全部动态

四种主流模型定价行为对比，发现Gemini市场合谋性最强，GPT无法促成市场收敛。

MAMHOI解决了人机交互数据稀缺问题，通过功能分解实现更真实的三维场景交互生成。

这篇论文研究了LLM价值对齐的泛化预测，用激活状态表示比文本描述效果好9倍，还能评估多价值目标的鲁棒性。

这篇论文揭示了AI安全基准测试的测量问题，特别是HarmBench数据集无法准确衡量单一安全属性。

LeWAM通过扩散引导MPC改进了世界行动模型，在预测和规划任务中表现优异，比传统重建模型更高效。

论文提出了一种创新的评分标准评估方法，揭示了不同LLM生成评分标准之间的不对称性，对AI性能监控有重要启示。

HRIL通过高阶张量建模解决了多模态协同信息捕捉难题，在协同任务上表现优于现有方法。

GeoReform让几何问题求解更准了，Qwen3VL-2B准确率提升14%，解决了形式化中的冗余和歧义问题。

研究人员提出ARC方法，让现有机器人模型无需额外训练就能大幅提升性能，零样本任务成功率最高提高82%。

教育AI研究者必看：首个真实答题纸数据集HANS发布，包含噪声标记和NA-GOT解析框架。

发现法律大模型只是'假装'遵循引用的法律权威，实际判决对法律依据变化不敏感，这对法律AI应用是个警示。

这篇论文揭示了AI智能体在知识冲突中的行为模式，对构建更可靠的AI系统有重要参考价值。

清华团队提出GPD方法，让视觉语言模型通过3D几何特权提升空间推理能力，无需改变模型架构。

测了 18 个模型、330 万次调用，发现 LLM 偏袒自己人不是看标签，而是看别人怎么做，挺有意思的结论。

论文教你看 agent 失败原因来决定改运行时框架还是微调模型，Qwen3.5 上从 0.16 拉到 0.30，做 agent 的都该看看这套诊断方法。

研究者拿德语 ASR 做了 40 次微调实验，发现小词表时按音节切分能扛住方言和口语场景，做多语言语音的可以看看选词表的思路。

arXiv has a new theory paper on machine unlearning, proving that Gaussian noise plus GDP can certify that models after sequential deletion are nearly indistinguishable from retraining, with quantitative bounds on how much less noise is needed for the random walk solution.

一篇挺有意思的方法论文：把等价的修复方案归到同一个机制里再去做探索，在2212个代谢模型上把成功率从17.93%提到20.10%，思路值得做科学发现方向的人看看。

这篇论文说伪标签共识想有效，得让模型看不同的证据。他们在 Cora、CiteSeer、PubMed 上把伪标签精度最多提了 4.39 个百分点，做图学习可以看看。

这篇论文用三种子对照实验证明 T-SBI 的光照线索并不提升换脸检测，还会让固定阈值比较失真，做深伪检测的人应该看看阈值那部分。

这篇论文把无监督学习拆成四个目标，分别对应密度估计、生成、特征提取和数据分析，做研究或选方法时能帮你对号入座。

有意思的尝试：Jev 不生成文本、一次前向就出答案，论文让它当参考策略、探索裁判和回放评分器，MiniGrid 和 Atari 上都跑赢了标准 RL 学习器。

做深fake检测的同学看下，这篇用 FaceForensics++ 和 Noiseprint++ 实测：噪声指纹融合 RGB 不涨点，还指出了 InstanceNorm 抹掉信号的具体原因，避坑参考。

生成出复制图之前就能查出扩散模型背了哪些训练数据，CelebA 和 Stable Diffusion v1.4 上的数字都给出来了，做模型审计的可以看看。

这篇论文挺实用的：想给大模型做 Laplace 近似的话，小模型上调好精度直接搬到大模型，7B 模型最高能省 330 倍搜索量。

这篇论文做反欺诈的同学可以看看：Evi-VN 不再造新检测器，而是专门修正各种 GNN 都会误判的那批难样本，还用上了文本、图像、音频证据。

一个从数据、工具到权重全开源的 Lean 4 定理证明器，用 AlphaProof 万分之一不到的算力拿到 MiniF2F 50.8% pass@16，搞形式化验证的可以自己复现了。

做因果推断或用文本嵌入做检验的值得看看：论文解释了为什么用嵌入代替原始变量会出偏，还给了个能控制偏倚的稳健检验。

一篇自动驾驶方向的论文，把 X-TRACK 的不确定性从运动空间一路传播到轨迹空间，还用 conformal prediction 做校准，highD 数据集上精度也涨了。

一篇 MoE 训练论文：把固定 top-k 换成在 k 附近随机采样，Qwen3-30B-A3B 微调能多拿 2 分，推理成本不变。

把 LLM 和电池领域规则结合做 SoH 预测，误差最多降 37.3%，做电池管理方向的研究者可以看看。

一篇联邦学习理论论文，提出的 PF-LSA 算法不用预知异质性程度，就能同时拿到个性化收敛和线性加速两种保证，做 TD 学习的可以看看。