论文

一个专门测手机上跑的图像编辑模型的基准，1150 个样本、按操作和目标两个轴拆任务，比单一分数更能告诉你端侧模型差在哪。

交通预测新玩法：不用针对每个路网重新训练，换个新传感器网络直接零样本预测，MSE 比 TimePFN 低三成多。

研究者用新指标 LRC 检验了一圈主流 latent world models，结论挺扎眼：没一个真在学环境动态。做 world model 方向的值得看下。

一个时间序列预测的开源基础模型系列，209M 和 123M 在 GIFT-Eval 等三个基准上拿下前两名，权重直接能下。

这篇论文做了个叫 REGER 的生成式推荐框架，让模型在预训练阶段就学会物品间的语义和协作关系，还配了套前缀树偏好蒸馏的理论，实验比现有 GR 基线都好，做推荐系统的话很值得看看。

一个专门测智能体"团队分工"的新环境，8 个模型一测，信息一分散成功率直接掉 22.9 个点，还教你怎么用 RL 训出协作能力。

研究者做了100个实时小游戏测智能体，GPT-6 Astra实时模式才9%通过率，一暂停就飙到75%，差距很直观。

搞医疗 AI 或可信预测的都该看看：类别不平衡时不确定性分数其实是在报数据稀疏，不是真模糊，论文给了修正方法。

机械臂操作评测只看成功率太粗了，这篇 arXiv 论文提出把动作投影到关节轴上，能看出策略到底是干活还是在瞎使劲。

机器人模仿学习到末端精度总翻车？这篇 ARC 只用几次人工纠正加 RL 微调，成功率从 33% 拉到 75%，思路挺聪明。

研究者把 Simon 1961 年的 Heuristic Compiler 和 1984 年的 KBEmacs 原代码跑了起来，还顺带用 Claude Code 干活，看看早期编程 AI 和现在有什么不一样。

摩洛哥 5 个谷物系统的数据建模发现，农场都堆同一个施肥模型会让误差叠加，多样化组合能降 10%-40% 的社会损失。

一篇提升扩散语言模型推理速度的论文：给 LLaDA 和 Dream 加个小模块，参数只多 0.84%，生成最快快 7.15 倍，做推理加速的可以看看。

一篇把 GP-UCB 搬进生产环境的论文，实测比 ε-greedy 显著更省探索成本，做预算分配优化的工程师可以直接参考核函数选型。

有人担心在线服务偷偷套 LoRA 生成有害图片？这篇论文给了一套黑盒检验方法，不用碰模型内部就能分辨基础模型和适配版本。

arXiv上新出的自蒸馏方法，专门修MDLM小窗口推理时过早下结论的毛病，GSM8K涨了9.4个点还更省token。

这篇论文把风格迁移做成了手机修图软件里能直接用的滑杆预设，一张参考图就能生成，推理不到一秒，还带一个调强弱旋钮。

做强化学习的可以看看，这篇把架构搜索和超参数调优塞进一个进化框架，自动驾驶模拟器里比单独 NAS 效果好，参数还更少。

一篇把 RAG 思路搬到无线信道预测的论文，检索历史信道知识来辅助预测，NMSE 降了 15.42%，做通信的可以看看。

一篇方法论文：TALOR 不更新参数也不存记忆库，在开放集测试时适应上比 UniEnt 高 2.2% H-score，还能当插件给 COME 提分。

WiFi 网络优化的新论文，不在线调参也能接近多臂老虎机的效果，做无线网络优化的人可以看看思路。

一篇电池材料方向的论文，HorizON 能预测有机电池每个循环的容量变化，而不是只给一个平均值，做电池计算材料学的朋友可以看看。

Google 的 AlphaEarth 卫星 embedding 到底好不好用？这篇研究拿美国和印度的田间数据测了，发现分类强但跨洲迁移弱，做遥感的朋友可以看看选特征的思路。

数学味很浓的一篇论文，讲清楚了凸域的边界形状会怎么改变浅层 ReLU 网络的理论逼近速度，做逼近论或网络理论的人可以看看。

一篇新的智能体记忆论文，TrawMem 不按相关性检索，而是按记忆在任务里的角色来组织，在 LoCoMo 上跑赢了 SimpleMem 还更省 token，做 Agent 记忆的可以看看。

用一个小型形式化器给快速决策模型生成候选列表，CALVIN-D 成功率从 11.8% 拉到 52.6%，延迟还比 Qwen3.5-27B 低，做机器人或决策系统的人可以看看。

想知道 LLM 写测试靠不靠谱的看这篇：Codex 加 DeepSeek-V4.1-Flash 八成能跑通，但真对得上需求的只有三成多。

斯坦福之外也有人把 750B 的 DeepSeek-V4.1-Flash 塞进了 24 GB 的 MacBook Air，速度只有 0.21-0.72 tokens/s，但论文把权重加载和预取设计讲得很透，做本地推理的值得看实现细节。

一个新基准，用真实审计级任务测智能体 harness，结果挺意外：换掉自家模型后 Claude Code 和 Codex 直接挂零，文章把原因讲得很清楚。

Lean 形式化证明重构后还成立吗？这篇用 458 个变体实测了 DeepSeek-Prover 和 Goedel-Prover 的证明有多脆，结果挺反直觉。

一篇医学影像论文，把脊柱关键点检测改用对比学习来做，代码和权重都开源了，做医学影像定位的可以直接上手试。

Prompt 的 KV 缓存太大存不动？DCKV 能压到 bf16 的 1/55，长上下文基准只掉 1.8 分，还全流程可微训练。

不用向量库和外部存储，论文让模型把对话记在自己参数里，在 5 个模型上验证有效，做长对话记忆的可以看看。

用 Qwen2.5-Coder 跑了五组实验，发现堆 50 个上下文 token 涨 49 倍却没效果，确定性工具证据反而更靠谱，做安全分析相关的可以看看。

把 VLM 当成世界模型和策略，在潜空间里自己想象自己练，五个环境里成绩最好还省算力，做智能体的可以看看。

巴斯克语也能做语音对话了，用 Latxa 加合成数据就搞定，做小语种语音模型可以参考这套做法。

这篇论文教你怎么把检索训练里的正样本直接改造成难负样本，568M 小模型微调后能打更大的检索器，做 RAG 的可以看看。

把 3000 多份金融研报提炼成评估深度研究智能体的打分标准，还能查到每条评分依据，做评估的人可以看看。

上海交大做了个不走 VLM 逐字解码的 GUI 智能体，比 Qwen2.5-VL-7B 快 4 倍、参数只要 6%，做移动端自动化的可以看看。