Fixed-role fused kernels leave idle windows because a predetermined communication-compute split cannot track actual data readiness; KOSMOS replaces static schedules with demand-ordered queues that adapt at runtime. Engineers training large MoE models on AMD Instinct hardware can apply it directly through Megatron-LM, where it outperforms DeepEP by up to 1.83x on DeepSeek-V3 and Qwen3-235B proxies.
几百个小智能体在潜在空间里群聊协作，几分钟跑出别人一小时的搜索结果，还用 Qwen3 8B 改进了 AlphaEvolve 的解，省钱又快。
搞 ML 复现的可以看看：一个 agent 工作流把论文代码整理成标准复现包，四个模型成功率都冲上 90%，API 花费还省了近两成。
一篇解决医疗助手记忆混乱的论文：把患者事实建成带时间的图，在 MedMemoryBench 上比五个基线高出约 10 分，做医疗对话的可以看看。
一篇聊怎么把聊天界面开放给 AI 的论文，还做了 Meta Chat 原型，对做 AI 界面和 MCP 工具的人很有参考。
研究者给机器人 VLA 模型做了个潜层探针 VLA-Tug，能提前发现失败、还能预测失败原因，附带 3,180 条标注数据集。
这篇论文把 Terminal-Bench 2.0 翻出来查了一遍，三成任务有问题，修完之后各模型排名都会动。做评测的人应该看看他们的持续验证流程。
有人把ICU患者的电子病历训练成世界模型，一次建模就能模拟床位、调度、转院多种政策，比传统Markov模型多捕捉恢复速度差异。
给联邦学习开发者看的新玩法：Claude Opus 5.5 每 10 轮看一次客户端权重，自己写聚合代码，168 次实验显示比 FedAvg 高 1.26 个点，一次才花 0.79 美元。
一个专测鼻咽癌诊疗全流程的医学基准，30 个模型里最强的严格成功率也只有 23%，能看出模型和真实医生差距在哪。
做机器人感知仿真的可以看看这个 VisionSIM，它把 LiDAR、iToF、事件相机这些传感器的真实失效模式都模拟出来了，还开源了数据集。
搞对抗训练的人可以看看这篇理论分析，它证明了用大步长训练也照样成立，不用非得用慢吞吞的小步长。
推荐系统工程师可以看看这篇：用 SAE 把黑盒用户嵌入拆成可命名的行为模式，还能零样本圈选受众，不用改上游模型。
把 1000 篇论文做成 AI 科学家能跑的实验环境，还测出它在 74% 场景下跑赢人类作者，训练数据也开源了，做科研智能体的别错过。
把 PyTorch 仓库自动改成 JAX 版的智能体测评，Claude Opus 5 通过 75%，其他模型差距挺大，做工程自动化的可以看看。
一群研究者做了个叫 MAEM 的元模型，能把 Qwen3.6-27B 里任意残差流方向翻译成人能读懂的文本，还比语料搜索和 NLA 更准，解释能用一次前向传播验证，可解释性方向值得看。
做意图路由或分类的朋友可以看看：同一模型换个标签写法，准确率能差这么多，论文还给了四个评测坑点。
The survey's value lies in its proposed evaluation framework and its six-way taxonomy of research orientations, which gives structure to a field that has grown mostly through scattered techniques. Researchers and safety teams can use the released notebooks to reproduce methods hands-on rather than reading only about them. The comparison between mechanistic evidence and behavioural evaluation is a useful lens for anyone deciding whether to invest in interpretability tools over standard safety testing.
一篇偏数学的方法论文：不用推导符号方程，直接从微分方程数据里挖出连续对称性生成元，在 11 维基准上全部恢复，做科学机器学习的人可以看看。
搞微调和 RLHF 的朋友可以看看，论文讲清了 LoRA 在 SFT 和 RL 里动态为啥不一样，还给出了分阶段调法，实验在数学推理上验证有效。
研究不确定性量化的朋友可以看看：这篇证明了保形预测在时变偏微分方程上为什么会失效，还给了加权修正方案。
arXiv 上这篇把 Unitree G1 训练成能和人互相配合的伙伴，还能预判被挡住的同伴动作，260 小时交互数据开源了。
NASA DASHlink 数据上跑的飞机着陆异常检测，LSTM 自编码器加 XGBoost，召回率超过 0.9，做时序稀有事件检测的可以看看。
训练 GNN 的朋友可以看看这篇：把 Muon 改造成图感知的 GraphMuon，在 OGB 基准上比 AdamW 快 1.3 到 2.4 倍，代码已开源。
一个改进 Gated DeltaNet-2 的线性注意力新架构，长文本外推到千万 token 还不掉点，训练还比 Transformer 快 2.7 倍，做长上下文的值得看看实现思路。
The practical lesson is that the teacher choice decides whether OPD is worth the compute: self-distillation from a model's own GRPO checkpoint is far cheaper than rerunning reinforcement learning, while generic strong teachers are not. Practitioners training domain-specialised models can consolidate separate GRPO experts via multi-teacher OPD at a fraction of the cost. Readers comparing RL and distillation budgets will find a reusable evaluation framework here.
Benchmark scores on data cleaning may measure memorised entity knowledge rather than repair skill, so leaderboard rankings deserve scepticism when the underlying rows are public. Teams using LLMs to clean operational data should test on renamed surrogates or fresh records before trusting reported accuracy. The released controlled tables and offline replay scoring code make it straightforward to rerun the protocol on in-house data.
这篇论文造了 8000 多篇论文的数据集，专门研究怎么看出数学证明是不是 AI 写的，连改写过的都能识别出来，做学术检测的可以看看。
做 RAG 检索的可以看看：同一套 BEIR SciFact 查询下，加一层概率相关性重排，nDCG 从 0.64 提到 0.78，还给了成本和延迟的实测数据。
这篇论文讲了个有意思的现象：AI 写的文本被反复引用后又变成训练数据，慢慢改变人类语言习惯。想理解 AI 对社会的长期影响可以看看。
理论计算机科学版的 LLM 考试来了：GPT-6 Astra 和 Opus 5.5 分别拿下两个版本第一，还真能推进一些开放猜想的特殊情形，做研究的人可以看看这套用 Lean 验证的评测框架。
这篇论文教模型自己判断答案对不对，不用标准答案也不用多次采样，在 5 个模型 6 个基准上都跑出了不错的结果。
化工版的 agent 工作台，测试里花 224 美元 API 费就让智能体产出了一整套工程设计包，还带错误检查机制。
研究者做了个叫 tok 的纯文本流程建模格式，LLM 写它比写 BPMN XML 省约四分之一 token，校验还能查出 98.2% 的错误，做流程智能体的可以看看。
欧洲团队做了心脏病方向的多语言医疗模型，508 份病例扩成 7 种语言语料，结果挺有意思：专业预训练没用，多语言联合训练反而最强。
一篇病理AI检索论文，CLEAR-WSI用固定长度嵌入在四个数据集上都超过最强基线，做数字病理检索的可以看看具体方法。