全部动态

一篇用 SCI 层级理论拆解自动形式化局限的论文，直接指向 OpenAI 的 Navier-Stokes 证明——Lean 验证过了，原文可能还是错的。

针对智能合约代码生成难保语义一致的问题，这篇论文用 RAFT 加 SAP 扰动构造的 DPO，在 SolidityBench 上让三个 7B 级模型都拿到了最好成绩，做合约生成的人可以看看方法细节。

一篇降本干货：ECO 在 Qwen、DeepSeek 的分离式部署上实测省 40.5% 能耗，做 GPU 推理优化的可以看看方法细节。

一个 135M 的小模型在 Lean 证明上干翻了 7B 的 DeepSeek-Prover，靠的是让符号引擎算数、模型只做规划，思路挺反直觉的。

想给项目挑代码修复模型的话，这篇用 QI 指标把安全性、维护性和成本都算进去了，还发现 MoE 用更少激活参数打平稠密模型。

想用模型标注文本的研究者可以看看：JEV 号称便宜快，实测发现便宜不成立，校准也只赢了一半。

用 conformal prediction 做不确定性估计的朋友看看，这篇论文证明了预测集变小就等于获得了信息，还给了 11 个实验验证。

化学+AI方向的朋友可以看看，NPF把Petri网直接做成网络结构，零样本原子映射就超过了RXNMapper，反应产物预测还保证分子合法。

推荐给做在线决策或推荐排序的读者：这篇论文处理了“连续动作组合必须合规”这种常见但少有人形式化的问题，给出了可用的 OFUL 算法和遗憾界证明。

搞 bandit 或理论机器学习的可以看看：这论文给 robust bandits 找到了第一个多项式时间算法，遗憾 Õ(√T)，还划清了 NP-hard 边界。

arXiv 上这篇论文教扩散语言模型同时建模 token 和粗粒度聚类表示，H-CoBit 在 LM1B 上 GenPPL 比基线低 24.2 分，代码也放出来了。

一篇挺有意思的机制分析：模型微调后"忘了"的东西其实还在，删掉一个方向就能捞回来，做微调的值得看看原理。

研究者跑了 1000 多次实验，测小模型学 ARC 网格推理到底靠不靠谱，结论是换个网格大小就崩，做微调的朋友可以看看避坑。

一篇手物交互重建的新论文，4D-HOF 不从噪声生成，而是从基础模型的粗估计出发做流匹配，速度和稳定性都更好。

新加坡国立和 collaborators 出的一篇论文，教模型从一堆论文里提炼新研究点子，训练加检索两条路分开验证，做科研 AI 的可以看看思路。

用深度监督修视频世界模型的 3D 一致性问题，还顺手把 DROID 数据集标定成 DROID-3D，做机器人操作的值得看。

想让机器人从人类视频里学技能的可以看看这篇，EgoLAP 不硬抄人类动作，改成学语言化的动作意图，真实任务进度做到 80.1%，比其他表示高 2.3 倍。

一群研究者做了 ScienceClaw，专门测科研智能体能不能边干活边自我改进，覆盖 23 个学科，代码已开源，做智能体进化的可以看看。

改进 flow matching 训练的新论文，联合学路径和流，还修了低熵瓶颈问题，代码开源，做生成模型的可以看看。

arXiv 上的统计方法论文，解决作物产量这类短标签、长协变量的时空预测问题，把 PPI 和 HAC 结合起来修正填补偏差，做时空统计的可以看看。

用实测表达谱做预训练的小模型，4.2M 参数在 80 个临床任务上赢了大模型，笔记本 CPU 就能跑，做生信的可以看看。

做因果推断的可以看看：GP-SCM 一直只能处理连续变量，这篇把离散结局也补齐了，还证明了用错耦合类型误差会翻三倍。

用 LLM 扮演不同类型的学生，让教师模型通过强化学习直接优化学生成绩，教学得分从 52.5% 拉到 79.2%，做 AI 教育的可以看看。

这篇论文测试了让智能体自己动手省钱：让 Opus 5 等模型把任务封装成小程序或小模型，成本能降 657 倍但多数尝试会翻车，结果挺有意思。

页面上的恶意提示能劫持浏览器智能体，这篇论文让任务、攻击和智能体在模拟器里互相对抗着变强，4B 小模型对未见攻击完成率提升 33.6%。

论文讲了个有意思的思路：策略会不断冒出新失败模式，验证器也得跟着一起进化。适合做具身智能体和自我改进研究的同学看。

给世界模型生成的视频实时配音，延迟低到 RTF 0.41，还能中途改音效，声音还会随镜头位置变化，搞世界模型的可以看看。

做推荐系统的朋友可以看看这篇：RLCP 让推荐候选集大小随会话动态变化，在 KuaiRand-Pure 和 MovieLens 1M 上多样性最高到基线的 5.21 倍。

做长任务 Agent 的朋友看看这篇：TRACE 用 590 个真实压缩边界回放数据测了压缩时机怎么选，结论是历史行为预测力很弱，数据和方法都开源了。

有人把 61 篇图形学论文的物理仿真做成了 168 道题考 LLM，GPT-5.6-Sol 也只考了 48.7 分，想看模型写仿真代码的真实水平可以读读。

两个 PersonaPlex-7B 模型互相打电话，结果轮到说话比人类慢三四倍，因为它们在傻等对方说完，不会预判话轮结束，挺有意思的。

把 LoRA 搬到边缘设备上跑 CNN，激活内存砍掉九成多，做端侧学习的人可以看看具体做法。

给智能体加水印，工具改名或观察被改写后老方法基本失效，SBW 把检测率拉到 0.9 以上，还坦白了没防住的攻击。

编程智能体有时会做没必要的防御性改动，这个基准用 200 个任务对量化了这问题，测了 8 个模型，做智能体评测的可以看看。

用小模型加速大模型推理的投机解码原来有安全漏洞，这篇论文定位到问题出在前几个 token，SecureSD 只需对早期 token 加严验证就能补上，做推理部署的可以看看。

做离线策略评估的可以看看：VOCEM 用闭式系数在 OffCEM 和 DR 之间插值，23 个实验条件下方差都比两端低。

同一份 Llama-3.1 权重，Meta 配方训出的模型会违背自己道德判断行事，Tulu 3 却不会，差距原来出在后训练。

想搞 AI 内容水印的可以看看，这篇把 LLM 写代码渲染这条路线也纳入了溯源框架，还列了十个具体研究方向。

有人用 VEO 3.1、Sora 2 这些工具伪造监控视频做了一份测试集，10 个主流检测器全都没扛住，研究造假检测的可以看看。