Papers

GPT 6 Astra 做数学题很厉害，但给它回溯国际象棋题，24 次只对 2 次，这个新基准专门测模型的纯推理能力，失败原因分析很有意思。

工业互联网上灾害种类不断冒新、样本又少，这篇论文的 CLAR 用潜在表示+注意力打分做回放式增量学习，还给了理论证明，搞边缘部署的可以看看。

论文把无人机俯拍画面直接变成红绿灯控制策略，不用路边固定摄像头，换路口也能用，比视觉基线平均减少 7-9% 等待时间。

这篇论文给出了让研究智能体和人类一起做研究的训练方法，还配套发了 HackBench 评测 reward hacking，做智能体训练的可以看看。

研究者把测量量子材料的活儿交给 AI 智能体自己规划、自己操作 PPMS 设备，还在 TaP 和 Co2MnGa 上跑通了，做材料实验的可以看看。

90人看了438个AI视频，靠眼动数据就能71.3%准确率预测观众觉得真假，做视频生成评估的可以看看这套方法。

arXiv 上这篇论文提出了 CopyLoop，不用重新训练就能给 Looped Transformer 解码提速最高 10.70 倍，在 6 个模型检查点上验证过，做推理加速的可以看看。

论文让模型判断'后院种花是常住还是 Airbnb 是短住'这类时长问题，主流模型集体翻车，分析写得挺细。

一个叫 AtomTree 的新框架，让 LLM 干家务类具身任务时不再一口气定死计划，卡住了就回退重规划，ALFRED 上零样本跑赢了之前的 LLM 规划器。

一篇挺有意思的理论论文，把“聪明”拆成信息和工作两个维度，还顺带论证了为什么该警惕智能体社会自己掌权。

arXiv 上这篇论文做了个新基准 inkGround，专门考 VLM 能不能从手写照片里恢复笔画顺序，Gemini-3.1-Pro 表现最好。

一群研究者从 300 万条医学结论里学出时间方向，让模型顺着推未来假设，CAR-T 假设还被专家认可了 37 个。

八成错误数字不是编的，是从自己别的实验里抄错的，论文还给了个 90% 精确率的自动核查工具，做 AI 科研的都该看看。

这篇讲了个反直觉思路：把模型故意剪枝或量化变弱，再用强弱对比来自蒸馏，Qwen3.5-4B 在 HMMT 上直接涨了 12.8 个点。

机器人团队做了个 TERRA 框架，火星车到了松软坡地上不用大量试错，3-5 次真实试跑就能学会主动悬挂爬坡，仿真里成功率能到 90%。做机器人 sim-to-real 的可以看看。

把蒸馏里的安全退化问题做成了可计算的数学模型，还给出临界转变的可检验预测，做模型对齐和蒸馏的人可以看看推导思路。

如果担心用 AI 会让自己和团队变笨，这篇综述把机制拆得很清楚，还给了组织层面的应对设计思路。

一篇讲图像取证的论文：图像带部分 C2PA 溯源时，怎么把这段可信信息用来增强合成图检测，思路挺少见。

解决自蒸馏训练到后面不涨分的问题，思路是让教师自己也能被环境反馈训练，做后训练的可以看看。

学术界把 GFlowNets 拿来做金融危机压力测试，比 RL 和 MCMC 生成的极端场景更全更真实，做风控的可以看看。

训练数据只有 1000 条分子时，把 SMILES 换成随机化 SAFE，新分子产出直接翻 450 倍，还比随机化 SMILES 高 2.8 倍，做药物生成的人可以看看。

这篇论文讲了个挺聪明的训练技巧：让攻击模型从“宽松版”目标一路练到“严格版”，稀疏奖励问题就缓解了，安全测试团队可以参考。

天文学和机器学习交叉的论文：一个完全不用标签的神经网络，靠光谱本身学出红移，在 SDSS DR18 上表现接近现有算法，做巡天数据处理的朋友可以看看。

多智能体把 GPU 打满时，这篇论文教你怎么用 CPU 跑预填充，比 PyTorch SDPA 快 2 倍，还接进了 SGLang。

arXiv 上这篇论文把智能体持续学习变成路由问题，实测比全局历史省 65-72% 成本，做 Agent 记忆设计可以看看。

这篇 arXiv 综述把联邦学习安全从攻击面到防御手段整理成一张完整地图，做分布式训练安全方向的话可以当参考手册用。

一篇关于机器遗忘的理论论文，告诉你为什么 loss 降了不等于真忘了，还给了能提前算的诊断工具，做模型隐私相关的可以看看。

一篇把强化学习和扩散模型结合做降水预报的论文，叫 FitzRoy，能预报极端暴雨还不会像传统 ML 那样把结果画糊，做气象 AI 的可以看看。

中医多模态诊断的合成评测论文，把主动提问和客观证据分开测，连成本和失效边界都做了消融，做诊断类 Agent 的可以参考它的评测设计。

这篇论文把 Muon、Shampoo 这类优化器背后的非欧氏几何做了严格理论化，还给出半异步分布式版本的时间复杂度分析，做优化理论研究的话很值得细看。

有人把中医四诊数据塞进一个九层可审计 AI 架构，还老实交代了对照实验里哪些指标没赢，读起来挺少见的。

有人在没神经加速器的 ESP32-P4 芯片上跑通了 65.7M 参数的流式语音识别，权重压到 26.65 MB，还开源了引擎和固件，玩嵌入式的朋友可以看看。

论文提出 ASD，用模型自己的安全行为蒸馏给被攻击时的自己，连注入合规开头都能恢复拒答，比现有防御的攻击成功率更低。

一篇医疗推理的论文：把临床指南拆成多条决策流当奖励信号，Qwen3-14B 上 MedGUIDE 准确率涨了 3.3 分，做医疗 AI 的可以看看。

一篇把判别式决策模型搬到卫星通信上的论文，单次前向 90 毫秒出决策，准确率还比生成式基线高出一大截，做边缘部署的可以看看。

做 3D 视觉或体数据建模的可以看看：这篇指出了 packed attention 学到内存布局而非几何的坑，PACK3D 用真实坐标的轴向 RoPE 解决，还有 Triton 实现，65k token 下速度和窗口注意力一样快。

做了个叫 DeoGen 的工具，能把政策规则自动变成推理测试题。测出前沿模型该拒答时只有 22-40% 答对，这个盲区挺扎眼的。

理论向论文，讲清楚了联邦学习中通信越频繁泛化反而可能变差这个反直觉结论，做分布式训练的可以看看。

如果你平时用 Claude Code 或 OpenCode 写代码，这篇值得花十分钟：一次 PR 改个 CLAUDE.md 就可能让你的智能体悄悄写出有漏洞的代码。