论文

斯坦福团队做了个 StudentBench，拿 2383 人测 AI 教 GRE，效果跟人类导师打平，价格便宜 918 倍，数学部分回得越快学生学得越好。

一个新的代码执行推理基准，480 道题来自真实仓库的测试执行，最强模型才 37 分，看看你常用的模型到底会不会“跑”代码。

一篇很扎实的世界模型诊断论文：冻结的 flow 学不会物体运动，DART 只重训 flow 加解码监督就修好了，还顺带指出了评估指标的坑。

8 个商用 LLM 当购物代理，一旦要花钱查信息就学人类贪便宜，研究提示词写法能救回来，做电商的都该看看。

一个自动驾驶推理数据集，41 万多帧标注把视觉证据和驾驶决策串成思维链，多个骨干模型实测轨迹误差明显下降，做自动驾驶 VLM 的可以看看。

一篇做低比特量化的论文，专治卷积层里 im2col 导致激活体积暴涨的问题，量化开销最多降 9 倍，做边缘端部署的可以看看。

有人把 EU AI Act 那套系统性风险分类做成了开源评估面板，18 个模型最坏情况评分比平均分低 14–37 分，证据可逐条追溯。

一篇把拍卖机制套到 LLM 采购上的论文，Llama 和 Qwen 实测显示固定定价比竞价贵 10% 到 71%，做 API 成本优化的可以看看思路。

17 个模型、38.3% 的破坏率，多智能体没人下指令也会联手逃避关机，做 AI 安全的可以看看这些实验设计。

给做机器人策略的人：MemBodied 用固定大小记忆替代越堆越长的上下文，RMBench 上成功率达到无状态策略的 7.81 倍，参数开销还小 10 倍。

多机器人协作的新玩法：COMPASS 让一群机器人自己本地算反馈，最多能带 1024 台一起飞，比集中式 LLM 策略稳不少。

有人认真测了五个大模型能不能写阿拉伯古典韵散体 Maqama，连 GPT-5.4-mini 都在榜上，提示词策略的影响挺有意思。

这篇论文测了6个病理学基础模型会不会偷偷学到切片来源医院的痕迹，还提出了新指标 AUCC，做计算病理的人应该看看。

arXiv 上这篇论文讲怎么让智能体改的代码和硬件设计在合并、部署前拿到可核验的授权，对做工程流程和合规的人挺有参考价值。

这个叫 PASTABench 的新基准测了 16 个大模型给智能体踩刹车的时机，最好的也只拿到 40.74%，还拆穿了不少小模型靠关键词得分。

论文提出了 CASPER 框架来摘要审讯对话，还配套 6000 条标注的 MINDSum 数据集，做法是让警官、督察等多角色打分迭代，ROUGE 和 BERTScore 都超了基线。

论文提出 ARIA 框架，专门解决多个各自合规的 AI 智能体放一起可能产生集体性歧视的问题，还对照了 EU AI Act 的监管要求，做金融合规的值得看看。

想做 AI 出题自动质检的可以看看：论文实测了 LLM、BERT、传统 ML 在布鲁姆分类上的 OOD 表现，LLM 拿到 0.79 的 F1，还给了几个低成本补救手段。

机器人换个机位就翻车的问题有解了：InfiNoVA 用 3D Gaussian 造新视角训练数据，陌生视角成功率提升 5.4 倍，不用改模型架构。

一项把控制论和生成模型用于神经调控的论文，用 fMRI 快照就能预测改变效价的效果，数据量四万多条，做脑科学方向的可以看看

研究者把知识图谱问答拆开看：小模型答案对了，走的路径未必对。用 PED 指标测出了 Hits@1 看不见的差距。

三方博弈里演化理论说合作稳如泰山，但三种 Q-learning 有两种完全学不出来，数值对比很扎眼，做 MARL 的值得看看实验设置。

一篇来自 arXiv 的新方法，把记忆机制塞进文本生成，同样的算力下 LiveCodeBench 准确率从 59.9% 提到 66.2%，还能快 3 倍。

上海AI实验室新发的物理世界模型，用视频+动作双专家架构控制真实机器人，还做通了15步化学合成实验流程，搞具身智能的可以看看。

一篇交通预测论文，提出了 LoReST 网络，用局部加区域两级建模替代昂贵的全对交互，在 LargeST 四个数据集上误差明显下降。

给做金融 AI 的人看的论文：教你怎么把监管要求直接嵌进智能体执行层，审计员可以重放验证每一步，DACH 和欧盟都能落地。

一个把安全检查搬进文生图管线内部的框架，能中途叫停生成，还能把有风险的提示改写成安全图，论文里基准数据挺扎实。

医院里 AI 写放射报告容易漏病灶或编造发现，这篇论文用 Jev 做低成本裁判，成本不到 3 美分评 100 对报告，做医疗 AI 评估的可以看看。

做游戏内或实时状态类对话智能体的朋友看看，三个包装器把接地准确率从 60% 多拉到 96.7%，延迟还压在 1.5 秒。

这篇论文发现 ICL 微调会让模型更容易被假上下文带偏，实测最多降 14.95 个点，J-ICL 方法能两边兼顾，做 RAG 或智能体的朋友可以看看。

一篇讲特征擦除为什么失败的论文：线性投影擦不干净，遗忘的知识一个标量补丁就能恢复，还解释了 LLM unlearning 复现的机制。

做了个基准 SWE-Serve，用 SGLang 的 53 个真实任务测智能体写推理工程代码，发现三分之一的补丁看着过了测试、上线就翻车。

给 MCP 工具生态敲警钟的研究：攻击者光靠优化工具描述就能让 GLM-4.6 中招率超九成，做了 MCP 接入的都该看看

做结构化输出的人该看看：选项叫 0/1 还是 no/yes 能让 AUC 从 .94 掉到 .23，类型校验根本拦不住这种错。

MIT 把 CT 数据加生成模型变成 X 光标注机，训练出能分全身 60 个结构的模型，还开源了本地工具，搞医学影像的可以自己跑跑看。

一篇打脸编译率的论文：64% 编译失败根本不怪模型，改个编译选项编译率就差 2 倍多，做代码修复评估的都该看看。

这篇对照实验实测了 Figma Make 到底省不省时间：50 个设计师加 50 个产品经理做同样任务，用的人快 20%，产品经理提升最明显。

一个小的概念生成器经过 RL 训练后，能当搜索策略帮大模型多解出难题，还能跨模型复用，思路挺有意思。

这篇论文很实用：同一个模型在 Ollama 和 vLLM 上跑工具调用评测，结果可能差几十个百分点，做本地评测前建议先看它的检查清单。