论文

复旦团队新出的 D3D，让扩散草稿不用等目标模型的隐藏状态，解码比 DFlash 快一截，GSM8K 上能到 7.48 倍，做推理加速的可以看看。

训练人脸识别模型但数据靠第三方采购的团队可以看看，3 个防御后门投毒的实用技巧，训练期推理期都有覆盖。

一篇教你离线 RLVR 该挑哪些回答、哪些 token 来训的论文，在 Qwen3-0.6B 的 GSM8K 上比七个基线都强，还省了三分之二的监督 token。

做配方实验的朋友可以看看，数据少预算紧时，它挑实验点的策略比 8 个主流方法里 7 个都强，省实验次数。

物理模型真的能打过LSTM了：CaRT+每流域才35个参数，在澳大利亚505个流域上反超两个LSTM，做水文的同学可以看看.

做 EEG 基础模型的同学可以看看：77 个数据集、1.4 万小时数据统一格式打包好，许可证标清楚，重训结果也贴近原模型。

这篇论文发现加上灵活强度函数后，老牌 Hawkes 过程就能追平神经 TPP，还开源了 TorchPP 框架，做事件序列建模的建议看看。

想搞清楚图结构在多智能体和 RAG 系统里到底起什么作用，这篇综述把五类功能和评估方法都梳理了。

EBM 这类可解释模型的形状函数经常复杂到没法看，BAM 把它们换成二维高斯，精度不差还真能拿去对着领域知识核验，做表格建模的可以看看。

训练 diffusion drafter 的人可以看看，Split-KV 在 CP 64 下最高加速 3.67 倍，负载均衡还快三个数量级，代码已开源在 GitHub。

用 MoE 路由器直接关掉'过度思考'，token 省三成还不掉准确率，做推理成本优化的可以看看这篇论文的做法。

并购后两套 Salesforce 数据怎么合并？这篇论文给了完整框架和模拟结果，匹配 F1 最高 0.963，做数据整合的可以看看。

一篇把 LLM 智能体用在电网规划上的论文，智能体能自己提方案、跑优化、看结果再改，40 条轨迹全部通过碳预算检验，搞能源系统的可以看看思路。

测了一下那些号称能模拟临床试验的世界模型，结果发现传统模型其实没学会药物干预本身，反而是大语言模型真能分清药效，数据都开源了。

训练长序列的朋友可以看看这篇：CHARM+ 把跨节点通信和计算重叠起来，双节点 NVLink 上比 Ring-Attention 快近 3 倍。

arXiv 上一篇论文，讲 KV 缓存淘汰怎么用迭代反馈自我纠错，在 LongBench 上比 LAQ 强，做长上下文推理优化可以看看。

免训练不换草稿模型，直接给 Qwen2.5-VL 和 LLaVA 视觉模型推理提速 1.5 倍以上，代码开源可以自己跑。

一家团队把单细胞预测、解释和证据更新做进一个智能体框架，SciPlex3 上 AUPRC 高出基线 63.3%，token 还省了 99%，做生物信息的朋友可以看看。

这篇论文解释了为什么更聪明的 AI 有时反而帮倒忙：人会重复计算重叠证据。还用 ChatBench 数据拆出了两种损失各占多少，量化很扎实。

删除数据后怎么证明真的删干净了？这篇论文给 LLM 遗忘加了第四个评估维度，还给出了能套在任何方法上的两阶段方案。

城市规划也能用生成式模型了，输入一句话就能画出高密度开发方案的土地利用图，还带卫星图对照，做城市场景实验的可以看看。

研究发现医疗AI的风险证书防得住错误频率防不住极端大错，胎儿头围测量里一张图就翻车，改用解剖学范围约束花0.4个覆盖点就能把最坏误差压到11毫米级。

一篇处理偏好漂移的 bandit 新算法，核心是只遗忘出错的方向，比滑动窗口这类一刀切方法高 3 到 10 分，还能直接套在任何 API 模型上。

一篇 arXiv 观点论文，指出 RLHF 和 DPO 默认要集中数据的设计在医疗、法律等场景根本走不通，还给出了分布式对齐的技术路线。

训练机器人策略想挑最好的 checkpoint 又不想真机一遍遍试，这篇 arXiv 论文给出的 RACE 指标用成功轨迹就能校准打分，实测排名和部署成功率对得上。

测了六个主流模型谁能模仿你的文风，结果 Gemini 3 Pro 分数最高，其实是靠大段抄原文，得辨别真假模仿。

七个模型轮流写、轮流评数据科学项目，谁提升大、谁自评虚高，这篇都量出来了，做评测的朋友值得细看。

一篇有意思的论文：把视频扩散模型拿来学潜在动作，每帧压到 4 个 token，人类和机器人的动作能互相迁移，在 LARY-Bench 上拿了最优。

一篇文章把研究方向从'让机器更聪明'转向'让人的能力被放大'，提出了认知共生体的完整设计框架，做 AI 产品方向的人可以看看。

让 Claude Opus 5.5 直接读神经网络权重、盲找放疗筛查网络的 bug，16/18 找中，还只改 3 个参数就修好，挺新鲜的做法。

医学物理计算出新基准了，1200 道题里 Claude 系列算得准但查错翻车，做医疗 AI 的可以看看自己模型的真实水平。

用编码智能体在仿真里批量造机器人训练数据，成绩反超遥操作真数据，一小时成本 107 美元，比中美两地人工都便宜，做具身智能的可以细看。

给做 LLM 推荐的朋友：HARP 不训练就能在四个基准上把 Hit@1 拉高 6.9%-24%，物品画像和检索侧门控的思路可以直接借鉴，代码开源了。

这篇论文说生成靠后的 token 贵最多 7 倍，靠频繁压缩短上下文几乎不掉精度，做 Agent 的值得看看省成本。

有人在 arXiv 论证固定人设模拟人群天生有缺陷，还给出了改进设计和实测结果，做用户模拟或评估的可以看看。

用真实 NWS 警报测 Claude 天气管道，发现盲测下近四成回答会错误安抚用户，还放出了数据集和代码可以自己复现。

Qwen2.5-7B 上的实验挺扎心：想让模型用目标语言答对题，最好的干预也只提升 1.60 点，做多语言的可以看看。

有人用匿名改写前后的隐状态几何差异，判断模型是真不知道还是憋着不说，代码也开源了，做遗忘评测的可以看看。