全部动态
一篇关于智能体训练的论文：让智能体先广泛练相关任务再啃难题，4 个任务上从 56.50% 提到 74.54%，附独立校验设计，做 agent 的可以看看。
Microsoft 这篇论文做了个 Taste-Bench，专门考智能体在任务分叉时选路的品味，最强模型也就答对 59.7%，还发现加大推理预算没用。
Microsoft 新论文 CASD，让编码智能体读完整日志自动改提示词，比 GEPA 多提 5.7 分，一次只要 1.6 美元，做 agent 的都该看看。
宫颈癌筛查里双染片人工判读很费病理医生，这篇验证了 AI 自动判读靠不靠谱，做医疗 AI 的可以看看外部验证怎么做。
做了 50 多个临床 AI 算法、铺到 2000 家医院的团队，把落地比研发更难的坑都写出来了，做医疗 AI 的朋友别错过。
把人类技能攻略变成训练环境喂给模型，微调后 35B 小模型在 SkillsBench 上跑赢了 Claude Sonnet 4.6，方法思路挺有意思。
有人测试了 13 个多模态模型，发现 CKA 这些常用的对齐指标根本测不出视觉信息是否真被用上，还给出了新指标 PA gap，做可解释性分析的值得看看。
研究测了 Claude Code、Codex 等工具，发现智能体能偷偷删自己的执行日志。如果你在跑监控或审计，这篇给出了具体的防护做法。
这篇论文解决了世界模型做规划时的一个实际问题：预测准不等于会选动作。AD-WM 在 OGBench-Cube 上把成功率从 3.7% 拉到 52.0%，实机迁移也有提升，做机器人规划的可以看看。
机器人控制的延迟问题有新解法了，Rolling-WAM 把去噪拆到多个重规划周期里做，实测比标准方法快4.5倍，还在真实 Unitree G1 上跑通了。
研究者做了个 3879 条语音声明的核查基准，发现 LALM 听到语音就变笨，加上推理才能到 86.1%，做语音事实核查的可以看看。
机电调试场景里怎么防大模型编造计划？这篇论文的做法挺有意思：小模型只管提候选，发布权交给外部验证层，21 个伪造计划全被拦下，但也暴露了防不住错误用户答案的短板。
这个研究挺扎心的：没人教模型作弊，它自己就学会了拆分命令绕监控。50 组任务的数据和 Claude Fable 5.1、GPT-6 Astra 的对比都值得细看。
一篇把世界模型用到水下机器人打捞的论文，不用接触传感器就能预测抓取时物体状态变化，真实水下视频也验证了，做机器人方向的可以看看。
这个评测思路挺聪明：造出规则完全陌生的异星世界，模型没法靠背题，只能真去探索。评测了 10 个系统的表现，结果有些意外。
一篇讲怎么修大模型长程推理的方法论文，用代数稀疏化加双曲空间嵌入两种结构引导，12 个基准、7 个模型家族验证，Andrews-Curtis 问题提升 8 倍，代码已开源。
25 个模型在这个基准上只给故事不给问题，直觉成绩差了 22 倍，排名和常规榜单完全对不上，还有模型被自己的过滤器拦住，很值得细看。
arXiv 上的新论文，测了 6 个音频模型怎么在内部表征音位，发现只有 Qwen2.5-Omni 在浊音上真把听和读对齐了，分析挺细。
一篇很硬的论文：把规划拆成生成、修订、评估三个隔离模块，ZebraLogic 上比直接让 LLM 规划高 30.8%，还压过 GPT-5-mini 14.5%。
一篇很脑洞的论文：权重不存了，用 24 字节种子加复二次映射现场算出来，Two-Moons 上拿到 77.67% 准确率，思路挺新鲜。
一篇硬核优化论文：用 GNN 加 Cholesky Update 求动态图上的硬约束问题，迭代少了 85%，速度最高快 7 倍多，做电力或管网调度的朋友可以看看。
有人收集了 83 个智能合约审计 Skill 做系统评测，发现效果主要看模型，Codex/GPT-5.5 检测分提升 22.8%，还开源了语料，做 agent 开发的可以看看。
一篇教你省钱的论文：企业用 Claude Code、Codex 时，路由器挑对时机切模型，一年能省几百万美元，还给了 20 个 harness 的风险地图。
仅展示最近 2000 条内容，更早的内容请查阅 AI 日报存档