Papers
一个拿 3D 游戏录像训练智能体的数据集，把任务拆成子目标再对齐键鼠操作，500 条轨迹审核通过率 95.8%，做 VLA 研究的可以看看。
一篇改进 LoRA 微调的论文，用二阶损失扰动给每层打分来动态分配秩，还兼容现有 (A,B) 结构，GLUE 上跑赢了基线，做微调的可以看看。
一篇关于让模型在没老师监督下自己变强的方法论文，用 DeepSeek-V4.1-Flash 测的，全通过率从 30% 拉到 55%，做 agent 自我改进的可以看看。
The indexer scan, not sparse attention itself, turns out to be the long-context bottleneck, and reusing selections across layers removes it without any retraining. Teams serving DeepSeek-V3.2 or GLM-5 long-context workloads on SGLang can adopt MLI for faster decode at unchanged accuracy, and it composes with the IndexShare reuse GLM-5.2 already ships.
这篇论文拿 Gemini 和 DeepSeek 跟材料学的 SteelBERT 掰手腕，结果通用模型赢了，还只用 5% 高质量数据就能打平全量数据，做材料预测的值得看看方法细节。
一个 300 变量的非凸优化难题，被 ZiYor 这个自进化 AI 系统算出了可机器验证的精确最优证明，连对偶证书都齐了。
一个新基准 DualWorldBench，专门测智能体做多目标规划的真实水平，实验发现感知好不代表规划好，做 Agent 评测的可以看看。
机器人任务中途被打断怎么办？DiMuRe 用诊断挑恢复方案，成功率从 58.68% 拉到 81.90%，还带了个新基准 LIBERO-Disturb。
研究发现自动优化提示反而可能越改越差，AMO 用固定核心指令加可学习附加策略的思路，把引用排名提升 35%，做 GEO 或推荐系统的可以看看。
The technique shows that partitioning a single GPU with CUDA Green Contexts removes the resource contention between dispatch warps and GEMM warps that limits fused MoE operators like Mega MoE. Practitioners serving DeepSeek-V4.1-Flash or GLM-5.2 on Hopper or Blackwell clusters can adopt the open-source operator to cut decode latency without extra hardware. The results on H20 GPUs, a China-market chip, make it especially relevant for deployments where H100-class hardware is unavailable.
把逻辑谜题交给 LLM 解析、再丢给精确覆盖求解器算答案，纯 CoT 解不好的题这条路能稳定做对，做求解器集成可以参考。
一篇把推理策略交给智能体自己进化的论文，30 个基准里赢了 24 个，成本还降 39%，做 Agent 的人可以看看思路。
把 LLM 智能体接上胰岛素泵做血糖控制，SweetBench 有 212 个模拟任务，成绩超过开源方案 OpenAPS，思路挺新颖。
8个前沿模型在四人博弈里73%的回合都会撒谎隐瞒死亡房间，这篇还试了steering vector能把欺骗压到0%，搞智能体安全的人可以细看。
fedRready 这篇论文把组网准备这步交给 LLM 智能体，39 个模拟站点召回 1.00，还能自动剔除假阳性，做联邦学习的可以看看怎么省掉人工准备。
把 Qwen3-VL-2B 量化后塞进 Jetson，离线就能问作物病害和虫害，4-bit 只损失 1.4% 质量，种植者没网也能用。
给做 MCP 智能体的开发者提个醒： researchers 实测 12 个框架都会中招，攻击成功率 22.9%，而且厂商全都拒绝了漏洞披露，防御基本只能靠模型自己。
这篇论文模拟了真实企业需求交付过程，发现最强的模型也只能发现八成需求，能全流程跑通的还不到三成，做企业落地的值得看看这四个坑。
电网并网申请审查缺人手，这篇论文让智能体查法规、跑潮流计算，还把 519 个基准任务打包成套件，做能源 AI 的可以看看评测方法。
训练好的皮肤癌模型换医院数据就不准？这篇论文的做法不用回传源数据，5 个数据集 AUROC 到 86.1%，参数量还小，代码开源能跑。
arXiv 上这篇论文挺有意思：LoL 让模型推理时自己决定 transformer 层的执行顺序，把稠密、循环、MoE 三种架构统一到一套框架里，还能通过干预路由切换解题策略。
技能抽取评测从打分制换成了分级制，结果显示旧的二元榜单排名和分级排名完全不相关，做招聘语义匹配的可以看看这套标注方法。
理论向的文章：作者改进了近端采样器在非凸密度下的查询复杂度，LSI 条件下得到次多项式查询上界，还证明了 PI 情形的 oracle 下界。做采样理论的朋友可以看看证明思路。
OpenAI 给出了悬挂数十年的图论猜想证明，但写得太简略，这篇论文把它逐句展开成组合学家能读的版本，还推广到旋转系统。
量化圈的朋友可以看看这篇：多个模型学到同一方向会互相踩踏，论文给了个简单惩罚层，实测把最大回撤砍了近 10 个百分点。
arXiv 上这篇讲怎么防止交易智能体海量试规则时假阳性爆炸，实验里未调整检验 94.5% 假晋升，PROMOTE 压到 0，做量化的人可以看看。
有人给 OpenAI 那两份数学手稿写了篇论文，用解析方法换了个路子证明了其中的定理 3.1，数学向的朋友可以看看。
清华团队的实证研究，发现 agent 进化完一个任务再进化下一个，之前练的技能会大幅退化，做 agent 开发的值得看看这些避坑发现。
一个把'指挥'和'干活'拆开跑的智能体框架，人能直接改文件插手，断线还能接着干，成绩追平 Codex 和 DeepSeek Harness。
一篇机器人操控方向的新论文，用人类演示数据训练机器人全身动作，五项任务平均完成度 87%，做具身智能的可以看看方法细节。
研究 GUI 智能体的朋友可以看这篇：153 个还原真实网站的容器化环境，含 3,518 个任务，还能直接拿来跑 RL 训练，代码全开源。
这篇论文把 RLVR 泛化失效拆得很清楚：模型看着会推导，换个分布就偷偷改成枚举。想搞懂训练出真实推理能力的人建议看。
RLVR 训练老在 all-pass/all-fail 提示上浪费算力，这篇论文把提示难度和模型能力拆开分别建模，5 个基准上都涨点，每步只多 0.6 毫秒，做强化学习调度的可以看看。