论文

有人出了个数学基准 Endless Exam，14类构造题自动验证打分，8个模型全测了一遍，目前没谁超过人类已发表纪录。

Agent出了安全事故该报什么？23位专家把清单列好了，做Agent治理可以直接对照。

让 VLM 智能体边渲染边比对来跟踪 3D 物体，ARCTIC 和 HOT3D 两个基准上都跑赢了现有方法。

VPRune 不用训练就能剪掉 LVLM 的视觉 token，FastVLM-1.5B 上高压缩率也掉点少，做端侧部署可以看看。

做自动驾驶3D感知评测的可以看看，这个基准专抓LiDAR模型靠选项套路蒙对题的毛病，代码和数据都开源了。

分布式 RL 训练卡在经验搬运上？这篇论文的 Conduit 把经验路径延迟最多降 97%，还能扩到 1,024 GPU。

智能体跑长任务容易中提示注入，这篇给了逐动作把关的运行时方案，AgentDojo上比现有防御更稳

机器人电子皮肤有了专用预训练方法，手中物体朝向误差降 20.8%，代码已开源，做机器人触觉的可以试试。

Astra 不微调直接当机器人策略，42 项任务拿下 22.48%，GPT-5.5 只有 0.88%。

DeepSeek公开了自家跑智能体训练的沙箱底座，一天能开300万个沙箱，做Agent训练的可以看看这套架构怎么搭。

做边缘计算或网络调度的可以看这篇：Jev 把意图翻成执行契约再交给数值调度器，决策延迟比 Gemini 低 61.9%。

有人把 55 年音乐节阵容数据做成时序知识图谱，拿来预测未来阵容，还和大模型零样本对比了一波。

KV Cache 省显存的新思路：不看注意力看价值向量偏离度，MATH-500 上比老方法最高多约 20 分。

给岗位匹配选嵌入模型的看这篇：EmbeddingGemma 微调版对决 MPNet，RRF 混合检索评测细节给得很足。

把后验分布直接写进流匹配权重，测试时梯度更新做滤波，粒子表示的扩展性难题有了新解法。

Bearings 给音频模型补上方位感：接上后 TAU-NIGENS 定位分数从不足 4 升到 50，原模型不用重训。

担心发去 API 的内容被还原的话看看这篇，把输入语义整个换掉再让 LLM 推理，重构不回来还不掉点。

有人把 DeepSeek-R1-8B 调教成会挑刺的审稿人：假定理不再硬证，AIME 分数基本没掉。

交通摄像头的模型更新包只要14.6KB，在ODinW-13和D-RICO上成绩不输大参数方案。

训练离线RL可以不用目标网络和EMA了，ALBUM单critic在OGBench追平FQL，显存最省

工程师定规矩，AI 智能体 2.9 小时写出 6 套土塞演化求解器，隆起误差从 58.4% 降到 9.0%。

把 token 当粒子建模，还拿 Kimi-K3 和 DeepSeek-V4-Flash 实测验证，讲清稀疏注意力为啥省算力还不丢效果。

用 PCA 就能找出数据里被压扁的少数群体，不用组标签，结果还能直接喂给 Fair PCA 补救。

arXiv 新论文提出 SERA，合并多个微调模型时按任务分配秩预算，总预算不变还能涨点。

想让随机森林的解释更稳？这篇论文让单棵 ART 树在 21 个数据集上同时给出预测值、区间和概率。

想把两个模型权重合并凑出新能力？这篇论文用三个模型家族证明涌现能力合不出来，错位反而会跟着保留。

WPBench 把 26 个风电数据集汇成一个基准，19 个模型统一跑了一遍，做风电预测的直接对着选型就行。

托卡马克最怕等离子体突然破裂，这篇论文把生存模型改成只看有限时间窗，TLS 在 DIII-D 和 EAST 上报警最准。

用完全冻结的MAE视觉模型做时序预测，加上VCR和TPR两个模块，在10个数据集上跑赢了现有方法。

蒸馏最烧token，这篇把教师监督压到0.1%-1%还不掉点，reverse-KL目标也保留，做训练的可以直接抄代码。

有人拿 SAE 逐个对比 Mamba 和 Pythia 的内部特征，99.98% 几乎一样，做可解释性的可以看看。

做长上下文推理的可以看看这篇：ARM 用可微路由记忆替代硬淘汰 token，缓存不再丢关键信息，延迟还可控。

arXiv 新论文：ASF-S 剪枝方法砍掉 70% 参数后不用重训就能恢复原精度，思路是从大脑的功能连接借来的。

搞自动驾驶或列车感知测试的可以看看：PEON 把运行设计域建成概率模型，能自动采出代表性测试用例，还给出何时能停测的判据。

EquiSELD 借 O(3) 对称性做声音事件定位，训练成本更低，成绩还胜过以前的等变网络。

RA-MMEA 先评估图像可靠性再融合，替代直接拼图片的做法，专治图像噪声拖累实体对齐，代码将开源。

无位姿照片丢进去，一次前向就出可渲染的 3D 高斯场景，权重也开源了，做 3D 重建的可以去看看。

广告效果不用等投放结束，这篇论文第4周就能把全年处方量预测误差压到2.9%，梯度提升基线是13%起步。

选模型前别光看榜单分数，这篇论文把通用排行的坑掰开讲了五种，还给了个众包评测的路子。

想给 Agent 配图记忆数据库前先看这篇，Corvic AI、Neo4j 等 8 款引擎实测，最贵的不是查询慢，是把数据喂进去。