Papers
这篇 arXiv 论文讲了个挺反直觉的坑：训练时删掉的坏行为会换个形式回来。作者用配对干预把问题量化，再提出 ICA 闸门修好，做后训练的值得看看
跑 repetitive agent 任务的可以看看：把轨迹编译成代码后，同样的任务 token 省 70 倍、结果还能逐次一致，比存 skill 靠谱多了。
Numina 做了个让人监督 AI 写 Lean 4 证明的工作台，还真拿它形式化了 Kakeya 猜想，开源版可以直接跑。
The headline result is less the game AI itself than the demonstration that LLM agents constructing and verifying research infrastructure outperform those same LLMs playing directly. Practitioners building agent pipelines can study its typed research memory, verification gates and feedback loops as a template for long-horizon autonomous work. The open-sourced TavernGym and TavernBench also give anyone a ready-made RL environment with stochastic, hidden-information decision-making.
有人把 EEG 硬件、注意力分类模型和音频干预整套跑通了，实时延迟不到 100 毫秒，37 人实验里注意力分数提升 20%，做脑机接口的可以看看。
这篇把晶体结构预测的 Top-1 从 28.3% 干到 72.2%，关键居然是修 bug——元素替换时没管化学计量系数，作者审计后重写流程，还比 CrystalFlow 快十倍。
用 NTK 理论分析物理信息神经网络的训练动力学，这篇把正交群对称性和谱性质证清楚了，做理论的朋友可以看看。
一群研究者把 AGI 数学理论直接落成了语言模型，单一动态状态同时做表示和预测，性能追平同规模 GPT 基线，思路很不一样。
做肌电手势识别或持续学习的可以看看：在 NinaPro DB1 上对比了三种策略，经验回放遗忘率只有 EWC 的零头，还有训练窗口怎么切才不崩的细节。
想知道 Claude 或 GPT 审代码到底能不能抓到真漏洞？这篇基准测了八款模型，265 个来自 Firefox、OpenSSL 的真实漏洞提交，结果差异挺大。
做代码审查工具或想测模型审查能力的话可以看看，1968 个带明确契约的案例，OpenAI Decisions 拿了 81.3% 平衡准确率。
联邦学习里少数站点数据常被压没了，这篇用四层架构让小于 3% 数据的节点也能追平大站点，临床场景很实用。
Interaction-level credit assignment, not raw model scale, is what closes the gap with frontier systems here — a 671B model loses by roughly 20 points under the same protocol. Researchers building tool-using agents in specialized domains can apply the same step-level reward scheme without frontier API budgets. The authors' caveat that annotation coverage does not prove biological correctness is worth keeping in mind when comparing reported scores.
自蒸馏训练推理模型会让学生学会瞎编参考、不敢回头检查，这篇用激活转向治好了这两个毛病，AIME、HMMT 上准确率也涨了，做训练的可以看看。
一篇用 Double Machine Learning 做动态收费政策的研究，商业区治堵效果是住宅区近两倍，还给出了一个怎么调都稳的费率区间。
一篇轻量语音情感识别论文：不用大 Transformer，411 万参数就在三个数据集组合上跑出 96.75% 准确率，做端侧部署的可以看看。
多个 GFlowNet 各自探索容易撞在同一片高奖励区，这篇论文用共享分类器动态分地盘，采样覆盖更广，做生物序列设计的可以看看。
The Well 数据集的官方基线其实没怎么调参，这篇只在 12 小时内调了下 TFNO，17 个任务里 15 个就大幅超过原基线，引用时得留心。
这篇论文把心电图当语言来处理，用 VQ-VAE 把波形切成 token 再跑 BERT 预训练，80 万条 MIMIC-IV 数据训练出来的，做心电诊断方向的可以看看。
50 多名专家做了个 600 级的智能体考试，前沿模型最高也只过 47.7%，想知道智能体长期能力差在哪的可以看看。
如果你的 Agent 管线老被 Pydantic 校验卡住，这篇拿 9 个模型、近 4000 次调用跑出来的失败分析值得看看。
arXiv 上的新工作 SceneBloom，用扩散模型生成可仿真训练的 3D 室内场景，做具身智能的朋友可以看看，代码已开源。
一篇解决医疗 VLM 量尺问题的论文：离散 token 测不准毫米级数值，HAD-VLM 用扩散头预测坐标和长度，误差比 Vicuna 基线降了最高 37.6%。
这论文回答了个实际问题：ChatGPT 们以后怎么靠广告赚钱、免费和付费档怎么设计，算力降价了广告收入反而可能更多，结论挺反直觉。
一个开源的波斯语检索模型，0.6B 大小打平 4B 的 Qwen3 原版，做小语种 RAG 的可以看看它的蒸馏配方。
想让 AI 帮你优化代码前先看这篇：11 个模型实测下来，42/44 的“优化”代码反而更耗电，MoE 架构是最省能的选择。
把 CLIP 的嵌入从球面挪到单纯形，模态间隙直接砍掉 97% 以上，检索还不掉点，想法挺巧。
RL 训练里 rollout 生成最耗时，这篇论文把它提速到原来的近 2 倍，还不用额外模型，做训练的可以看看实现思路。
想在单卡跑大模型又怕掉点的话，这篇给出更聪明的 SVD 压缩方案，比现有方法准确率高不少，代码也放出来了。
一篇理论向论文，用五层架构拆解 LLM 上下文为何无法承载话语根基，引用了 Shchedrovitskiy 等人的系统方法论，喜欢思辨的可以啃啃。
这篇论文搞了个因果效应估计的基础模型 PICLE-PFN，一次前向传播就能出结果，不用每个数据集单独拟合模型，跑得还快。
一篇工程味很浓的 RAG 论文：7 个智能体逆向工程 241 个仓库，再靠 artifact 级元数据让检索不再靠相似度猜，做了 100+ 缺陷修复验证。
一篇优化器调度的架构对比实验：乘法耦合的调度能泛化到大 15 个种子验证的分布外实例，加法版不行，做学习式优化的人可以看看。