论文

MIT团队发布文明VI智能体基准测试，揭示AI在长期规划中的监控和执行缺陷。

UTP-Bench用真实数据测试GPT-5等模型，发现它们在时间缓冲、延迟感知和人群敏感规划方面与人类计划差距明显。

这篇论文揭示了多轮越狱攻击的机制，提出了BLUEPRINT框架，能以最少查询次数实现高成功率攻击。

斯坦福团队揭示稀疏专家模型路由层间共享几何结构，能预测跨层路由行为，提升模型效率。

英国气象局将强化学习集成到全球天气预报模型，显著降低多个纬度带的预报误差。

ProbeMatchDTI框架能保留弱生化模式，在药物-靶点预测上超越现有方法2个百分点，代码已开源。

MT-SDPO方法让每个样本选择最可靠的教师，而非按领域匹配，大幅提升多领域大模型性能。

TrajMind用快慢双路径解决轨迹异常检测，既保持高效监控又能精准诊断，跨城市表现稳定。

CACTUS在去中心联邦学习中实现了高效后门传播，攻击成功率随恶意节点比例增加而提高。

TCN单模型就能应对无限威胁级别，比多个专用模型更高效，参数只增4.6%。

这篇论文揭示了语言模型内部逻辑表示与行为表达的分离现象，对理解LLM推理机制有重要价值。

论文发现多轮智能体信用分配中，均匀奖励分配比针对性分配更有效，颠覆了传统认知。

DeepSoftwareAnalytics团队推出PTA-IRT，能更高效评估软件工程代理，比传统方法更准确。

DeepSoftwareAnalytics团队推出ACToR框架，能精准定位代码生成中的关键点，比现有方法表现更好。

这篇论文首次系统梳理了语言强化学习，将现有研究分为三大类，帮助理解语言如何重塑智能体开发。

HoH框架让AI编码代理能持续改进软件，在三个基准测试中平均提升52%，还能自主开发完整游戏。

DeepSeek团队提出PIS方法，让小模型在前瞻记忆任务上超越大模型，无需训练即可提升性能。

LLMPEDIA 让你能直接查看和比较三大模型的知识准确性，发现它们在 MMLU 外的真实表现。

这篇论文提出了AI代理机制设计的理论框架，解决了代理能力未知情况下的控制问题，并给出了五种应用场景。

这篇论文解决了大模型分类相似标签的难题，无需微调就能提升效果，小模型也能受益。

MiniMax团队发布H3-World，让33B视频模型通过语言精确控制角色和相机，训练成本低效果好。

EvoSCM 让 AI 能像科学家一样建立、测试和修正因果理论，在物理发现任务中表现优异。

这篇论文揭示了AI代理评估中常见的验证漏洞，教你如何识别虚假有效的市场护栏。

Themis和Prometheus评分机制被解析，微调如何改变LLM评估流程有新发现

Facet-0 模型通过预测和评估接触后果，让机器人能完成高精度装配，成功率比最强基线高出 5 倍多。

这篇论文揭示了LLM量化损伤的分布规律，证明全局量化比局部修复更有效，对模型部署有实际指导意义。