#hypothesis testing

做科学发现智能体的开发者该看看这篇：智能体跑完实验只会说"假设被拒绝了"，却答不出哪个解释成立，论文用对比集把 73% 的拒绝转成了明确答案，同等预算下多解决 67% 的问题。改动只在假设的提出单元上，现有智能体框架可以直接套用。

数学味很浓的论文，把四类序贯问题（bandit、best-arm、MDP 等）的下界推导串成一条链，还拿 7 个真实数据集验证了差距到底出在哪一步。

有人担心在线服务偷偷套 LoRA 生成有害图片？这篇论文给了一套黑盒检验方法，不用碰模型内部就能分辨基础模型和适配版本。

开源模型Fisher-R1专治假设检验，比GPT-5.4和DeepSeek-V4-Pro都强，最难任务能提26%，搞数据分析的可以看看。

如果你搞模型评估设计，这篇理论文章用严格上下界讲清楚了交互测试比固定测试省多少查询：最多二次方，不是指数级。