Latest

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。

扩散模型随机采样比确定性采样慢的问题，这篇论文给出了理论解释和免训练解法：F-DDPM 复用历史预测和噪声构造前瞻点，同 NFE 下 FID 更低，只多花 1.5 倍 NFE 就接近确定性采样质量。做生成模型部署或采样器研究的工程师可以直接看开源代码。

让 GPT-6、Claude Opus 5.5 这些模型去真控制机器人，危害率都不低。这篇论文给了一套能直接套在现有架构上的三层闸门方案，任务照做、危险操作被拦，做具身智能和机器人方向的开发者值得看测试细节。

Anthropic 工程师用 Fable 5.2 直接生成了 AAA 级游戏画面，全程零素材。对比传统游戏要美术团队做几个月资源，这条路如果跑通，独立开发者做原型的方式会完全不同。做游戏或内容生成的都该看看这段视频。

AI Will@FinanceYF5Source

Peter Yang 拿 Claude Fable 迭代了一上午，做出能在浏览器里直接玩的 3D 卡丁车，带海滩、丛林、火山三条赛道，还能 6 个朋友在线联机。跟常见的一次性生成 demo 不一样，这游戏是真打磨过可玩性的，想试 AI 编程做游戏的人可以直接开玩感受下。

宝玉@doteySource