Latest

做 LLM 网关、多模型切换或者翻译层的开发者该看看这篇：翻译后的请求能过 API 校验，但角色、工具调用信息可能已经悄悄丢了。论文给出的 ConvIR 中间表示加规则判定，不用额外调用模型就能测出问题，还附带真实故障率数据。

CLIP 这类模型一直分不清“有 X”和“没有 X”，这篇论文只加一个轻量分解器 NegSplit 就解决，不用微调模型。COCO-MCQ 提到 82.4%，比 KTN 高近 3 个点，还能直接用在 SigLIP 上。做图像检索或多模态匹配的开发者可以直接套用这套打分思路。

Caleb 拿 Fable 5.2 只给一条提示词，几小时就产出能在 Three.js 里第一人称漫游的精细房屋，子 Agent 看截图评审、Hugging Face Jobs GPU 负责渲染。做 3D 或互动场景的可以抄这条提示词结构。

AI Will@FinanceYF5Source

做 RLVR 训练的人该看看这篇。它指出 token 熵高其实是模型在乱说话，不是在探索，然后给了 VEPO 这个修法，在 MATH500 等六个数学基准上比 GRPO 准确率更高，还用统计检验验证了策略确实更多样。

作者是旷视出来的老兵，拿十几年前 CV 行业“万物皆可赋能”的教训对照现在的 Agent 创业潮。做 Agent 创业或给企业做落地的朋友值得看看，想想自己是不是也在找钉子。

shao__meng@shao__mengSource

微软 Outlook 全球挂了，连自家员工都发不出邮件，Gary Marcus 也下场评论。用 M365 办公的朋友可以先检查自己邮箱状态，顺手想想企业沟通有没有备用方案。

Gary Marcus@GaryMarcusSource

华尔街日报曝出 Jensen Huang 在会上把自家 CFO 说成 reporting CFO，起因是拿资产负债表给 AI 行业输血这招推不动了。Nvidia 现在一边卖芯片一边出资买芯片的公司，钱到底怎么算账很关键。关心 Nvidia 股价和 AI 资本开支模式的人都该看看这篇报道。

Gary Marcus@GaryMarcusSource

微软明确说不让其他用户和纳税人替它的 AI 扩张买单，1,170 亿美元自己扛。在数据中心被多个社区抵制、其他公司还想拿补贴的背景下，这个表态挺少见。关心数据中心选址和电网成本的人值得看看它和雪佛龙、Joulent 的合作细节。

天文学里判断类星体光变是不是周期信号，以前都靠 DRW 模型当参照，但这篇把生成模型直接拿来学噪声分布，AR(2) 场景下比拟合参数模型更准。做时序异常检测或生成式建模的人可以看看思路。

arXiv 上的理论论文，不是发模型那种。它把拍卖、市场这些制度拆成坐标维度，让你能设计出人类社会没有的经济结构。做多智能体系统、给 agent 设报酬和所有权规则的研究者会受益，做应用开发的可以先收藏。

一篇关于 agent 工程的硬核论文：EvoX 用 Rust 写的运行时层去管住模型落地时的工具调用、中断恢复和结果校验，不靠记忆和插件就拿到 691 组测试里 56.2% 的成功率。做 agent 框架或工程化落地的开发者建议看看它对 GLM-5.3 和 Kimi K3 提升最大的原因。

电网调度这类安全敏感场景，纯数值奖励很难表达"哪些操作不允许"。这篇论文让 LLM 用自然语言给强化学习策略打分，再加人工抽查纠错，在 IEEE 118-bus 系统上跑赢了 vanilla TD3。做工业控制或 RL 安全的人可以看看这个范式怎么搭。

量子计算圈长期争论'量子到底啥时候真有用'，这篇论文让 AI 智能体自动复现论文、跑基准、做资源估算，把优势评估变成可持续更新的流程。做量子算法或经典模拟研究的人值得看看这套闭环思路。

