Latest
给做大模型推理服务的同学：GLM-5.3 上远程 KV 缓存反而把 p99 拖到 83 秒的踩坑实录，还给了带宽阈值公式和修复方案。
一篇很硬的理论论文，讲怎么在没有任何标注的情况下检验模型预测的校准程度，方法用逻辑一致性做抵押，还附了预注册实验。
arXiv 上的联邦学习攻防实验报告，服务端能从一次更新里偷出标签集，30% 恶意客户端就能植入后门，FLTrust 能防住，代码可直接跑。
一篇数学审计方向的论文，搭了个 72 任务的基准，用 Qwen3-8B 测出验证器反馈确实能帮模型交出更多可用反例。做数学推理评估的可以看看它的任务设计。
服装打版有个老问题：档案里只有改前改后的版型，没有改法。这篇论文让模型自己搜出编辑步骤还逐一验证，能认证的用例比非学习方法多了十来个。
BBC iPlayer 数据上做的量子推荐系统，参数只有经典模型四百分之一还能打平，甚至真跑上了 Quantinuum 的量子硬件，做推荐或量子计算的都该看看。
一群研究者给 Hopfield 网络换了个相位核，ImageNet 上检索容量直接拉到 50 倍，搞联想记忆的可以看看。
一篇分析 LayerNorm 和 RMSNorm 放进网络里要多花多少宽度才能保住表达力的论文，结论给得很具体，做架构设计的可以看看。
训练小模型的可以看看：Muon 省数据但在语言任务上按时间算反而输给 AdamW，瓶颈是优化器本身太耗时，文中数字很细。
The result suggests the weakness in agentic security testing lies in flat context windows rather than model capability, so externalizing memory to a graph is a fix practitioners can apply today. Security engineers and red-team builders can wire Neo4j into existing MCP-compatible agents like Claude Code and Codex without custom tooling. The findings are illustrative single-run measurements, so treat them as a design pattern to replicate rather than a benchmark.
The interesting part is the division of labour: the LLM handles high-level lemma strategy while exact symbolic backends supply certificates, keeping every step Lean-verified and cheap at low inference budgets. Formal-methods researchers and theorem-proving engineers can reuse the MCTS-plus-backend pattern for other proof domains. It also gives DeepSeek-V4-Flash a concrete reasoning benchmark data point against other backbones tested in the paper.
论文提出 RoLaQ，让 MLA 模型的 KV 缓存压到 2-bit，在 DeepSeek-V2-Lite 上吞吐提升 2.51 倍，做长上下文推理的可以看看。
把知识写进模型记忆到底行不行？这篇论文在 Qwen 和 DeepSeek 上做了实测，命中率数据挺扎眼，做记忆机制研究的值得看数据。
把 GPT-5.6 Sol 或 DeepSeek 接到 n8n 上做遥感科学计算，中文指令匹配率 94.2%，故障自恢复设计也写得挺细，做智能体工作流的可以看看。
这篇论文做了个 MemScope 框架，让 Agent 自己修自己的记忆架构代码，GAIA 上比只看执行轨迹的方案高了约 17 个点。
一个把 LLM 危机报告和 121 份真实人道主义报告对着比的研究，数字看着打平，其实来源信息全缺，评估指标也翻车了。
一个用 Reddit 真实说服对话测 LLM 社交智能的新基准，发现模型在行动上赢过人类、在读懂人心上还差一截，论文细节挺有意思。
DeepSeek-V4-Flash 和 GPT-6.1-Sol 抽实体都不靠谱，但坏的原因不是幻觉，而是把背景信息当成攻击实体。用置信度分层排审核优先级，别当真值。
几个 LLM 智能体做自动科研会越跑越僵，这篇论文发现定期清空记忆、只留最优解重启，能多挖出最多 39% 的改进。
这篇论文把负引导做成了有明确目标密度的采样器，用 PU 学习加 SMC 修正，图像生成实验也验证了，做扩散模型采样的人可以看看。
清华 THUNLP 开源了个 KV cache 压缩方法，压到 1/32 还能在 RULER 上保持 96.7% 准确率，比 KVZip+ 的 40% 高出一大截，长文档检索场景可以直接试。
一篇蛋白质领域的 tokenizer 论文，三种模态共用一套离散词表，28 个测试切分里 21 个拿第一，还能联合生成骨架和序列，做蛋白质设计的可以看看。
这篇论文做了个能边看视频边记笔记的智能体，回答问题前还会回头重看历史帧补证据，在 OVO-Bench 和 StreamingBench 上分数都超过了现有方法。
这篇论文实测了 LLaDA 和 Dream 这些扩散模型的每 token 能耗，长序列下比 Llama、Qwen 省一半电，做推理成本优化的可以看看。
一篇做时序预测的论文，把注意力塞进 ODE 求解器里处理外生变量，不用硬对齐时间戳，8 个数据集验证有效，做预测的朋友可以看看。
TabPFN-3 逐层拆开做了 272 个数据集的实验，发现模糊样本才需要深层计算，研究模型内部机制的可以看看这篇。
用 LLM 加 MCP 接上交通规划引擎 AequilibraE，还专门做了可微用户均衡层，非专业决策者用自然语言就能跑路网优化了。
用多智能体分工来管多重病患者的复杂用药，靠 DSWA 和 DFPC 两套协调机制减少药物冲突，在 MIMIC-IV 数据上验证有效，做医疗 LLM 应用的可以看看。
验证 LLM 写的 Lean 证明，别再只靠 LLM 打分了，这篇加了数值和空泛性机械检查，错误率最低，代码开源。
训练 LLM 推理的同学看看：单条 rollout 就能做 token 级信用分配，数学上还比 GRPO 快 1.2 到 2.3 倍，代码比较可以少八倍采样。
这论文把 160 万个分子骨架做成智能体的导航地图，练出的 MolHop-9B 在跨骨架分子设计上跑赢了 GPT-5.6-sol 和 Gemini-3.1-Pro，做药物发现的可以看看。
一篇 arXiv 论文，让模型智能体自己写机器人控制代码并验证是否真的在学，还区分了运气和真本事，做机器人方向的值得看实验设计。
The benchmark shows that outcome-only evaluation masks invalid execution, since models can hit the final goal while violating constraints mid-run — a gap that matters most in regulated domains like payments where intermediate errors carry financial or compliance consequences. Agent builders can use the 50-task suite and deterministic checks to measure constraint compliance and tool-call overhead, not just task success. Teams choosing models for workflow automation get a direct comparison of frontier and open models under identical conditions.
Google DeepMind 这篇论文把监督学习和强化学习的好处合在一起，26 个稀疏奖励任务上都跑赢了以前的 RL 方法，搞 RL 的可以看看。
一篇论文，用多视角图像生成 LiDAR 点云，靠 DepthAnything3 加双分支 CFG 提升几何和语义对齐，做自动驾驶数据合成的可以看看。
浙大团队烧了 1.2 万 GPU 小时把 10 种智能体训练方法拉到同一环境里跑了一遍，结论是 GRPO 依然难被打败，做 Agent RL 的值得看看.
一篇把物理模拟器塞进智能体工作流的论文：Assembly Agent 做规划，Critic Agent 做纠错，还能自学技能库，做 3D 内容和机器人仿真的可以看看。
用MIMIC-IV里挖出的近10万个疾病轨迹，拿bge嵌入去和16万多篇PubMed文献比对，筛出真正新颖且有临床价值的分支，预测误差能少20天。
Only the latest 2000 items are listed; for older ones see the daily archive