请求放大到了 93.88 倍，而且任务检查全过、MCP 扫描器全部没报。做 Agent 平台或 SaaS 计费的人应该看看，它指出了一个新风险面：Agent 自己决定何时停止，这个机制本身能被租户拿来刷你的资源。防御思路部分也写得具体。

做 Agent 或工作流的人常纠结：模型错了该改提示词、补代码还是加推理预算？这篇用 36,672 个可精确验证的库存模拟案例给出拆解，还发现强制工具调用接口会让 GPT-5.4 mini、DeepSeek V4 Pro 的推理评估失真，调接口和选模型的人都该看看。

做智能体记忆和长任务训练的可以看看这篇。它没发明新记忆工具，而是把预训练里已有的文件操作技能直接当记忆用，再用异步在线蒸馏把教师的经验迁移过来，增益是最强 OPD 基线的 2.97 倍，还迁移到了 Terminal-Bench 2.1 和 SWE-Bench Pro V2。

训练时偏好数据常有标注噪声，这套方法能在 token 级别识别并压低被污染 token 的影响，而且只加一次前向传播，训练成本几乎不变。做 RLHF 或 DPO 微调的团队可以直接用他们开源的代码试试，和序列级方法比抗噪能力更强。

如果你在玩 KAN 或者函数回归，这个库挺有意思：曲线参数可以直接放进训练循环里一起优化，不用自己写 B 样条求值。作者还拿 EfficientKAN 做了性能对比，什么时候开销大会吃亏都说清楚了，写 PyTorch 自定义层的可以参考实现思路。

训练 RL 模型时奖励只有一个数字，浪费了大量信息。这篇让教师模型自动写提示和策略当脚手架，四类任务全赢过普通 RL 基线，数学只用三分之一步数就超过 QuestA。做后训练的工程团队可以直接参考这套自动化方案。

搞药物发现或计算化学的可以看看这篇：专家靠 3D 工具和物理打分排序分子构象几乎等于瞎猜，而两个 LLM 智能体分别做到 67% 和 74%。用代码生成特征做回归这套路子，比直接让模型推理更有效，开源模型经 GRPO 微调后还能追平闭源模型。

做神经形态或连接组建模的值得细看：同一份 Drosophila 连线数据，调参协议一换，"真实连线更好"能翻转成更差，差距都是 0.09 量级。文章把 P1/P2/P3 三种协议拆得很清楚，还给出 44% alpha'beta' 占比这个反例。想引用"结构决定功能"类论文的人，最好先照这套协议自查一遍。

这个基准把记忆型和权重型学习放进同一条 ARC-AGI 任务流里打分，结论挺扎心：单纯加记忆的 agent harness 还不如缓存演示的笨基线，泛化还是得靠改权重。做长期记忆和智能体框架的人应该看看，它给了可复现的评测管线。

这篇论文把大模型的涌现现象搬到了药物分子层面：只用序列训练的 Bonbon，不做任务监督就能自动学会找结合位点、判断共价与非共价。速度比共折叠快十万倍，湿实验命中率 61.5% 相当扎实。做药物设计或分子机器学习的都该看看。

这个 TimeSeek 把预测、异常检测、分类三个任务塞进了一次预训练里，架构上按领域自适应提取特征，不再只靠堆 Transformer 层。做时间序列的工程师可以对比一下 TimesFM、Chronos 这类单任务模型，看 few-shot 和 zero-shot 成绩是否真能省掉多套模型的维护成本。

做 VLM 推理优化的开发者可以看看这篇。它不训模型，靠按问题选裁剪还是压缩来省算力，FLOPs 省三成多、精度只掉不到 1%，RTX 3090 就能复现，比单纯砍视觉 token 上限更细。

做 RLHF 或 GRPO 训练的工程师应该看看这篇。它用理论解释了一个常见现象：为什么训练到后期最优响应概率会掉到接近零，以及为什么定期重置 KL 参考点能救回来。连 Kimi 用的训练算法都被纳入了收敛证明。

搞模型评估的人常纠结选几折，这篇论文直接证明了 K-fold 一阶方差最优、且一阶方差与 K 无关，leave-one-out 在合理条件下方差最小。做交叉验证置信区间或审稿判断方法学时可以直接引用这套结论。

用预训练表格模型 TabPFN 预测含能材料的撞击感度、分解温度和晶体密度，不调参就赢了 XGBoost、随机森林和 Chemprop，还快一个数量级。做材料性质建模或者被调参折磨的可以看看，思路在其它小数据集上也能借鉴。

一个模型同时出视频、深度和相机位姿，靠分模态噪声设计把生成和预测合成一件事。做 3D、视频生成或具身的开发者值得看看，稀疏观测下的几何预测成绩比拆开来的基线都强。

做时空预测或环境传感数据分析的人可以看看这篇。标准 Neural Processes 假设输入干净，DnNP 用变分推理把传感器噪声直接建进模型，PM2.5 插值上 RMSE 降 30%、NLL 降 73%，还给了理论保证，比简单加平滑滤波更有依据。

CLAP、MuQ 这些音频模型的嵌入是纠缠在一起的，这篇论文证明加一层很小的可训练门控就能把属性拆开，检索效果还顺带提升。做音乐检索或者想精细控制属性的工程师可以看看实现细节，不用重训骨干，成本很低。

