论文
这篇论文提出了 FedASTRA，解决联邦超图学习里跨客户端超边匹配难题，还给出了性能和通信量的理论分析，做图学习方向的可以看看。
训练深度伪造检测模型时想用联邦学习保护隐私？这篇论文用 EfficientNet-B4 做实验，告诉你数据异构到什么程度 Grad-CAM 的解释会不可信。
搞系统或图计算的朋友可以看看，这篇把预取器的记忆访问预测历史拉到 128、跨度拉到 512，节点打乱都不用重训，CC 图上还留 95.4% 的 F1。
把2019年那个带log的遗憾界做到O(√(KL*))，一个算法同时拿下stochastic和adversarial两种场景，做bandit理论的别错过。
这篇论文挺有意思：发现对抗鲁棒性其实藏在少数关键参数里，只微调约5%参数就能媲美全参数对抗训练，还比LoRA效果好。
机器人模仿学习的轨迹总是抖，这篇把轨迹写成基函数组合，抖动降一个数量级，还不用重新训练。
这篇理论论文回答了 MDM 为什么并行生成还能靠谱：只要信源满足条件混合，样本量不随序列长度涨，膨胀调度还能把步数从 Ω(N) 压到对数级。做扩散语言模型的人值得看。
arXiv 上的一篇量化研究，专门解决 Mamba 这类线性递归模型的低精度推理问题，在 Mamba-2 和 Nemotron-H 上验证了效果。
有人发现 Evo 2 的 DNA 模型换了新 GPU 就算不准了，还写了个模拟器救回来，做模型部署的可以看看
训练超过单机显存的模型时，Muon 这类优化器会被跨卡通信拖慢，这篇论文的 Dobb 把矩阵更新改成块内本地计算，H100 上优化器调用从 124ms 降到 9.2ms，做分布式训练的可以看看。
MCU 上跑储层计算的话这篇很实用：不用查表的激活函数，速度是 tanh 的三分之一不到，NARMA-20 上误差还降了 22%。
GPT 6 Astra 做数学题很厉害，但给它回溯国际象棋题，24 次只对 2 次，这个新基准专门测模型的纯推理能力，失败原因分析很有意思。
工业互联网上灾害种类不断冒新、样本又少，这篇论文的 CLAR 用潜在表示+注意力打分做回放式增量学习，还给了理论证明，搞边缘部署的可以看看。
论文把无人机俯拍画面直接变成红绿灯控制策略，不用路边固定摄像头，换路口也能用，比视觉基线平均减少 7-9% 等待时间。
这篇论文给出了让研究智能体和人类一起做研究的训练方法，还配套发了 HackBench 评测 reward hacking，做智能体训练的可以看看。
研究者把测量量子材料的活儿交给 AI 智能体自己规划、自己操作 PPMS 设备，还在 TaP 和 Co2MnGa 上跑通了，做材料实验的可以看看。
arXiv 上这篇论文提出了 CopyLoop，不用重新训练就能给 Looped Transformer 解码提速最高 10.70 倍，在 6 个模型检查点上验证过，做推理加速的可以看看。
论文让模型判断'后院种花是常住还是 Airbnb 是短住'这类时长问题，主流模型集体翻车，分析写得挺细。
一个叫 AtomTree 的新框架，让 LLM 干家务类具身任务时不再一口气定死计划，卡住了就回退重规划，ALFRED 上零样本跑赢了之前的 LLM 规划器。
一篇挺有意思的理论论文，把“聪明”拆成信息和工作两个维度，还顺带论证了为什么该警惕智能体社会自己掌权。
arXiv 上这篇论文做了个新基准 inkGround，专门考 VLM 能不能从手写照片里恢复笔画顺序，Gemini-3.1-Pro 表现最好。
八成错误数字不是编的，是从自己别的实验里抄错的，论文还给了个 90% 精确率的自动核查工具，做 AI 科研的都该看看。
这篇讲了个反直觉思路：把模型故意剪枝或量化变弱，再用强弱对比来自蒸馏，Qwen3.5-4B 在 HMMT 上直接涨了 12.8 个点。
机器人团队做了个 TERRA 框架，火星车到了松软坡地上不用大量试错，3-5 次真实试跑就能学会主动悬挂爬坡，仿真里成功率能到 90%。做机器人 sim-to-real 的可以看看。
把蒸馏里的安全退化问题做成了可计算的数学模型，还给出临界转变的可检验预测，做模型对齐和蒸馏的人可以看看推导思路。
解决自蒸馏训练到后面不涨分的问题，思路是让教师自己也能被环境反馈训练，做后训练的可以看看。
训练数据只有 1000 条分子时，把 SMILES 换成随机化 SAFE，新分子产出直接翻 450 倍，还比随机化 SMILES 高 2.8 倍，做药物生成的人可以看看。
这篇论文讲了个挺聪明的训练技巧：让攻击模型从“宽松版”目标一路练到“严格版”，稀疏奖励问题就缓解了，安全测试团队可以参考。
天文学和机器学习交叉的论文：一个完全不用标签的神经网络，靠光谱本身学出红移，在 SDSS DR18 上表现接近现有算法，做巡天数据处理的朋友可以看看。
多智能体把 GPU 打满时，这篇论文教你怎么用 CPU 跑预填充，比 PyTorch SDPA 快 2 倍，还接进了 SGLang。
arXiv 上这篇论文把智能体持续学习变成路由问题，实测比全局历史省 65-72% 成本，做 Agent 记忆设计可以看看。