论文

把工程需求变成 PDE 仿真，纯模型只有 82.5% 能做对，这篇论文加了科学检查和澄清机制后做到 98.3%，做仿真自动化的可以看看它的流程设计。

研究团队让模型回放 Freeciv 对局来学判断哪个局面会赢，训练出的 CivTelescope 判断准确率比现成模型高 1.3-2 倍，做成的智能体比传统终局奖励基线高 77%。

让 AI 智能体做科学实验时不再靠写日记记经验，改成结构化查表，抗体优化任务里多数场景都涨分了。

一篇讲怎么给 MoE 模型砍专家省显存的论文，在 DeepSeek-V2-Lite 和 Qwen3-30B-A3B 上砍掉一半专家还能跑赢基线，做部署的可以看看。

印地语这类低资源语言一直缺 AI 文本检测基准，这篇给出了 SHAKTI 数据集和 TRIDENT 检测方法，还测了 7 种语言，做低资源语言检测的可以看看。

一篇 arXiv 论文，提出 Coarse3D，解决图生 3D 粗阶段朝向不受控、和输入图对不上的老毛病，能直接插进现有管线用。

芯片设计方向的新工作，32B 模型在 CVDP 上超过了它的老师 DeepSeek-V3.2，还能自己调 EDA 工具改代码，做 RTL 的可以看看。

一篇把图像编辑模型逐项挑毛病的论文，还配了能自动诊断失败并针对性改进的框架，FLUX.2 从 1 分多提到 3.5 分，做图像生成的可以细看。

工厂质检最头疼缺陷样本太少，这篇论文用 Jev 和 Clef-Flash 做到每类 2 张图就超过 CLIP，还开源了代码和网页工具，做机器视觉的可以试试。

LLM 自动写程序进化出量子纠错码，再用 Lean 证明推广成定理，一口气填补 54 个编码表空缺，AI 做数学的新范式。

RAGFlow 这篇论文实测了知识编译到底有没有用：准确率没涨，但 token 省了 38%，延迟从 140 秒降到 30 秒，做 RAG 的可以看看怎么落地。

给做 agent 和微调的同学：这篇用图基准量化了模型对权重里知识的推理比上下文差多少，写提示词时把关键事实放进上下文能直接提升准确率。

机器人圈的朋友看看，这个新基准专门测 LLM 做 ROS1 迁移 ROS2 的能力，六个主流模型 pass@1 都不到 11%，编译过了运行挂是重灾区。

一篇去毒化新论文，方法 TARGRS 在 RealToxicityPrompts 上降毒性近 70%，还不怎么拖慢推理速度，连视觉语言模型也适用。

一个考材料前沿研究的题库，最强模型也只考 53.7 分，作者还给了套微调方法能把开源模型拉到 55.4 分追平闭源模型，做科学方向微调的可以看看。

KV Cache 传输是网络里的巨流，ECMP 哈希一撞就堵。ARK 只调源端口就能避开，FCT 降了 27.3%，做推理基础设施的可以看看。

跑了 1750 次实验的研究：优化器变强靠的是保留能跑通的父代，不是看更多错误样本，还能省大笔算力。

Qwen3-8B 微调后当评委，居然能赢 Gemini 3.6 Flash 零样本 11.8 分，靠的就是 CPA 这个反事实成对数据增强，做 agent 质量把关的可以看看

一个 1B 小模型就能边判断介入时机边生成提示，比双模型管线快 1.3 倍多，做主动助手的人值得看看这篇。

LLM 智能体小组自己做量子实验：互查结论、发现信号漂移后主动重设计测量，流程全程无人干预。

arXiv 这篇论文挺有意思：智能体被别的智能体劝到泄密前，探针读内部激活能提前发现，82% 召回比零样本监控的 26% 高不少。

做 agent 数据筛选和强化学习的朋友可以看看，VeriCUA 用 GUI 加代码双路取证来验证任务是否真完成，比单纯让 VLM 看截图靠谱。

研究者拿 Mixtral 8x7b 模拟心理咨询来访者，跟真人扮演的逐句对比，做咨询培训的可以看看。

论文提出 FARMS 框架，把计算数学变成 Lean 验证过的 AI 知识，171 个目标里通过 157 个，单个成本不到 2.3 美元。

数论基准 Ramanujan Challenge 的团队做了个评审流水线，自动判研究级数学证明，误判率从 23% 压到 6%，做数学 AI 评测的可以看看。

这篇论文解释了为什么解码长度预测器换个模型就失效，还给出了理论证明，做推理调度的开发者可以看看。

一篇优化方向的方法论文，把 DRO 的模糊球从经验分布换成学习到的密度模型，还配了自适应采样算法，做运筹和随机优化的人可以看看。

一篇有意思的论文：world2vec 不靠奖励就能学出忠实的潜在动力学，参数量比 DreamerV3 少一个量级，还能做系统辨识，做可解释性和科学发现方向的可以看看。

给离散扩散模型做了个 ODE 采样器，像连续扩散的概率流 ODE 一样，还能做一致性蒸馏加速采样，做生成方向的研究者可以看看。

这篇 arXiv 论文提出了 RMC 和 TSC 两种校准方法，用单个模型就能判断某张图是否被扩散模型记住，对版权审计很有用。

一篇把 SFT 和 RL 说成同一件事的论文，训练管线能简化成数据配比问题，做模型训练的人可以看看思路。

一篇值得看细节的论文：TRACER 用 450 万患者的病历训练，能在 1-5 年前预测 16 种疾病，还专门测了筛查场景下的误报负担。

一块消费级 GPU 就能从零训个葡萄牙语小模型，还附代码包和评测协议，想动手训 SLM 的可以直接照着跑。

一篇把神经算子用到粒子等离子体模拟的论文，不用网格直接在粒子上算场，Landau 阻尼这些经典基准都跑通了。

安全对齐数据基本只有英文，这篇提出了模板增强的办法，做出覆盖60种语言的MSafeTemp数据集，还证明英文评测根本测不出多语言漏洞。

用稀疏自编码器拆解 Qwen3-TTS 到底记住了什么，684 个特征还能自动验证，做 TTS 可解释性的可以看看。

给需要算高维积分的人：用反射扩散造提议分布，天然满足域约束，还能无偏估计，比 QMC 灵活。

量子纠错圈的实用进展：Triage 解码器准确率媲美最优算法解码器，延迟还快一到两个数量级，做容错量子计算的可以看看。

一篇优化器理论论文：解释了 Adam 在幂律测量谱下为什么会莫名卡住，给出了能预测失效起点的公式，做低秩优化的可以看看。