做医学影像的人该看看这篇：他们拿 DINOv2 和 U-Net 在三种影像上正面对比，还测了跨医院的外部数据，结论很实在——院内任务用老方法就行，要跨机构部署再上基础模型。顺手还揪出一个测试集数据重复的问题。

医学影像检测一直被数据标注不一致卡着，这篇把 EM-DETR 扩成多数据集基础模型，胸片 AUC 涨了 1 个点，mAP50 比单数据集高 2-3 个点。做医学 AI 的研究者可以看看 student-teacher 那套融合异构标签的思路。

做科学发现智能体的开发者该看看这篇：智能体跑完实验只会说"假设被拒绝了"，却答不出哪个解释成立，论文用对比集把 73% 的拒绝转成了明确答案，同等预算下多解决 67% 的问题。改动只在假设的提出单元上，现有智能体框架可以直接套用。

做智能体评估的同学该看看这篇。它用同一批 trace 实测了三种评估框架：trace-based F1 到 0.90，纯文本方案误报多 5 倍，还有 24 个功能测试和安全红队零重叠的新失败。结论很实在：功能评估用 trace，安全验证用红队，两条腿走路。

做流程自动化的团队可以看看这篇。思路挺聪明：不每次跑都让 LLM 决策，而是从 Agent 日志里挖出分支条件，编译成纯代码工作流。速度从 170 秒掉到 1.3 秒，成本降 24%，准确率只掉两三个点。跑固定 SOP 的场景很划算。

ICML 2026 的 200 篇论文被变成一个二十问游戏，让 GPT 等六个模型倒推论文核心想法，结果发现它们识货但不擅长自己想出来。做自动科研或智能体搜索的人，这篇给的“外部注入候选”思路值得直接搬进你的 pipeline。

家里机器人学做家务现在有了更清晰的训练路径：一个 checkpoint 管住 100 个任务，还能把 14 个难任务外包给 GPT-6 Astra 拿到 0.639 的 Q 值。做具身智能和 VLA 训练的工程师可以重点看它的任务迁移和降噪训练细节，比头部的纯 RL 方案更贴近实际算力。

运筹学和 AI 两个圈子各用一套搜索方法，这篇论文把 B&B 和 A* 放在同一条件下跑 480 个调度实例，A* 靠重复状态检测全部证明最优，B&B 只做到 445 个。做排程或规划求解的人能从中直接判断该选哪种方法、能借鉴什么机制。

搞传感器和时序预测的人该看看：论文拿 MOMENT、Chronos-2、Moirai-MoE、TimesFM 四个模型实测，告诉你降采样到什么程度性能才开始崩，还给了 FSI、FDI、CDI 三个现成指标。做边缘设备省电部署时能直接照着评估。

五个 LLM 把情境转成 POSG 世界模型，99% 能跑通但结构 F1 只有 0.366，能对上的参考不到两成。做规划或神经符号系统的开发者该看看，别只验证可执行性。

这篇论文尝试让小模型平时用 4-bit 算，只在不确定的步骤回退 8-bit，代价测算得很细。诚实地说，实机数据还没和全精度拉开显著差距，但门控捕获率和字节成本分析对做端侧推理量化的人很有参考价值，适合 Qwen3 用户和量化工程方向的研究者看。

两个 Qwen3 小模型上的实测账本：6 bit 量化不掉分，4 bit 会放大选项位置偏差。结论很实用——用 6 bit 权重，省下的预算拿去做最多四次选项顺序平均。做本地部署和评测的人可以直接抄这张决策表。

做自动驾驶或安全认证的同学可以看看，这篇把流行病学里的中介分析搬进了神经网络训练，解释不再是相关而是因果，还有必要性、充分性、独立性三条可量化准则，比传统概念解释方法严谨不少。

做低延迟生成的朋友可以看看这篇：DLM 的块扩散原本一块卡住全卡住，B3 让两个块在一次前向传播里并行去噪，不用训练不用调参，10 个数据集上白拿 11.5%-14.5% 加速且质量不掉。

做 ML 研究或想搞懂各模型之间关系的人值得花时间。它把 GAN、diffusion、BERT、对比学习全塞进同一个能量框架，差别只在配分函数和采样怎么处理。看懂这篇，很多论文里的公式其实是在说同一件事，而且能量组合还能直接推理出新算法思路。

搞 self-improvement 或智能体自学习的人可以看这篇。它把 CoT、Self-Instruct、Tree-of-Thoughts 这些方法统一归到四个认知机制下，还解释了为什么模型崩溃和幻觉扩散是结构性的，不是调参能修好的。比单篇方法论文更有全局视角。

端侧适配新模型要在转换、图构建、算子、后端好几层同时改，普通编码 agent 搞不定。这篇论文的 builder+auditor 双角色设计把成功率从 33.3% 拉到 75%，做端侧部署的工程师值得细看实现思路。

做 RAG 或知识问答的工程师值得看看这篇。它揭示了一个容易被忽视的坑：检索到的段落粒度偏粗时，模型不会拒答而是瞎猜，错误率约一半。简单加置信度过滤或换更大的模型都没用，论文给出了结合领域本体缓解此问题的路径，以及仍未解决的关键环节。

一篇挺有意思的实证研究：把 Chatbot Arena 上 126 万条投票拆开分析，发现模型没变差，是用户眼光变高了。做产品的人应该有共鸣——你原地不动，用户就觉得你退步了。做 RLHF 数据的人更该看看这篇。