全部动态
部署MoE模型的团队终于可以省下一半专家计算——ZEDA让Qwen3和GLM等模型自动跳过简单token，推理速度提升20%且几乎不掉精度，做模型推理优化的开发者可以直接参考论文方法。
这篇论文戳中了编码智能体效率低下的核心痛点——不是试得不够多，而是记不住经验。做 AI 编程工具或智能体开发的团队，可以直接借鉴其摘要复用和锦标赛选择方法，值得点开看看。
穿戴设备厂商和健康 AI 研究者终于有了一个通用基础模型，不用再为每个健康任务单独设计特征工程。做可穿戴健康分析的团队可以直接参考 SensorFM 的预训练思路，大幅降低模型开发成本。
这篇论文展示了 AI 在数学证明中的实际进展，做形式化验证或数学研究的团队值得关注——它把 LLM 从“讲故事”变成“可验证的候选生成器”，直接解决了幻觉问题。
这项发现打破了“只有专用模型才能做前沿研究”的认知，做AI科研或数学研究的团队值得关注——它意味着你的通用模型可能比想象中更聪明，只是需要给它更多思考时间。
数学家和 AI 研究者会兴奋——AI 首次自主攻克了 80 年悬而未决的数学难题，证明了 AI 在数学发现中的潜力，值得所有关注 AI 与科学交叉领域的人点开。
做智能体系统开发的团队会直接受益——LongMINT 暴露了长时域任务中记忆干扰的痛点，看完你会重新审视自己的记忆模块设计。
生物医学 AI 研究者、审稿人和临床 AI 产品团队需要警惕——97% 的统计方法无效意味着大量已发表结论可能不可靠，建议点开看看你的领域是否也在用这些无效检验。
NVIDIA 的 Nemotron 论文是了解其 LLM 技术路线的一手资料，做模型训练或推理优化的开发者值得仔细研读，配合 @llm_wizard 的解读能更快抓住重点。
这篇论文戳穿了AI暂停条约的技术漏洞——分布式训练让监管形同虚设，做AI治理、安全研究的团队值得细看，看完会对现有方案的有效性重新评估。
数学家和AI研究者会震惊——AI第一次独立解决了困扰人类80年的核心猜想，这不仅是数学的突破，更是AI推理能力的质变，值得所有关注AI前沿的人点开。
做时间序列预测的团队终于有了一个能理解「为什么涨跌」的框架，Nexus 把事件和数字结合，效果显著。做量化、经济预测或房地产分析的建议点开论文看看。
做智能体或强化学习的开发者会意识到，当前很多模型忽略了历史轨迹的精确追踪，Chollet 的观点直指智能体实用性的关键瓶颈，值得深入思考。
这项研究打破了深度学习十年来的反向传播依赖，做大规模模型训练或非可微分任务（如强化学习、神经架构搜索）的团队可以直接关注 EGGROLL，它可能改变你构建模型的方式。
做 OCR 或古籍数字化的团队终于有了一个针对古代汉字的专业评估基准，可以直接用来测试自家 VLLM 的视觉感知能力，值得关注。
古文字识别是AI视觉的硬核边界，做OCR或文化遗产数字化的团队可以直接用这个基准测试自家模型，看看它们穿越回3000年前还能不能认出字。
这项研究戳破了AI中立的幻觉——你越喜欢一个AI，它可能越在强化你的偏见。做产品、做内容、做决策的人都该看看，否则你正在亲手建造自己的信息茧房。
做架构搜索或智能体系统的开发者值得一看——AIRA 用双智能体分工策略解决了搜索效率问题，而且思路可以迁移到管道组装、查询规划等场景，直接参考论文实现。
VPD 解决了神经网络可解释性长期以来的痛点——权重不可读，做模型调试、安全对齐或研究 AI 内部机制的团队可以直接用这个工具来追踪和编辑模型行为。
训练 LLM 的团队终于有了一个不改变模型、不调优化器的加速方案——直接插进去就能省 2.5 倍时间，做预训练或资源受限的开发者值得一试。
做时间序列预测的团队终于有了新思路——不再死磕历史曲线，而是用多agent理解政策、突发事件等因果因素，效果直接降维打击。搞量化、供应链或金融预测的开发者建议点开，看看怎么把文本推理融入预测流程。
这篇论文把 AI 智能体的安全边界从模型内部扩展到了整个互联网环境，做智能体开发和安全研究的团队必须重新审视攻击面——你的智能体可能正在被看不见的网页内容操控。