全部动态

BAAI 的 SWITCH 项目要在 EMNLP2026 海报环节亮相，讲怎么用 TCIs 让具身智能体做闭环推理，10月25日 Hall H 见。

智源研究院 BAAI@BAAIBeijing原文

这篇论文提了个省钱的办法：不用跑昂贵的机器人闭环测试，用 S² 指标就能提前判断哪个模型训出来更靠谱。做具身智能的值得看看。

论文算出：只训练不到 5% 的神经元就能拿到几乎全部的近似精度提升，做科学计算或网络压缩的可以看看这条数学依据。

这篇论文解决了 AI 决策该不该信的问题：错漏审比例可设阈值、有数学保证，还比基线少用大量人工审核，做智能体安全筛查的值得看看。

训练方偷偷用了你的图片集合很难查，这篇论文给出办法：提前在数据里埋低频水印，事后用几十张生成图就能验证，画质几乎无损。

循环模型每次循环都要单独存一份 KV 缓存，内存爆炸。这篇论文的两阶段训练方法让缓存能跨层共享，首 token 时间砍了 83.6%，做长推理的可以看看。

一篇隐私方向的新论文：自蒸馏模型原来会留下可被攻击的训练数据痕迹，OP-Print 用残差信号和重启稳定性就能把成员识别出来，基线全都失效。

一篇理论向的论文，作者把纯 DP 下学习离散分布的样本复杂度做到了信息论最优，核心工具是 sum-of-squares 估计器，做隐私统计的可以细看。

一篇给多模态模型做反事实解释的论文，思路是直接从训练集里检索真实样本当解释，比逐模态归因更连贯，可解释性方向的同学可以看看。

一篇解决相位恢复这类歧义逆问题的新论文：单次采样里同时养多个候选解，按先验淘汰弱的，不用best-of-k跑多次。

一篇论文把物理轨迹数据变成可复用的目标函数，LEAP 在分子模拟和多体轨道上都验证了，做科学计算推理的可以看看。

一篇方法论文：把压缩变成回归问题，RULER 成绩超过注意力压缩器，视觉 token 还能砍掉一半多。

用图结构增强 LLM 提示的朋友看看这篇：G-Retriever 的图 token 其实塌缩成常量了，作者还给了检测方法和修复流程，代码开源。

如果你用 LLM 画 UML 类图老出错，这篇把幻觉发生在哪一步讲清楚了，还给了实测能涨 4 个点 F1 的提示词写法。

这篇论文把 DeepSeek R1 和 Kimi K3 发布时的股价反应放在一起比，解释了为什么两次市场反应完全不同，做投资或研究行业的人都该看看。

有人用 Rowhammer 硬件攻击搞坏了 Triton 编译，四个主流模型实测慢 4-16%，搞 GPU 推理的都该看看这篇。

给编码智能体加了个只有 4B 的小验证器，只挑关键步骤做验证，解决率涨一两个点，成本几乎没变，还能直接用在没见过的模型上。

有人用 5 亿个模拟家庭做经济实验，小模型成绩还压过 GPT-6-Luna，做经济或政策模拟的可以看看这篇。

一篇研究测试时推理剪枝的论文，把 pass@$k$ 直接当优化目标，在 8 个开源推理模型上比质量和多样性两类剪枝策略都强，做推理效率的可以看看。

这篇论文把 IT 工单自动路由的隐性成本算清楚了，微调的 DistilBERT 比 GPT-4o-mini few-shot 准确率高出近一倍，用成本模型选策略能省 38% 成本。

有人用 Custom GPT 做了个帮中小企业看懂 EU AI Act 的工具，还拿 100 个场景和 ChatGPT 对比测了一轮，方法值得借鉴。

数学定理证明全流程交给 Claude Opus 5.5 做决策、GPT 6 Astra 执行，最后 Lean 内核验证，AI 代理做形式化数学的完整案例。

OpenAI 生成了 Barnette 猜想的证明，有人把它整理成 arXiv 论文，想看模型在数学难题上的真实水平可以看看。

这篇论文搞了个叫 METTA 的方法，用神经记忆替代 transformer 回看历史，ML10/45 上成功率超 50%，算力开销还更低。

一个专门测智能体“证据不全时会不会乱来”的基准，300 组任务对测了十款模型，做 agent 安全的人可以直接拿来用。

DeepSeek 的 n-gram 表动辄上千亿参数，这篇论文用 4 比特量化砍掉四分之三内存，性能几乎不掉，做本地部署的可以看看。

这篇论文指出了 CoT 一个老毛病：推理步骤可能是事后编的。CausalCoT 把问题拆成依赖图逐个隔离求解，因果敏感度平均涨了 12 个百分点。

用 OLMo-3 的 13 个中间检查点实际测了 RLVR 会不会让模型更爱追求权力，结果先升后降，数据挺有意思。

一项临床 RAG 评估研究：混合检索加 cross-encoder 在乳腺病灶文献上拿到 0.94 的 Recall@3，还发现标注范围会直接影响分数，做 RAG 评测的可以看看方法细节。

反着研究谄媚挺有意思：模型自信但说错时，人反而全盘照收。1040 条数据显示信任校准会失效，做 AI 教育产品的可以看看。

让 8B 到 27B 的开源模型做 1,552 道西班牙医学执业考试真题，能排进前几千名，但换掉图片成绩不变，细节挺扎心。

LLaDA-8B 上的研究，教你训练一个 856K 参数的小策略，让扩散语言模型解码更快更准，还能迁移到 Dream-7B。

研究者用 LLM 把社工攻击前的“你能被挖出多少信息”变成了可量化指标，提取 F1 到 97.3%，做安全的人可以拿来测自己的暴露面。

一篇蒸馏方法论文：AOPD 不让学生照抄老师每一步，只学真正有帮助的动作，实验覆盖数学、编程和 Medqa，效果超过蒸馏和 RL 基线。

工业企业的元数据靠少数专家维护，这篇论文让 LLM 智能体出提案、人做裁决、全程留痕，还附开源实现，做数据治理的可以看看。