Latest

做 Agent 多轮协作的人该看看：模型听到"专家不同意"就乱改答案，5 个模型全没达标，准确率最多掉 16 个点。论文给了套可复用的配对审计指标，直接能拿来测你自己的修订流程。

做手机 GUI 智能体或相关安全工作的话，这篇值得看：它不靠人工写死攻击载荷，而是顺着智能体实际执行轨迹自动找注入点，83 个实例覆盖 12 个应用，攻击成功率比人工和零样本 LLM 基线都高，可以直接当部署前审计工具用。

搞图神经网络的可以看看这篇，把边的增删事件单独编码，再用 RL 挑有用的边快照来增强训练。比直接喂原始时序图的常见做法多了显式信号，AUROC 和 AP 都涨了，还附消融实验。做社交网络分析或推荐系统时序建模的团队值得跑一下代码对比基线。

做生物启发学习或替代 BP 训练的人该看看这篇：预测编码加上一个侧向回路，就能隐式算 Fisher 逆矩阵。在 ImageNet 上比 AdamW 训的 BP 省一个数量级算力、两个数量级样本，性能还不掉。

想测模型的心智理论能力，可以看看这个 MuSeToM，2400 多个案例，覆盖六种感官线索。它发现模型能察觉信念要变，却经常推错变化后的内容，还容易被表面线索带偏。做 agent 和对话系统评测的值得一试。

做智能体评测、合成数据或 RL rollout 的团队值得看这篇。它把推理和环境调 preferring 调度放在一起优化，在 Ling-3.x 上实测 makespan 最多降 65%，分数不掉。如果你被批量跑任务太慢困扰，CAAS 那部分思路可以直接借鉴。

抑郁检测这块大多只输出标签，这篇换了个思路：先学健康人的情绪动态，再看偏离多远，还给出三个可解释的动力学指标。五个队列的 F1 数据都摆出来了，连在哪个数据集上不好使也写了，做医疗 AI 或多模态的可以看看

搞数据集蒸馏的人可以看看这篇：不靠分类器优化，直接在潜空间里把合成样本往真实分布上漂移，分布覆盖比老方法好。还顺带送一个模型可视化解释的用法，图像之外的模态也能跑。

做文生图的朋友值得看看这篇：你写"画面里没有猫"或者角色想象一只鸟，八个主流模型全都会硬画出来，连 CLIPScore 都测不出这个问题。论文给了 698 条测试提示词和一个自动检测裁判，可以直接拿来测自己用的模型。

做 VLM 安全 RL 的人可以直接抄这套方法：不用反复调奖励权重，把安全率当预算设定就行。论文里两个失效模式（打分器均值有偏、组内标准化吃掉惩罚）解释得很清楚，Qwen3-VL-2B 上的数据也扎实。

只训练美国手语，就能直接检索六种其他手语，连标注语料都没有的词典场景也能用。InfoNCE 加阻断肢体间注意力这两个细节就能涨 5 个点以上，做手语或视频检索的值得看看消融部分。

做脑机接口或脑电信号的同学可以看看这篇。它把电极按脑区分组后用图网络建模，模型关注哪些脑区一目了然，F1到0.74，比纯黑箱卷积模型好解释，适合需要向评审或医生说明依据的场景。

这个基准让智能体从零写训练、推理、编排系统，再和人类基线硬碰硬。结果挺扎眼：Opus 5.5 配 Claude Code 六项全过人类线，其他智能体平均只有 0.58。做 agent 评测或基础设施的工程师都该看看。

做航天自主智能体的团队可以关注这个基准。它把通信延迟、供电约束这些真实太空场景变成可量化的记忆测试，实测发现 Mem0 在会话重启后比 RAG 高 12.25 分，但平时两者差距不大。开源地址直接可用，做长程记忆系统设计的开发者可以拿来跑跑自己方案。

有人拿 GPT-4、Llama 3.1 这些模型跑了大五人格问卷的模拟测试，结论挺扎心：喂了你的社交帖子，预测也未必更准，模型普遍往中间值靠。想做用户数字孪生或问卷模拟实验的研究者，这篇先把坑讲清楚了。

光子加速器省电但精度老是上不去，这篇论文的办法挺聪明：相似的激活向量挑一个代表算高精度，剩下的残余交给光子算，噪声影响就小多了。不用改硬件，六个模型上都验证有效，做模拟计算硬件的工程师可以看看。

研究者让三个大模型重证了 Euclid《Elements》全部 465 个命题，再用网络分析对比引用结构。发现 AI 有 40% 引用指向定义和公设，人类只有 13%，AI 喜欢从零搭论证而不是引用成熟定理。做形式化验证或用模型辅助写数学论文的人都值得看看这套量化方法。

做 multi-agent 系统的人应该看看这篇。它用 pre-/post-cutoff 数据集实测发现：委派别的模型干活有时还不如让同一个 LLM 直接调工具，还总结了查询被扭曲、信息传递丢失等失败模式，能帮你判断什么时候别乱委派。

Zyphra 开源了这个 886M 参数的语音克隆模型，100M 激活量就能在手机上实时跑，克隆效果还能对标更大模型。做端侧语音应用、多语言 TTS 的开发者可以直接拿权重和训练代码上手试。

表格三巨头同一时间的不同状态：Anthropic 出了 Claude Sheets 让 Agent 操作表格，Google 反过来用 Gemini 4 Hydrogen 在 Sheets 单元格里画动画，微软 Office 365 还在宕机。做表格类产品或 Agent 工具的人都该看看这个方向的对比。

宝玉@doteySource

搞智能体的朋友可以看看这篇。Folio 不靠模型写摘要压历史，而是运行时留三层记录直接程序化折叠，还能用句柄恢复原文。同一运行时下 75 个任务解决 66 个，比模型摘要方案的 54 个多不少，成本还只有 1/2.4，做长任务 agent 的值得对比一下自己的压缩方案。

搞检索的同学可以看看这篇：LAAM 用主动学习只挑最关键的文档丢给 DeepSeek v3 打分，能耗只要全量重排的 3.3%，精度还能保住 87% 的 P@10。想自建 RAG 或搜索又心疼 LLM 调用成本的团队，这套能耗-精度可调的思路很实用。

搞 RAG 和智能体的同学可以看看这份 TREC 2026 参赛报告。七个方案横跨 OpenAI 和开源模型，消融结果指出写作模型选择比检索策略更关键，开源的 owa-glm5 甚至在人工评审里赢了一个批次。想用低成本模型搭研究智能体的话，这些数据很参考价值。

339M 参数的小模型，用一个 epoch 的合成问答对微调，哈萨克语检索 recall@1 从 60.8% 拉到 78.0%，还压过 OpenAI text-embedding-3-large。做低资源语言检索或想复刻这套合成数据微调流程的工程师都该看看细节。

Perplexity 的 Producer 能一句话生成一支动画讲解视频，这次演示的是 GPU 推理原理，从脚本到动画都自动完成。对没有创意团队的个人和小团队很实用，可以拿来快速做科普或教程内容。

Aravind Srinivas@AravSrinivasSource