Papers

几百个小智能体在潜在空间里群聊协作，几分钟跑出别人一小时的搜索结果，还用 Qwen3 8B 改进了 AlphaEvolve 的解，省钱又快。

搞 ML 复现的可以看看：一个 agent 工作流把论文代码整理成标准复现包，四个模型成功率都冲上 90%，API 花费还省了近两成。

一篇解决医疗助手记忆混乱的论文：把患者事实建成带时间的图，在 MedMemoryBench 上比五个基线高出约 10 分，做医疗对话的可以看看。

一篇聊怎么把聊天界面开放给 AI 的论文，还做了 Meta Chat 原型，对做 AI 界面和 MCP 工具的人很有参考。

研究者给机器人 VLA 模型做了个潜层探针 VLA-Tug，能提前发现失败、还能预测失败原因，附带 3,180 条标注数据集。

这篇论文把 Terminal-Bench 2.0 翻出来查了一遍，三成任务有问题，修完之后各模型排名都会动。做评测的人应该看看他们的持续验证流程。

有人把ICU患者的电子病历训练成世界模型，一次建模就能模拟床位、调度、转院多种政策，比传统Markov模型多捕捉恢复速度差异。

给联邦学习开发者看的新玩法：Claude Opus 5.5 每 10 轮看一次客户端权重，自己写聚合代码，168 次实验显示比 FedAvg 高 1.26 个点，一次才花 0.79 美元。

机器人研究必看：用 3D Gaussian Splatting 把示教视频重渲染成新视角，成功率翻倍还省采集成本。

一个专测鼻咽癌诊疗全流程的医学基准，30 个模型里最强的严格成功率也只有 23%，能看出模型和真实医生差距在哪。

做机器人感知仿真的可以看看这个 VisionSIM，它把 LiDAR、iToF、事件相机这些传感器的真实失效模式都模拟出来了，还开源了数据集。

这篇论文讲了个有意思的现象：AI 写的文本被反复引用后又变成训练数据，慢慢改变人类语言习惯。想理解 AI 对社会的长期影响可以看看。

理论计算机科学版的 LLM 考试来了：GPT-6 Astra 和 Opus 5.5 分别拿下两个版本第一，还真能推进一些开放猜想的特殊情形，做研究的人可以看看这套用 Lean 验证的评测框架。

这篇论文教模型自己判断答案对不对，不用标准答案也不用多次采样，在 5 个模型 6 个基准上都跑出了不错的结果。

化工版的 agent 工作台，测试里花 224 美元 API 费就让智能体产出了一整套工程设计包，还带错误检查机制。

研究者做了个叫 tok 的纯文本流程建模格式，LLM 写它比写 BPMN XML 省约四分之一 token，校验还能查出 98.2% 的错误，做流程智能体的可以看看。

欧洲团队做了心脏病方向的多语言医疗模型，508 份病例扩成 7 种语言语料，结果挺有意思：专业预训练没用，多语言联合训练反而最强。

一篇病理AI检索论文，CLEAR-WSI用固定长度嵌入在四个数据集上都超过最强基线，做数字病理检索的可以看看具体方法。

数据不想交给中心服务器也能做 RAG 了，这篇论文的 ZeroRAG 不需要 DHT 也能路由到 10 万节点，做隐私检索的可以看看。

用大脑网格细胞做记忆架构，训练只看 40 个符号，测试能反转一万五千个符号的字符串，Transformer 做不到的 5 个任务它都解了。

arXiv 上一个免训练的推理技巧：找出几条推理轨迹的分岔点，借别的轨迹补生成，Qwen2.5-7B 在 MATH 上覆盖率从 89% 提到 91%。

给自动驾驶世界模型加新目标不用再重训了，采样时注入能量引导就行，三个公开 WAM 都涨了 1.8 到 3.6 EPDMS。

研究团队测了三种检索架构，持久化子代理在多轮对话里省了近一半 token 和成本，做 agent 的可以参考这些数字。

研究了量化剪枝为什么在大模型上更伤——用 attention heads 消融分解把补偿和真实损失拆开了，做模型压缩的可以看看。

外科手术版的 DINOv3，用近 2900 小时手术视频训练出的开源视觉编码器，20 个手术任务全胜，做医疗影像的可以拿来当 backbone。

一篇把智能体思路用在视觉任务上的论文，给 MLLM 加了放大和高亮两个工具，在 PSG 基准上拿了第一，做视觉推理的可以看看。

一篇去雾新论文，思路挺特别：不估大气参数，改学光在雾里能传多远，在 CDD-11 和 RTTS 上效果都更好。

微信团队开源的图像模型，理解编辑生成一条龙，单卡 H20 五秒出图，三项开源榜第一，做图像应用可以关注。

一篇很实用的论文：不改模型不改 harness，只优化智能体环境就能把 Haiku 4.5 成本砍七成，做智能体的都该看看

arXiv上一套知识图谱修复方案，用一个router决定LLM代理什么时候去外部检索证据，六套测试里token更省、修复F1还更高，做图谱的可以看看

用推荐系统思路预测台风会打乱哪些港口、影响几天，Wide & Deep 模型比距离基线高出 55%-85%，做物流和防灾的可以看看方法。

这篇论文用 Claude Code 实测了语法树、调用图等五种代码地图，发现主要价值在省 token，定位类任务最多省 39%，写补丁类就没啥优势了。

想在 Pythia-70M 里定位出控制 are/is 输出的具体特征，删掉就变单数，Gemma-2-2b 和 Llama-3.1-8b 上也复现了。

机器人扩散策略想用 RL 微调但算不动？这篇 LARBRID 只优化初始噪声分布，速度提上去了，成绩还能涨 2-3 倍，代码开源可以跑。

arXiv 上一篇理论论文，把满足化学习规则改写成贝叶斯估计器 ACB，还证明不可达目标下探索不会收敛，喜欢决策理论建模的可以看看推导。

用 30 年病史训练 EHR 模型预测结直肠癌，发现回看 18 年效果最好，还顺带指出了 RoPE 处理长时间的问题。

一篇改进 kNN 的小论文：不再全局定一个 k，而是用遗传算法学出按每个样本自适应选 k 的策略，还附了 12 个数据集的实验和泛化证明。

一篇很实在的推理优化论文：把注意力分块按精度分档，长文本生成最高快 7.88 倍，代码已开源，做长上下文部署的可以试试。

这篇论文把两种衡量 AI 削弱人类权力的度量用不等式串了起来，还给出能从交互日志直接算的监控指标，做 AI 安全的方向可以看看。

做嵌入可视化的人可以看看，它不用标签，靠知识图谱三元组重构邻域图，8 个条件上 NMI 和 LT_2D 都赢了 kNN 基线。