Latest

做低资源语音识别的可以看看这篇。SraVaani 全量微调后 WER 干到 16.3%，比微调版 Whisper large-v3-turbo 还低一点。它处理数字符号的 tokenizer 妥协方案和消融数据，对做尼泊尔语、混说语音这类项目很有参考价值。

做视频生成或 HDR 后期的开发者该看看这篇：它指出类 log 编码会把暗部色彩在 VAE 潜空间里压没，换成 EquivFlow 这种可逆编码就能保住暗部色度，还不用动预训练 VAE，比直接改模型省事。

用 MLLM 的思维链直接当训练信号来学关系表示，这思路跟只拿 CoT 做中间推理的方法不一样。做视觉关系检测、场景图或开源多模态研究的人可以看看，VG150 和 PSG 上有具体对比数字。

中文教育语料老是被吐槽碎、乱、缺体系，这批人用知识图谱当骨架重建了一遍，还开源了检索平台。做中文模型训练或垂直领域数据构建的可以看看他们的组织思路，比自己乱爬数据靠谱。

一篇关于多智能体消息路由的论文，SafeRoute-MAS 只用集成前信息删消息，能省 12.76% token 还提升 1.80 点成绩。但作者自己用 gpt-oss-120b 做的独立复现基本打平，还给出了诚实的资格判定机制。做多智能体系统、关心评估严谨性的人值得看看这套方法论。

写论文或做多语言产品的朋友可以看这份测量：7 个 tokenizer、31 种语言的真实成本账，阿姆哈拉语最高要多付 10 倍 token 费。它还给了买家 8 项黑盒审计测试，不需要权重就能评估模型的主权风险，这对非英语市场团队很实用。

搞 OT 安全或智能体安全的值得看看这篇：Talos 把恶意 agent 引到镜像孪生设备上，2400 个攻击 agent 一个都没碰到真工厂，还能反向摸清对方是谁。门控、镜像、测试框架全开源，Apache 2.0，想复现或改造可以直接上手。

主权国家或机构训自己的模型时，价值观不该照搬 Anthropic 的宪法。这篇把宪法起草设计成公民参与流程，还测了恶意参与者占比。做模型治理、政策研究或主权 AI 项目的人值得细看。

如果你正用 token 消耗考核团队 AI 使用率，这篇 JetBrains 的研究要先看看：404 名工程师的数据显示消耗翻倍只对应约 10% 的 commit 增长。它给出了替代方案——用任务和结果评估，而不是用量。

做量化或金融建模的可以看看这篇：用带引用的 FCM 图谱让预测过程可审计，收益符号准确率比纯 LSTM 高 7.6 个百分点，换市场状态后 10-15 天就能自适应。想解释模型为什么这么预测的团队会感兴趣。

Rauch 提出个有意思的判断：AI 写代码后，专用语言甚至汇编可能直接上场，不用再一门语言包打天下。做编译器、语言设计或基础设施的工程师值得看看这场争论。

Guillermo Rauch@rauchgSource

做代码生成相关工作的人可以看看这篇。它不改模型本身，只靠对题目做改写、重命名这类小变异再跑共识验证，就在 LiveCodeBench 等三个基准上比现有共识方法高了最多 4.1%，没有测试用例的团队尤其用得上。

想让编程智能体在陌生大仓库里干真活的人该看看这个基准。它不是改几行的小修小补，而是工程师写的真实变更请求，评分器能识别偷懒和作弊补丁。榜单上 Claude Opus 5.5 和 GPT-6 Astra 基本打平，选型做对比时很实用。

这篇论文有点意思：Claude 教 DeepSeek 时不是直接写攻略，而是先跑诊断探针找出弱模型卡在哪，再针对性写技能，成功率从 75% 拉到 86%。给做 Agent 框架和多人协作系统的开发者提供了可复用的技能准入机制思路。

印度团队实测了 9 个主流 tokenizer 处理 25 种印度语言的开销，Odia 在 GPT-4o 上要多花 5 倍 token，Sarvam 的 tokenizer 差距最小。做多语言客服或按 token 预算的团队，选模型前值得查一下自己的语言在哪个 tokenizer 上最省。

做医学影像或不确定性建模的值得看：作者把条件熵加进 EDL 正则项，在 RIM-ONE-DL 等数据集上校准误差比 MC Dropout 和 Deep Ensembles 都低，还能用 Grad-CAM 看模型是否盯错了视盘。

眼科 AI 落地最怕漏掉微动脉瘤，这篇给了个能多提 10 个点 Dice 的开源方案。做医学影像分割的可以直接下代码复现，做 Mamba 架构改进的也能借鉴它的可变形扫描思路。

有人拿 105 个真实 bug 实测了几家旗舰模型，Gemini 4 Carbon 只差 0.7 分追平 Fable 5.2，花费却只有 $31.32 对 $139.65。做代码修复选型的人应该看看这份带价格的榜单，比官方宣传单靠谱。

Varun Mohan@_mohansoloSource

无人机上跑模型的团队值得看看这篇：它实测了 Alibi-Detect、NannyML、PyTorch-OOD 三个开源工具，不只看能不能检测出偏移，还测了耗时，这俩在机载设备上经常冲突。做模型监控选型前可以当对比清单用。

这项研究解释了为什么不同论文测组合泛化结论互相矛盾：很多基准里的模块序列其实功能等价，模型是在走捷径。做基准设计或评估模型泛化能力的开发者应该看看，结论会直接影响你怎么切训练测试集。

做 LLM 评测榜单的人可以看看这篇：在 Bradley-Terry 模型上加边级差分隐私，不只给排名，还给每个名次的置信区间和 top-K 检验，模拟实验和创意写作排名案例都有。要保护人类评委偏好数据时很实用。

搞 RLHF 或最大熵 RL 的朋友可以看这篇。以前理论界是 H^5，现在证明 H^3 就够，还首次给出带温度 β 的下界。做 RLHF 训练时要估采样预算的话，这篇能直接告诉你该按什么规模分配样本。

训练奖励模型时只盯一个注视点太粗糙了，这篇论文把注意力做成空间梯度分布，准确率确实涨了。做 RLHF 或对齐研究的同学可以看看这个建模思路。

做主动式智能体的开发者可以看看这篇。Coco 用独立的 Observer Agent 在本地观察桌面行为，判断什么时候帮你、什么时候别打扰，介入判断的 F1 提升了 2.4-3.0 倍。数据不出设备这点对企业场景很关键，还附带 OSWorld-Persona 基准可直接用来测自己的方案。

模拟电路调参不再需要云端大模型：4B 小模型本地跑仿真闭环，Pass@1 反超 DeepSeek 的 763B 模型近 49 个百分点，还能跨工艺节点迁移。做 EDA 工具或芯片设计的工程师值得把它加进工具链，论文附带 41 个拓扑的开源基准可直接复现。

做主动学习的朋友可以看看，作者把 ProbCover 的欧氏距离换成 Fermat 距离，在 8 个数据集上低预算标注场景表现更好，还给了理论保证。

做 LLM 推理服务的人可以看看这篇。vLLM 上跑的 ForeSpark 把草稿和验证长度一起调度，吞吐比 DSpark 高 1.77 倍，高负载下草稿浪费的算力能省下来。