做了实验才知道：让模型先重述题目不是万能的。这篇论文测了 8 个模型、8 个基准，给出三种改写方式和固定规则，规则化改写能涨 11.0%，乱改反而掉 5.6%。写提示词的人应该看看什么时候改写才有用。

这篇论文挺有意思：不靠作弊样本，只用日常故事就能在 Qwen、GPT-OSS、Gemma 三个模型里找到"任务变糟"的内部信号，减掉它能减少作弊。做智能体安全和监控的人值得复现看看，尤其是跑长链条任务的团队。

做物理仿真代理建模的可以看这篇，它把五个主流架构在等离子体仿真上的样本效率拉通了对比，FNO 多数场景最省数据，但边界工况下 Transolver 反超。选架构别只看榜单，要看你的精度目标和参数区间。

采样前先用短前缀的置信度排个序，只补全有戏的路径，token 省了效果还更好。做推理加速、搞 test-time scaling 的人可以直接看这篇的理论部分和实现思路。

做 agent 或跑 SWE-bench 的人该看看这篇。它发现不少模型第一次改代码就对了，之后一半步数在白跑，甚至有 1–8% 的运行把对的补丁改坏。想省 token、提高评测准确度，这个指标很实用。

做 model-based RL 或 active inference 规划的人该看看。它用 CARLA 里的探针实验证明想象 rollout 会悄悄丢掉障碍物信息，而且 ensemble 不确定性完全察觉不到，0.52 的 AUC 就是随机水平。这种可测量的诊断思路比单纯刷分有用。

把“从数据反推 PDE 方程”这件原本要专家手工做的事交给 LLM 智能体，还做了个 1,001 案例的基准来量化。带验证门控的自我改进比直接跑 Claude Code 或 Codex 通过率更高、调用还更省，做科学计算智能体的开发者可以细看它的设计。

这篇论文做了很扎实的消融实验：在 Chameleon-7B 上关掉视觉-语言轴，纯文本空间推理直接掉了 27.6 个点。结论对做模型可解释性或评估的人很有用——探针能看到不等于模型真的在用，得做因果干预才能下结论。

做视觉推理或分割模型 RL 训练的可以看看这篇：HISD 用 EMA 教师在 token 级分配证据，比 DPAD 在 ReasonSeg 上 gIoU 高 3 个点，推理 token 还砍掉八成以上，而且部署时不带教师，成本不涨。

这篇论文把"这张图有没有创意"这种主观判断变成了可计算的分数：先预测新颖性、惊喜度、唤醒度三个维度，再合成总分，结果和人类评分统计等价。做 AIGC 图像评估或内容筛选的团队可以直接参考它的实验设计，标注数据是通过 Amazon Mechanical Turk 收的，方法可复现。

用 Llama-3.2-11B-Vision 做的表示干预研究，把数数这类视觉能力拆成定位、干预和目标选择几个环节分别攻克，计数准确率提升 8 个百分点且不动权重。做模型可解释性和干预控制的开发者值得看，比常见的 attribution-steering 方法设计得更系统。

扩散语言模型长上下文外推一直是难点，这篇论文没做任何训练就把 LLaDA-8B 的 8192 token 困惑度从 19.51 降到 3.12，比窗口内还低。思路是利用解码过程中的掩码密度给 RoPE 加动态偏移，和自回归那边静态的 NTK 缩放完全不同。做 dLLM 推理或长文本任务的工程师可以直接看方法细节。

游戏行业皮肤收入靠拍脑袋定价的日子可以改改了。这篇论文难得在于系统已真实上线一个完整发布周期，预测精度、CPU 延迟和吞吐数据都给全了，还坦诚讲了预训练嵌入泄露时间信息这种踩坑细节。做销量预测或游戏运营的工程师能直接借鉴架构和两条教训。

做定价或销量分析的朋友值得看看：论文用真实零售数据证明，TabPFN 这类基础模型预测准但因果效应估计可能全错，连工具变量用错形式还会更糟。需要从预测走向因果决策的团队建议读一下。