论文

化学实验室自动化的新基准，1000 道专家手工出的题考了 28 个多模态模型，结果发现它们看实验视频还行，真要动手操作就不行了。

42位物理学家出题考AI做完整科研，22个模型没一个能及格，具体差在哪篇里分析得很清楚，做智能体评测的值得看。

不用遮挡标注、不用训练，靠高度和深度两个估计打架就能判断行人被挡住，KITTI 上 AUC 0.909，做自动驾驶感知的可以看看。

一篇用 754 个美国职业数据算 AI 曝露度与工作条件关系的论文，结论有点反直觉：越可能被 AI 影响的工作条件越差，适合关心就业的研究者看看。

通信方向的朋友可以看看：把神经网络接进置信传播解码器，误码率比 BP 和现有神经解码器都低，还给了两个训练技巧。

让智能体每轮先出 N 个候选动作再挑一个，实测准确率提升 5-10%，做 Agent 的可以看看这套推理时扩展思路。

这篇论文让 6 个编码智能体比赛压缩模型，36 次提交里 29 次跑通，看看它们怎么做到 3.4% 困惑度差距的。

这篇论文挺有意思：让 Claude Sonnet 5.5 这类编码智能体去自己写推理服务系统，成绩做到 vLLM 的 4.87 倍，还附带基准复现方法。

评测智能体跑一遍基准太烧钱？这篇论文用 LLM 摘要轨迹来预测分数，SWE-bench 上误差从 0.13 降到 0.08，只跑一个任务就能估分。

一篇很硬核的智能体架构论文：把路由和执行拆开，Qwen 3.8 的分割路由从 6.2% 拉到 75%，做科学图像自动化的值得看看思路。

多轮改图容易越改越跑偏，TailSteer 只在去噪末端做修正，FLUX、Qwen 上验证有效，做图像编辑的可以看看这篇。

让视频模型不光画得像，还能推理野兽出现后人会逃跑还是躲起来，这篇论文给了配套数据集和基准，做世界模拟方向的可以看看。

一篇 arXiv 新论文 ArcRAG，检索不绑定建图方式，在 MuSiQue、HotpotQA、TriviaQA 上换图构建照样能用，做 GraphRAG 的可以看看。

做微流控或仿真代理模型的朋友可以看看，用集成不确定性找关键区域补数据，液滴直径预测误差0-3%的比例接近翻倍。

论文团队做了个 1,115 页的基准，专门测模型能不能把文档还原成可用的 HTML，比 Markdown 更看重布局，做文档解析的可以看看。

给长程智能体做上下文压缩的论文，训练一次就能即插即用，DeepSearchQA 和 SWE-bench 上省七成多推理成本，几乎不掉分。

一个不用训练的 agent 框架，让机器人主动找证据回答问题，在 ESI-Bench 上用 Qwen3-VL-32B 提了 7 个点还省 token。

把神经科学的闭环刺激思路搬到 LLM 引导上，用 H∞ 控制器在分布外场景下稳住模型行为，思路挺新。

多智能体系统一挂就崩的问题有解了：MA-Mesh 让 Agent 能互相评估表现，挂了还能自动换角色顶上，做 Agent 开发的可以看看。

一篇讲法律检索 Agent 怎么自己变强的论文，用 rubric 迭代做 RL，比固定规则效果好，做法律 AI 或 Agent 训练的可以看看

把长上下文压缩后模型可能更容易回答不该答的问题，这篇给出机制解释和一个不用重训练的修复方法，做 RAG 或长文本系统的人该看看。

几个学者把 Proudhon 两百年前的契约概念搬进社交网络，做了能用的手机 App，专门管住匿名 AI 智能体和 deepfake，思路挺新颖。

研究者把仿真画面变成逼真监控图像来训练 8B 视觉语言模型直接控红绿灯，实路口部署三周还跑赢了 Gemini 3 Pro，做法挺有意思。

一篇经济学视角的 arXiv 论文，用模型证明老依赖 AI 会丢技能，还算出了企业该发多少激励钱让员工保持练习，结论挺反直觉。

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。