全部动态

一个把 LLM 危机报告和 121 份真实人道主义报告对着比的研究，数字看着打平，其实来源信息全缺，评估指标也翻车了。

一个用 Reddit 真实说服对话测 LLM 社交智能的新基准，发现模型在行动上赢过人类、在读懂人心上还差一截，论文细节挺有意思。

DeepSeek-V4-Flash 和 GPT-6.1-Sol 抽实体都不靠谱，但坏的原因不是幻觉，而是把背景信息当成攻击实体。用置信度分层排审核优先级，别当真值。

几个 LLM 智能体做自动科研会越跑越僵，这篇论文发现定期清空记忆、只留最优解重启，能多挖出最多 39% 的改进。

这篇论文把负引导做成了有明确目标密度的采样器，用 PU 学习加 SMC 修正，图像生成实验也验证了，做扩散模型采样的人可以看看。

清华 THUNLP 开源了个 KV cache 压缩方法，压到 1/32 还能在 RULER 上保持 96.7% 准确率，比 KVZip+ 的 40% 高出一大截，长文档检索场景可以直接试。

一篇蛋白质领域的 tokenizer 论文，三种模态共用一套离散词表，28 个测试切分里 21 个拿第一，还能联合生成骨架和序列，做蛋白质设计的可以看看。

这篇论文做了个能边看视频边记笔记的智能体，回答问题前还会回头重看历史帧补证据，在 OVO-Bench 和 StreamingBench 上分数都超过了现有方法。

这篇论文实测了 LLaDA 和 Dream 这些扩散模型的每 token 能耗，长序列下比 Llama、Qwen 省一半电，做推理成本优化的可以看看。

一篇做时序预测的论文，把注意力塞进 ODE 求解器里处理外生变量，不用硬对齐时间戳，8 个数据集验证有效，做预测的朋友可以看看。

TabPFN-3 逐层拆开做了 272 个数据集的实验，发现模糊样本才需要深层计算，研究模型内部机制的可以看看这篇。

用 LLM 加 MCP 接上交通规划引擎 AequilibraE，还专门做了可微用户均衡层，非专业决策者用自然语言就能跑路网优化了。

用多智能体分工来管多重病患者的复杂用药，靠 DSWA 和 DFPC 两套协调机制减少药物冲突，在 MIMIC-IV 数据上验证有效，做医疗 LLM 应用的可以看看。

验证 LLM 写的 Lean 证明，别再只靠 LLM 打分了，这篇加了数值和空泛性机械检查，错误率最低，代码开源。

训练 LLM 推理的同学看看：单条 rollout 就能做 token 级信用分配，数学上还比 GRPO 快 1.2 到 2.3 倍，代码比较可以少八倍采样。

这论文把 160 万个分子骨架做成智能体的导航地图，练出的 MolHop-9B 在跨骨架分子设计上跑赢了 GPT-5.6-sol 和 Gemini-3.1-Pro，做药物发现的可以看看。

一篇 arXiv 论文，让模型智能体自己写机器人控制代码并验证是否真的在学，还区分了运气和真本事，做机器人方向的值得看实验设计。

Google DeepMind 这篇论文把监督学习和强化学习的好处合在一起，26 个稀疏奖励任务上都跑赢了以前的 RL 方法，搞 RL 的可以看看。

一篇论文，用多视角图像生成 LiDAR 点云，靠 DepthAnything3 加双分支 CFG 提升几何和语义对齐，做自动驾驶数据合成的可以看看。

浙大团队烧了 1.2 万 GPU 小时把 10 种智能体训练方法拉到同一环境里跑了一遍，结论是 GRPO 依然难被打败，做 Agent RL 的值得看看.

一篇把物理模拟器塞进智能体工作流的论文：Assembly Agent 做规划，Critic Agent 做纠错，还能自学技能库，做 3D 内容和机器人仿真的可以看看。

一篇理论味很浓的论文：把 GNN 深度到底在做什么讲清楚了，做格点规范场或等变网络的值得看。

用MIMIC-IV里挖出的近10万个疾病轨迹，拿bge嵌入去和16万多篇PubMed文献比对，筛出真正新颖且有临床价值的分支，预测误差能少20天。

一篇解决 LLM 推理内存痛点的论文：MultiAlloc 在固定显存预算下自动决定 KV Cache 量化精度怎么分，比现有逐层和逐 token 方法都省心。

一篇 PDE 求解论文，用 Hodge-Laplacian 按谱尺度把任务分给多个 transformer 专家，在 AirFRANS 基准上比 Transolver 误差降了 31%。

理论向读者看过来：这篇论文证明了粒子够多时加权 MMD 优化不会卡在坏的局部极小值，还给了显式阈值。

一篇挺有意思的审计研究：Qwen 和 DeepSeek 都记得截止日期后的公司收入，但做检索决策时反而不偏向记得多的那家，机制还没搞清楚。

一篇讲怎么让 agent 自己改 prompt、工具和工作流的论文，模型权重不动，还给了泛化界的理论证明，代码也开源了。

做智能体监控的可以看看，AgenticRV 直接适配 LangGraph、MCP 和 A2A，把外部时序监控和程序化监控组合到一套架构里，还给了形式化保证。

论文把奖励模型过度优化类比成寻租，量化了 RL 训练中多少增益是假繁荣，还测出策略会钻审计的空子，做 RLHF 的人可以看看审计频率怎么设。