Papers
这篇论文问了个挺实际的问题：药物设计 Agent 花对接算力学到的经验，能不能存下来给下一个蛋白口袋用。答案是能复用的部分主要是编辑动作本身，不是靶点信息。
给做智能体的朋友：这篇测了 MCP 工具挂掉时各家 agent 框架的表现，结论挺反直觉，模型变大不顶用，框架的错误处理才关键。
一篇无线通信基础模型的研究：把信道配置信息放进预训练，在 LoS 分类和 beam selection 等任务上，小样本场景效果比基线更好。
评测 GUI 智能体老盯着静态截图，这篇造了 601 个目标先藏起来的任务，人能拿 94.6%，GPT-5.5 只有 79.4%，差距到底卡在哪写得很清楚。
有人拿 BERT 分析了奥地利议会 22 年的演讲，发现联合执政的政党说话越来越像，退党议员也是换了党才改口风。
NVIDIA 把 Audio Flamingo Next 微调成能模仿具体真人的音乐品味和说话风格，10 个 persona 测试有效，做个性化 AI 的可以看看。
一个不用训练就能做视频异常检测的框架 SAAF，比之前的零样本方法快两倍多，还能超过监督模型，代码已开源。
同一套任务，换不同 harness 排名就变。这篇用 52,168 条轨迹告诉你怎么区分模型和 harness 谁在背锅，做智能体的都该看看。
arXiv 上新论文 CASE，专门治多模态模型分不清相近情绪的问题，把 Qwen3-VL-8B 的 CA-MER 准确率从 46.80% 拉到 59.13%，还不用动模型参数。
一篇做多模态嵌入的论文，把推理当成隐变量来训练，MMEB-V2 上 78 个任务全赢了基线，视觉文档检索涨了 6 分多，做检索的可以看看。
让 LLM 照着护士用的分诊指南一步步执行，566 个场景测出 0.95 准确率，直接问 LLM 只有 0.47，过度分诊也从 0.5 压到 0.02。
做 Web3 安全评测的可以看看：这套路子用协议变异生成新任务，照抄链上公开攻击代码没用，3035 个任务还覆盖检测到修补全流程。
一篇医疗预测的论文：DIGOM 用图同时建模患者间和跨模态关系，在 MIMIC-IV 等数据集五个任务上都拿了最高 AUROC，模态缺失时也更稳。
训练科研智能体最缺的就是能跑、能验证的环境，这套流水线从代码仓库自动造出近 10 万个，还把 Qwen3.5 训出了跨基准提升。
这篇论文提了个省钱的办法：不用跑昂贵的机器人闭环测试，用 S² 指标就能提前判断哪个模型训出来更靠谱。做具身智能的值得看看。
这篇论文解决了 AI 决策该不该信的问题：错漏审比例可设阈值、有数学保证，还比基线少用大量人工审核，做智能体安全筛查的值得看看。
训练方偷偷用了你的图片集合很难查，这篇论文给出办法：提前在数据里埋低频水印，事后用几十张生成图就能验证，画质几乎无损。
循环模型每次循环都要单独存一份 KV 缓存，内存爆炸。这篇论文的两阶段训练方法让缓存能跨层共享，首 token 时间砍了 83.6%，做长推理的可以看看。
一篇隐私方向的新论文：自蒸馏模型原来会留下可被攻击的训练数据痕迹，OP-Print 用残差信号和重启稳定性就能把成员识别出来，基线全都失效。
一篇理论向的论文，作者把纯 DP 下学习离散分布的样本复杂度做到了信息论最优，核心工具是 sum-of-squares 估计器，做隐私统计的可以细看。
一篇给多模态模型做反事实解释的论文，思路是直接从训练集里检索真实样本当解释，比逐模态归因更连贯，可解释性方向的同学可以看看。
一篇解决相位恢复这类歧义逆问题的新论文：单次采样里同时养多个候选解，按先验淘汰弱的，不用best-of-k跑多次。
一篇论文把物理轨迹数据变成可复用的目标函数，LEAP 在分子模拟和多体轨道上都验证了，做科学计算推理的可以看看。
一篇方法论文：把压缩变成回归问题，RULER 成绩超过注意力压缩器，视觉 token 还能砍掉一半多。
用图结构增强 LLM 提示的朋友看看这篇：G-Retriever 的图 token 其实塌缩成常量了，作者还给了检测方法和修复流程，代码开源。
这篇论文把 DeepSeek R1 和 Kimi K3 发布时的股价反应放在一起比，解释了为什么两次市场反应完全不同，做投资或研究行业的人都该看看。
有人用 Rowhammer 硬件攻击搞坏了 Triton 编译，四个主流模型实测慢 4-16%，搞 GPU 推理的都该看看这篇。
The finding overturns the widely repeated narrative that acceptance rate falls as chains grow, which has driven draft-model co-design and position-aware training spending. Teams building inference acceleration should redirect effort from positional engineering toward entropy at decision points, where the paper localizes the real failure. The MATH-500 baseline and open diagnostic protocol are directly reusable for benchmarking any draft-target pairing.
Unacknowledged prompt suggestions can flip a model's final answer, and this method localizes where in the residual stream that influence enters — a concrete tool for interpretability and safety audits. Researchers and alignment teams working on chain-of-thought faithfulness can apply the attribution maps to test which prompt elements causally matter. The open-source Gemma-4-E4B-it and DeepSeek-R1-0528-Qwen3-8B checkpoints make replication cheap compared with closed frontier models.
给编码智能体加了个只有 4B 的小验证器，只挑关键步骤做验证，解决率涨一两个点，成本几乎没变，还能直接用在没见过的模型上。
一篇研究测试时推理剪枝的论文，把 pass@$k$ 直接当优化目标，在 8 个开源推理模型上比质量和多样性两类剪枝策略都强，做推理效率的可以看看。
这篇论文把 IT 工单自动路由的隐性成本算清楚了，微调的 DistilBERT 比 GPT-4o-mini few-shot 准确率高出近一倍，用成本模型选策略能省 38% 成本。
有人用 Custom GPT 做了个帮中小企业看懂 EU AI Act 的工具，还拿 100 个场景和 ChatGPT 对比测了一轮，方法值得借鉴。