Latest

阿里 Qwen 团队官宣 Qwen4 要来了，主打编程和智能体能力，Qwen4-Max 已经能预览。想第一时间上手的话，可以通过 Qoder、Qwen APP 等渠道申请体验。做开发或用 Qwen 系列的可以关注定价和参数细节后续更新。

Geek@geekbbSource

做推理服务优化的人该看看这篇：升级模型版本后旧 cache 别急着扔，在长前缀 QA 场景下能拿到 2 到 5 倍的首 token 加速。论文用 DeepSeek-V4-Flash 做了完整实验，还给出了 FCD 这个新指标来量化复用后行为偏移，比单纯看准确率更细。

安全研究者应该看看这个基准：它不是纸面推演，而是在 Proxmox 虚拟机里跑真实 Windows 和 6 款 EDR。连 DeepSeek-V4.1 Flash 这种轻量模型都能 18 次里成功 17 次，说明攻防门槛在快速变化，做 EDR 采购或红队的团队都能拿来测自家防御。

LLM 判新闻会被标题措辞带偏，情绪化标题能让严重度评分高出近 1 分，DeepSeek 和 LongCat 四个模型都中招。做内容审核或新闻路由的团队该看看：补上正文能消掉大半偏差。

有人用 Claude Fable 5.2 生成了一款浏览器游戏，乘船逛 8 个梦境场景，点开链接就能玩，不用装任何东西。想看现在模型写代码能到什么程度的，可以去试试手感和流畅度。

AI Will@FinanceYF5Source

这篇论文把因果老虎机从“完全已知因果图”推进到部分已知也能用，能用别的环境数据和反事实实验来剪掉不值得试的动作。做 bandit、离线 RL 或因果决策的研究者可以直接参考它的图判据和 regret 保证。

做 VLM 空间理解评测或微调的人应该看看：这篇用镜像位置编码的反事实实验证明 Qwen2.5-VL、Qwen3-VL 和 InternVL3 的左右判断主要靠 ViT 位置编码，语言模型侧几乎不参与。结论直接指向关系绑定才是错误修复的正确靶点，比泛泛的评测报告有用。

完全离线的手机急救助手，Gemma 2B 量化微调后 15 秒内出答案，还请了真医生盲评。论文把七种配置的得分差距摊开讲，训练数据缺了 ANZCOR 细节导致分数上不去。做端侧垂直应用的人能从这套评测方法直接抄作业。

对抗训练领域的老问题：很多攻击只是推高 loss，模型置信度其实没被真正扰动。这篇论文从 Fisher 信息矩阵几何角度重做了扰动生成，理论给得清楚，算法避开了高维矩阵计算。做鲁棒性研究的同学可以直接看实验部分和伪代码。

做脑机接口或 EEG 表征学习的朋友可以看看这篇论文。它把多尺度建模做到了输入和预训练目标两端，6 个 BCI 基准里 5 个拿了最好的 Balanced Accuracy，参数才 5.0M，比 12 个基线都省。写论文选基线时也用得上。

GRPO 把答案奖励平均撒给每个 token，这篇论文改成按模型犹豫程度（top-2 概率差）分配信用，不用额外评估。在 MiniCPM5-2B 和 Qwen3-4B 上平均涨 6.55 分，pass@32 涨 13.8。做 RLVR 训练、想榨干小模型数学能力的人可以直接抄这套实现。

搞推荐系统又想接多模态数据的朋友可以看看。它用 LLM 把图片等异构数据统一成文本表征再融合，表征训练和下游推荐模型解耦，换个骨干也能复用，和那些绑死单一模型的融合方案思路不一样。代码开源，可以直接跑。

想让模型别在照片里乱说别人隐私？这篇论文证明现在几乎没人能做到——最强的 o4-mini 也只有约 24% 合规率。作者开源的 SPY-Bench 和对齐方法把准确率拉到 96.88%，做 VLM 安全或隐私产品的开发者直接能用。

做科研自动化或 Agent 评测的可以看看这个新基准，64 个真实生物医学建模任务，防泄漏设计做得比较扎实。结论挺有意思：Agent 强在灵活改方法，但基础模型被禁用就掉 9 分。想测自家 Agent 在科研场景上限的团队直接能用。

