论文

几百个小智能体在潜在空间里群聊协作，几分钟跑出别人一小时的搜索结果，还用 Qwen3 8B 改进了 AlphaEvolve 的解，省钱又快。

搞 ML 复现的可以看看：一个 agent 工作流把论文代码整理成标准复现包，四个模型成功率都冲上 90%，API 花费还省了近两成。

一篇解决医疗助手记忆混乱的论文：把患者事实建成带时间的图，在 MedMemoryBench 上比五个基线高出约 10 分，做医疗对话的可以看看。

一篇聊怎么把聊天界面开放给 AI 的论文，还做了 Meta Chat 原型，对做 AI 界面和 MCP 工具的人很有参考。

研究者给机器人 VLA 模型做了个潜层探针 VLA-Tug，能提前发现失败、还能预测失败原因，附带 3,180 条标注数据集。

这篇论文把 Terminal-Bench 2.0 翻出来查了一遍，三成任务有问题，修完之后各模型排名都会动。做评测的人应该看看他们的持续验证流程。

有人把ICU患者的电子病历训练成世界模型，一次建模就能模拟床位、调度、转院多种政策，比传统Markov模型多捕捉恢复速度差异。

给联邦学习开发者看的新玩法：Claude Opus 5.5 每 10 轮看一次客户端权重，自己写聚合代码，168 次实验显示比 FedAvg 高 1.26 个点，一次才花 0.79 美元。

机器人研究必看：用 3D Gaussian Splatting 把示教视频重渲染成新视角，成功率翻倍还省采集成本。

一个专测鼻咽癌诊疗全流程的医学基准，30 个模型里最强的严格成功率也只有 23%，能看出模型和真实医生差距在哪。

做机器人感知仿真的可以看看这个 VisionSIM，它把 LiDAR、iToF、事件相机这些传感器的真实失效模式都模拟出来了，还开源了数据集。

搞对抗训练的人可以看看这篇理论分析，它证明了用大步长训练也照样成立，不用非得用慢吞吞的小步长。

推荐系统工程师可以看看这篇：用 SAE 把黑盒用户嵌入拆成可命名的行为模式，还能零样本圈选受众，不用改上游模型。

把 1000 篇论文做成 AI 科学家能跑的实验环境，还测出它在 74% 场景下跑赢人类作者，训练数据也开源了，做科研智能体的别错过。

把 PyTorch 仓库自动改成 JAX 版的智能体测评，Claude Opus 5 通过 75%，其他模型差距挺大，做工程自动化的可以看看。

一群研究者做了个叫 MAEM 的元模型，能把 Qwen3.6-27B 里任意残差流方向翻译成人能读懂的文本，还比语料搜索和 NLA 更准，解释能用一次前向传播验证，可解释性方向值得看。

做意图路由或分类的朋友可以看看：同一模型换个标签写法，准确率能差这么多，论文还给了四个评测坑点。

一篇偏数学的方法论文：不用推导符号方程，直接从微分方程数据里挖出连续对称性生成元，在 11 维基准上全部恢复，做科学机器学习的人可以看看。

搞微调和 RLHF 的朋友可以看看，论文讲清了 LoRA 在 SFT 和 RL 里动态为啥不一样，还给出了分阶段调法，实验在数学推理上验证有效。

研究不确定性量化的朋友可以看看：这篇证明了保形预测在时变偏微分方程上为什么会失效，还给了加权修正方案。

arXiv 上这篇把 Unitree G1 训练成能和人互相配合的伙伴，还能预判被挡住的同伴动作，260 小时交互数据开源了。

给采样太多条思维链太烧钱的场景：这篇 arXiv 论文只定位并重写出错的那一步，token 省四成还不掉准确率。

一篇挺实在的方法论论文：不堆新模型，而是给合成多组学数据定了套可复用的评估流程，做医疗数据生成的可以拿来当参照。

NASA DASHlink 数据上跑的飞机着陆异常检测，LSTM 自编码器加 XGBoost，召回率超过 0.9，做时序稀有事件检测的可以看看。

训练 GNN 的朋友可以看看这篇：把 Muon 改造成图感知的 GraphMuon，在 OGB 基准上比 AdamW 快 1.3 到 2.4 倍，代码已开源。

一个改进 Gated DeltaNet-2 的线性注意力新架构，长文本外推到千万 token 还不掉点，训练还比 Transformer 快 2.7 倍，做长上下文的值得看看实现思路。

这篇论文造了 8000 多篇论文的数据集，专门研究怎么看出数学证明是不是 AI 写的，连改写过的都能识别出来，做学术检测的可以看看。

OpenAI 用模型做出了数学上的反例构造，这篇论文还把这个结果推广到所有素数，数学向读者别错过。

做 RAG 检索的可以看看：同一套 BEIR SciFact 查询下，加一层概率相关性重排，nDCG 从 0.64 提到 0.78，还给了成本和延迟的实测数据。

这篇论文讲了个有意思的现象：AI 写的文本被反复引用后又变成训练数据，慢慢改变人类语言习惯。想理解 AI 对社会的长期影响可以看看。

理论计算机科学版的 LLM 考试来了：GPT-6 Astra 和 Opus 5.5 分别拿下两个版本第一，还真能推进一些开放猜想的特殊情形，做研究的人可以看看这套用 Lean 验证的评测框架。

这篇论文教模型自己判断答案对不对，不用标准答案也不用多次采样，在 5 个模型 6 个基准上都跑出了不错的结果。

化工版的 agent 工作台，测试里花 224 美元 API 费就让智能体产出了一整套工程设计包，还带错误检查机制。

研究者做了个叫 tok 的纯文本流程建模格式，LLM 写它比写 BPMN XML 省约四分之一 token，校验还能查出 98.2% 的错误，做流程智能体的可以看看。

欧洲团队做了心脏病方向的多语言医疗模型，508 份病例扩成 7 种语言语料，结果挺有意思：专业预训练没用，多语言联合训练反而最强。

一篇病理AI检索论文，CLEAR-WSI用固定长度嵌入在四个数据集上都超过最强基线，做数字病理检索的可以看看具体方法。