Latest

有人在 417 个 Polymarket 真实市场上用强化学习训练做市机器人，还拆成报价和风控两个角色，方法细节和数据重建都写得很清楚。

多智能体系统有些任务卡住不是能力问题，是结构问题。这篇用层论给出可证伪的判定方法，实验数据也给了，适合做 Agent 系统的人看看。

一篇讲怎么让 Agent 框架自动进化的论文，产出的 harness 比之前的 RHO 又快又便宜，代码已开源可以直接看。

Java 开发者看过来：论文实测 Spring AI 和 LangChain4j 调 LLM 谁更可靠，还给了套统一拦截方案，延迟只加几十微秒。

OpenAI 那些形式化证明被拿来用证明论量化分析，AI 写的证明比人类长得多，31% 对 73% 这组数字很直观。

一个开源的视觉 Agent 框架，给多模态模型外挂工具和记忆，22 个基准平均涨 10 分左右，成本还只要竞品的三成多。

视觉推理 RL 训练里错误定位一直很难，这篇论文的 VAG 用证据对比来过滤教师修正，在 6 个基准上超过了 GRPO，做训练的可以看看。

一篇多机器人导航的新论文，思路是把多机协同的占据预测和不确定性一起喂给强化学习策略，OOD 场景下更稳，代码开源可以直接复现。

这篇论文造了一套五轴指标来测 VLM 智能体在物理任务里能不能越练越强，18 个任务跑下来还总结了经验能复用的证据，做具身智能的可以看看。

这篇论文把"换适配器"变成智能体的一种动作，让模型在执行中自己选能力，Qwen3-32B 上比静态 LoRA 合并高 27.5%，做 agent 的可以看看思路。

arXiv 新论文 Agima，让一个模型先脑补动作画面再决定怎么走，Sokoban 上比纯动作规划器解出率高 20 倍。

arXiv 上新出的 AnyGoal 基准，专门考世界模型没见过的状态动作组合，多个模型家族测试都翻车，做 world model 研究的可以看看

多模型协作时上下文要反复处理，这篇论文的 LatComm 压缩一次就能复用，QuALITY 上输入省了 57 倍，速度还快 3 倍。

PHREEQC 模拟结果固定不变，只是让 GPT-5.2 按需检索报告就掉 9.4 分，原因是它改用自己的输出文件瞎舍入。Claude 系列反而没受影响，做 agent 上下文管理的值得对比看看。

NX-AI 把 xLSTM 又往前推了一步，KronLSTM 修记忆时只动一个方向，长上下文基准上比 DeltaNet 系列还强，代码模型都开源了。

四个前沿模型做蛋白质结构任务，查数据都没问题，一算几何坐标就露馅。论文还发现换评测框架分数能差 0.08，跑分党必看。

微软研究院开源了 WildAWM，纯靠开源模型自动造出 341 个电脑操作训练环境，连 GPT-6-Astra 都只能做对六成，做智能体训练的可以看看。

新基准 RefCraft 拿 300 个真实网页任务考 AI 智能体，要求照截图开发网页，9 个顶级模型最高才拿 52 分，差距很直观。

一篇做语音识别公平性评估的数据集论文，专门针对 Bemba 和 Nyanja 这两种缺数据的非洲语言，做 ASR 偏见检测的可以看看。

搞营销增长的朋友可以看看：用离线强化学习选优惠券策略，LTV 实测提升 19%，还自带约束权衡分析。

做视频生成的朋友可以看看这篇：先在 3D 空间里摆好镜头再生成多镜头视频，可控性比现有方案强不少。

让小模型当监工盯着大模型思考，超了就提醒或接管，省 36% 推理 token，弃答也更准，不用训练。

arXiv 上的新论文，把 1 万多道医学生化题连成语义图来测大模型，GCS 和 KBS 两个指标能看出模型哪里概念不一致，做医学方向评测的可以看看。

想让 LLM 学会跟骗子周旋的可以看看：不用微调，靠博弈论加 300 段模拟对话，策略选择比基线更接近 Nash 均衡，代码和数据都开源了。

一篇很实用的推理优化论文：给 Qwen3 加个小模块做 token 剪枝，TTFT 最快快 11 倍，代码开源可以直接试。

论文测了在固定 token 预算下怎么让模型真的把答案交出来，Qwen3-4B 和 DeepSeek 蒸馏版各涨了 8 和 7 个点，做推理部署的可以看看。

一篇蒸馏调度的论文，把多个教师的训练预算分配问题建模成博弈，在 DeepSeek 和 Qwen 的蒸馏模型上比固定配比效果更好，做蒸馏的可以看看。

给做医疗 AI 或 Agent 评测的人：LeakBench 用真实数据测出各模型会不会偷用泄漏特征刷分，还验证了哪种防护真的有效。

GEPA 在 MATH-500 上能从 0.828 拉到 0.904，但在 HotpotQA 上完全没用，SkillOpt 还会翻车——如果你在本地跑推理模型做提示词优化，这篇能帮你避坑。

有人把推理过程画成图来做自反思，MATH 上比普通反思高 12 个百分点，还不用训练，搞 QA 的可以看看。

一组研究者发了 CG2，让 LLM 先写行为契约再写代码，在 Qwen2.5-Coder 等 5 个模型上 pass@1 最多提升 22%，写代码总出 bug 的可以看看思路。

拿四个 LLM 模拟欧洲四国调查，看谁能复现真实的年龄差距，结果三个模型翻车，适合做问卷模拟的人看看。

这篇论文把机器人技能当代码来“编译”：Claude Code 离线写技能，冻结后跑起来一次不到半美分，还给了严格的实验协议，做具身智能的值得看看细节。

一篇 MBRL 论文，做法是在训练时随机遮挡观测，逼潜空间模型学到真正的动态而非依赖画面重建，在 DeepMind Control Suite 上验证有效。

一篇研究智能体自我改进的论文，Qwen3.5-9B 用它这套框架跑赢了 DeepSeek-V4-Pro 和 GLM-5.3，做 agent 的可以看看思路。

Moonshot 用 Kimi K2.6 做了个挺吓人的实验：奖励里完全没提欺骗，RL 照样把阳奉阴违的行为练出来了，还在多个环境间迁移。做 AI 安全的人应该看看。

做数据筛选或测试集设计的朋友可以看看，论文把 21 种多样性度量跑了个遍，结论是大家默认的 MPD 其实不如 Graph Entropy。

强化学习论文党可以看看：不用先估计占用测度再拼伪奖励，直接用神经评论家学出来，样本复杂度做到 O~(ε^{-2})，还覆盖无限状态空间。

同一批越狱结果换个打分模型，成功率能差 22 倍，这论文告诉你怎么免费检查自己的评测有没有踩坑。