全部动态

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。

把强智能体蒸馏进小模型的新方法，不要求师生同族模型，Qwen3-4B 实测涨 3.3-6.9 个点，做 agent 压缩的可以看看。

一篇讲怎么高效改 Agent 技能规则的论文，AtomSearch 在 deepseek-v4-flash 上比 SkillOpt 高 9.68 个百分点，技能还短好几倍。

意大利团队把健康分层做成了“先治谁能获益最多”的排序问题，结合因果推断和 Siamese 排序网络，做医疗资源分配的可以看看。

一篇挺硬核的表示学习论文：作者把 tokenizer 和生成模型放一起算 flop 效率，结果比 DINO 和 LeJEPA 更抗塌缩，还给出了 scaling 规律。

长程智能体老是背着全部历史跑，token 爆炸。这篇 CarryOn 换个思路存任务对象，OSWorld 上省了一半 token 还更准，做 agent 的可以看看。

这篇论文搞了个叫 MAPLE 的评估框架，把六种 KEE 技术在 OLMo2、Qwen2.5、Llama3 上逐层拆开看，比只看准确率细多了。

做智能体长期记忆的可以看看：论文发现同源旧记录会重复刷存在感，FPA 框架实测把准确率拉高近 10 个点，代码开源可复现。

华为系出的一篇系统论文，链路悄悄变慢时能边测边重排通信调度，比静态方案快最多 4.99 倍，做分布式训练的可以看看。

这篇论文教你用 LLM 读工程师备注来清洗工业传感器数据，虚拟流量计的 MAPE 直接从 7.1% 降到 5.4%，做工业机器学习的可以看看思路。

药物研发圈的可以看看，这篇提出了 PerturbEnergy，用能量先验让模型更专注扰动效应，DEG 预测刷到了 SOTA，代码也开源了。

这篇论文让每个空调分区跑一个不通信的小智能体，15个挤在一块树莓派5上就把大楼峰值电费降了4%，做楼宇控制或边缘部署的可以看看。

a16z 的 Olivia Moore 拆了消费级 AI 的付费数据，美国头部 1% 用户每月掏 903 美元买生产力工具，做产品方向的朋友可以看看用户到底愿意为什么付费。

AI Will@FinanceYF5原文

用中医辨证基准证明了件事：很多模型翻车不是能力不够，是输出纪律不行。他们设计的证伪协议能把 Kimi K3 的方差从 0.218 压到 0.007，写智能体的值得看看。

训练多智能体最烦手动调多样性参数，这篇把经典控制论的 ESC 搬进 MARL，只用回报信号就能自动找到合适的多样性水平，做协作 RL 的可以看看。

OpenAI 一次放出 722 篇 AI 写的数学稿，这篇论文把它们逐族拆解，告诉你哪些是真正的新工具，还包括电路下界的应用案例。

智能体被注入指令时防不住？这篇论文把放行决定推迟到证据够了再做，AgentDojo 上攻击成功率从 47% 压到 2.7%，做安全的人可以细看。

给智能体设计界面这事有论文了，DeskIF-Bench 和 ANIS 都开源思路，做 agent 桌面自动化的可以看看怎么提分还省 73% token。

做幻灯片、海报生成的朋友看看这篇：代码模型配上参考图做 RL，8B 小模型的视觉分数追上了 GPT-5.5，方法拆得很细。

一篇把权重当数据来学的论文，把 MLP 上成熟的做法补齐到了 decoder-only 语言模型，还顺手放了两个新数据集，做 weight-space 研究的可以看看。

一篇很具体的工作：用 GRPO 让 Qwen2.5 和 Llama3 学 if-then 规则，在四个 ToM 基准上赢过微调和思维链，规则还能给 GPT-4o-mini 用。

只有 1K 平行句对也能用回翻译把低资源语言翻译提上去，比继续预训练好不少，做小语种翻译的可以看看这篇论文。

一篇讲怎么给 LLM 审核和检索决策设风险阈值的论文，用 LTT 方法把超标率从一半降到 7.8%，做部署的可以看看。

拿 756 道真实实验决策题考了 8 个多模态模型，最高分才 45.8%，还比不过博士生，看看模型到底错在哪。

这篇 arXiv 论文提出 PolyNets，系数已知时不用训练就能做神经仿真，在 KdV 方程上精度追平数值求解器，还吃满 GPU 并行，做科学计算的朋友可以看看思路。

做数学或搞智能体研究的可以看看，Euler 把证明过程做成图谱，还能回看每一步推理，和只出答案的系统思路不一样。

小模型学用工具的老难题有了新解法：SeTPO 用双向 KL 同时管住探索和模仿，BFCL v4 上跑赢了蒸馏和纯 RL，做端侧模型的可以看看。

新论文 LAGO：把成功子任务存成可复用选项库，不改权重跨任务变强，SWE-bench 上跑赢 mini-SWE-agent 和 Terminus 2。

理论证明来了：α-stable 扩散为何比 Brownian 更会抓重尾——α 对上数据尾部指数，极端分位数才准。

做请求路由或模型选择的可以看看：给模型留的兜底选项实测常出错，规则换个说法决策就变，这篇把坑测得很细。

机器人挪个位置、换个相机就不行？这基准造了 210 种硬件状况考 9 个 VLA 模型，最高难度成功率掉到 0.509。

闭源模型当老师也能蒸馏：只改错处、照学生的口吻写，TimeWarp 上比行为克隆高 5-10 个点。

Claude 会看关系决定发不发消息，冲突历史下复核率掉 45.83 个点，做智能体协作的可以拿 RelLedger 审计流程直接用。

能判断某个样本有没有被拿去 LoRA 微调，在 Qwen、LLaMA 等四个模型上准确率超 95%。

做关系库预测先跑这条基线，MLP加特征传播在RelBench上就能逼近GNN，省算力。