论文

研究人员发现小模型实验就能确定可转移的近最优区域，无需大规模搜索，大幅降低大模型训练成本。

研究人员发布科学定律发现基准SCILAWS-BENCH，包含真实数据和合成世界两种测试场景，评估LLM科学发现能力。

MIT团队发布LRNBA框架，用共享神经基压缩网络，参数相同下网络更深更宽，训练更稳定。

斯坦福团队推出NashDreamer，解决零和博弈中的非平稳性问题，比无模型基线训练效率更高。

LatentPress 用连续记忆令牌替代文本和图像压缩，压缩速度提升 10 倍，性能超越传统方法。

新研究将扩散模型转化为迭代推理器，解决数独和迷宫问题表现优异，无需并行回滚或外部验证器。

这篇论文提出边环特征解决GNN的结构描述问题，在ZINC-12k上表现优异，比传统方法更高效。

PLES让大模型训练调参效率提升10倍，用小规模实验预测大规模最优配置。

研究人员提出LRT方法，让冻结大模型在连续表示空间中进行推理，仅需少量计算就能超越传统方法。

TFMat用文本控制晶体生成，在MP-20基准达到92.04%匹配率，比CrystalFlow更高效。

卫星用太阳能供电运行生成AI，研究如何在有限能量下平衡图像质量和传输可靠性。

OpenAI新框架ARISE-RL用评分协同进化解决开放智能体训练难题，ECR-Bench基准测试验证效果。

MIT发现AI模型内部表征可读性先于因果性，这一滞后现象在12B参数规模下依然存在，挑战了传统模型理解。

俄语安全护栏新模型，在俄语提示注入检测上表现优异，延迟最低，开源权重已发布。

这篇论文提出CRS采样方法，通过持久上下文提升扩散模型性能，在相同NFE下获得更低GenPPL。

ViTAMINS用合成难例提升视觉Transformer性能，资源效率还更高，ViT-B就能打败V-JEPA的ViT-L。

欧盟AI法案下，这个CEG框架帮你证明AI决策不是靠偏见，而是靠真实因果关系。

斯坦福团队发布临床推理基准，测试八种历史表示策略，发现压缩导致关系损失，小模型 Haiku 在全上下文下超越大模型 Sonnet。

研究人员微调了多个大模型来自动匹配PR和问题，准确率提升显著，还能解释模型决策依据。

PARSER方法解决了MoE模型压缩中误差累积问题，在相同内存减少下提升模型精度。

MIT研究团队推出AgentProv，通过工具调用分布检测API是否偷偷更换底层模型，准确率远超现有方法。

ECGQuest为心电图领域语言模型提供了首个专业评测基准，微调让小模型接近大模型表现。

DeepSeek 175B在普通笔记本上完成20万蛋白质筛选，比A100集群快100倍，误差仅0.88，让小团队也能做药物发现。