用行为树一个东西同时搞定任务描述、稠密奖励、课程和策略诊断，不用再在 LTL 和奖励函数之间来回翻译。做机器人 RL 或形式化方法的可以看看论文里的课程 DAG 提取算法，6 个规格的实验覆盖了离散和连续环境。

做伪造检测的研究者该看看这篇：它证明了不少高 AUC 的 rPPG 检测器学到的是视频来源指纹，不是心跳，连官方 Celeb-DF 数据集的训练测试划分都有泄漏。

理论向的读者可以看这篇：作者证明了 metaplectic 神经算子的通用逼近性，只用一层隐藏算子层加一个非局部分支就够，覆盖 Fourier 和分数阶 Fourier 乘子构造。做算子学习或 PDE 求解的科研人员会关心这个数学基础。

联邦学习的人总说要防梯度泄露，这篇告诉你攻击方能利用 FC 层的仿射组合关系把数据重建得更准，还测了差分隐私护得住护不住。做隐私保护或联邦系统安全的值得对照自己的防御方案看看。

做推荐系统的可以看看，论文用 Yelp 和 Instagram 的真实数据盘点了假评论、LLM 幻觉、模态矛盾这些坑，还给了质量感知融合这类改法。现在大家都在往多模态堆数据，这篇正好提醒先检查数据质量。

如果你在做医学分割或用过这类文本提示模型，这篇论文会让你重新审视基准分数：提示词里的"约 5mm"其实是标注算出来的，删掉它分数就塌了 52% 到 77%。评估协议可以直接借鉴。

这篇论文把扩散模型的加噪过程按解码器敏感度重新分配，改动只是加一层可逆线性变换，却让带噪重建的 FID 平均降了 17.1。做图像生成或潜空间传输的开发者可以看看，谱求解器有解析解，方法可复现。

这篇论文把浅层 ReLU^k 网络的逼近误差和参数几何量 h 与分离距离 h̲ 直接挂上钩，还给出 Gram 矩阵谱和系数稳定性的估计。做理论或想搞懂为什么收敛速率能反映目标函数正则性的人可以看看，比单纯跑实验的逼近论文扎实。

有博主用 Fable 5.2 做了一部 3D 短片，把芝诺悖论里手指永远碰不到的数学过程画出来了。想看视频模型能做科普动画到什么程度，可以点进去看看效果。

AI Will@FinanceYF5Source

Anthropic 新模型 Claude Fable 5.2 刚上线一天，就有 10 个单提示词做出游戏、3D 世界和 4K 动画的案例流传。想快速判断它的代码与生成能力上限，可以对照这些例子自己跑一遍试试。

AI Will@FinanceYF5Source

Claude Fable 5.2 刚发布一天，就有人用一条提示词做出完整游戏、3D 场景和 4K 动画，这条推文把 10 个案例整理在一起。想看别人怎么写提示词、能榨出多少能力的开发者值得翻一遍。

AI Will@FinanceYF5Source

做 XAI 研究的朋友可以看这篇：作者测了 14 个多模态模型，发现 OpenAI 和 Qwen 对齐人类判断最好，用它跑解释质量评估能省下真人实验的钱和时间。论文还给了可复用的评估框架和指标定义，不用从零设计。

这 7 个案例都不是官方 demo，而是真实用户拿 Fable 5.2 跑出来的：有纯代码生成的 3D 细胞模型，也有能直接打印的折纸。想看新模型到底能干什么，比看跑分直观多了。

AI Will@FinanceYF5Source

dotey 用 Claude Motion 剪视频、Claude Slides 写方案的三个实际例子，讲清了 Agent 时代软件设计的变化：不用学复杂操作，画个框留条评论就行。做产品设计和开发的人都该看看，能帮你重新想 UI 该怎么画。

宝玉@doteySource

Anthropic、OpenAI、DeepMind 三家的披露全被审了一遍，没有一家把五项CoT监控指标报齐。做AI安全或评估的人可以拿这份清单直接对照自家或客户的披露口径。