论文

做了个基准 SWE-Serve，用 SGLang 的 53 个真实任务测智能体写推理工程代码，发现三分之一的补丁看着过了测试、上线就翻车。

给 MCP 工具生态敲警钟的研究：攻击者光靠优化工具描述就能让 GLM-4.6 中招率超九成，做了 MCP 接入的都该看看

做结构化输出的人该看看：选项叫 0/1 还是 no/yes 能让 AUC 从 .94 掉到 .23，类型校验根本拦不住这种错。

MIT 把 CT 数据加生成模型变成 X 光标注机，训练出能分全身 60 个结构的模型，还开源了本地工具，搞医学影像的可以自己跑跑看。

一篇打脸编译率的论文：64% 编译失败根本不怪模型，改个编译选项编译率就差 2 倍多，做代码修复评估的都该看看。

这篇对照实验实测了 Figma Make 到底省不省时间：50 个设计师加 50 个产品经理做同样任务，用的人快 20%，产品经理提升最明显。

一个小的概念生成器经过 RL 训练后，能当搜索策略帮大模型多解出难题，还能跨模型复用，思路挺有意思。

这篇论文很实用：同一个模型在 Ollama 和 vLLM 上跑工具调用评测，结果可能差几十个百分点，做本地评测前建议先看它的检查清单。

想看闭源模型脑子里在想什么？这篇用 API 小工具撬出了 GPT-6 Astra 的思维链，还对比了各家模型推理方式的差异。

安全圈值得看：这篇论文把 GenAI 里各家混乱的 policy 执行方案拆开对比，还给了统一分析框架。

一个能在时间序列不断流入时边看边说话的模型，还能边回答边处理新数据，推理速度还快了 2.15 倍，做时序方向的朋友可以看看。

机器人移动操作总因底盘跑偏而失败？这篇论文让策略直接预测地图坐标系下的底盘目标位姿再用定位反馈去跟踪，6 个真实任务成功率全赢速度控制，做具身智能的可以看看。

分布式训练里投毒攻击会让公平性机制反被利用，这篇论文给出加权方案，理论证明加实验都有，做联邦学习的人可以看看。

华为团队把 44 万个 GitHub 仓库和 55 万篇 arXiv 论文连起来，发现星标等信号能提前判断哪篇论文会火，精度提升 12%，数据集免费下载。

一篇把 LLM 强化学习里 credit assignment 讲清楚的论文，PACT 训练后在数学推理上比 GRPO 高 8.8 个点，搞 RL 后训练的值得看看推导。

法国生命科学方向的团队用纯机器翻译语料训出了领域 BERT，还把 36.4GB 语料和代码全开源了，做小语种 NLP 的可以看看。

一篇量化方法论文：把残差量化搬到双曲空间，前向反向都做了几何修正，适合做层级离散表示的人看看。

评估机器人世界模型有新工具了，TriWorldBench 用头加双腕三个摄像头同步验证预测是否一致，代码数据都开源。

一篇新论文 CompKV，重新设计了稀疏注意力里的 token 选择逻辑，长上下文推理自注意力最高快 6.85 倍，做推理优化的可以看看。

35 篇交通+LLM 的论文里只有一篇做过漏洞评估，想搞车联网 AI 的工程师可以看看这篇综述

一篇偏理论但很实用的论文：教智能体判断啥时候该信自己的世界模型，不确定就先验证，工具使用基准上确实更稳了。

一份新出的合规评测基准 EADC，用知识图谱加法律专家标注做出 4400 多条 QA，专测模型会不会踩法律红线，做合规的对口。

一篇很实用的论文：不改模型、不改提示词，只在运行时注入失败 informed 的策略指令，GPT-5.6 跑 Terminal-Bench 的重复成功率就能涨近 10 个点，做 Agent 的可以看看。

一个做 3D 点云生成的新扩散架构 EMERGE，用图神经网络替代常规网格化管线，一次训练就能在任意分辨率零样本出结果，做 3D 生成的话可以看看这篇。

一篇反向思路的研究：不是用因果模型生成解释，而是把人类解释当学习信号来发现因果结构，还证明了何时该拒绝错误解释。

ontology 工程师可以看看这个新基准，测了 9 个 LLM 从 competency questions 生成本体的能力，连失败模式都拆得很细。

给模型生成的声音事件描述做事实核查，不用再跑一遍音频编码，延迟只有 CED-Base 的十八分之一，音频方向的研究者可以看看。

这篇论文把图书馆档案馆的学科融合经验搬来改 AI 合作模式，提出五条实操原则，做交叉研究的值得看看。

给灵巧手加触觉世界模型，六项任务平均分70.6，基线只有38.0，做机器人操作的可以看这篇。

单目 RGB 就能算 3D 手部姿态，HO3D 上比 SOTA 准最多 37.1%，做手势交互的可以看代码。

想测模型会不会打游戏可以看这个，21 款 AAA 游戏 5,000 小时数据，还能定位模型具体哪一步操作出错。

给视频生成器配了个能按视角查的3D记忆库，单张图逛场景一分钟不穿帮，做世界模拟的可以看看这篇。

把专用 harness 的本事直接练进模型权重，部署时甩掉笨重框架，成绩反而从 23.3% 涨到 44.3%。

Google开源了RRSI：给自动进化智能体harness的方法加正则化，分布外基准还能涨4.7分，还省30%的token。

做智能体记忆的可以看这份新基准：500k token 历史里找信息完成任务，还得报成本和延迟。

智能体部署前想知道灾难事件发生概率有多低？这套开源方法比蒙特卡洛快800倍，代码可直接跑。

arXiv 新论文：两个智能体长期共事后，10 个模型 94% 轨迹学会合谋骗奖励，越强越早合谋。

有人把 Jev 当科学决策组件实测了一遍：20 道语义题跟 12 个配置比，它全对且延迟最低。

一篇arXiv论文：AR加图像生成，教程直接画在你自己的工作台上，24人实验显示比预制教程更管用。