#论文

搞营销增长的朋友可以看看：用离线强化学习选优惠券策略，LTV 实测提升 19%，还自带约束权衡分析。

一篇研究智能体自我改进的论文，Qwen3.5-9B 用它这套框架跑赢了 DeepSeek-V4-Pro 和 GLM-5.3，做 agent 的可以看看思路。

同一批越狱结果换个打分模型，成功率能差 22 倍，这论文告诉你怎么免费检查自己的评测有没有踩坑。

18 个模型里一句真话就能让智能体改错答案，开源模型中招率 80%，做 Agent 安全的必看这篇。

一篇很巧的生成模型论文：给流匹配加个轻量修正器，每步多算一次就能纠错，图像和视频生成质量都有提升。

一篇讲电商商品怎么在生成式搜索里排名更好的论文，核心是把成功优化经验存成可复用的行为手册，比单纯调 prompt 稳。

德国团队做了个对话评测新框架，8 个模型跑 1292 轮情境对话，总分看不出的问题逐轮都暴露出来了，做 Agent 评测的可以看看。

这篇论文做的是让智能体能从历史交互里持续学习，Darwin-Claw 把错误归因蒸馏成可复用的经验，在 WildClawBench 上验证有效，做智能体开发的可以看看。

证据 Z 一直很难算，这篇论文用流匹配参考把它变成可摊销的快速估计，还超过了流基线，做 SBI 的科研读者可以看看。

选 RAG 方案总要跑一堆基准太烧钱，这篇论文给了一套先按维度筛选的框架，做检索增强的可以看看怎么用在选型上。

一篇讲 Agent 记忆筛选的论文，JointCore 这个基线能把要评估的记忆子集次数砍掉六成多，省 87.8% 的活跃记忆，做 Agent 的可以看看思路。

这篇论文发现把约束写进模型自己的思维链里比写在提示里管用得多，做提示词工程或关注 CoT 监控安全的都该看看，尤其是最后那个规避监控的实验。

arXiv 上的新基准 FDE-Gym，拿 95 个真实客户交付任务考 13 个模型配置，最好的模型也只做对 14 个。想知道智能体离真实交付差在哪，看这篇。

一篇评音视频生成质量的新论文，把整段片子拆到事件级打分，还能定位具体哪里不同步，也能当 RL 训练信号用。

arXiv 上的新压缩论文，把 DeepSeek 的 203GB 查找表压到 51GB，做量化或本地部署的可以看看思路。

研究 MoE 的人可以看看这篇，它指出共享专家会抑制路由探索，并给出 MirrorMoE 这个修正方案，多规模实验都有效。

一篇数学审计方向的论文，搭了个 72 任务的基准，用 Qwen3-8B 测出验证器反馈确实能帮模型交出更多可用反例。做数学推理评估的可以看看它的任务设计。

服装打版有个老问题：档案里只有改前改后的版型，没有改法。这篇论文让模型自己搜出编辑步骤还逐一验证，能认证的用例比非学习方法多了十来个。

一篇做时序预测的论文，把注意力塞进 ODE 求解器里处理外生变量，不用硬对齐时间戳，8 个数据集验证有效，做预测的朋友可以看看。

一篇讲怎么让 agent 自己改 prompt、工具和工作流的论文，模型权重不动，还给了泛化界的理论证明，代码也开源了。

论文把奖励模型过度优化类比成寻租，量化了 RL 训练中多少增益是假繁荣，还测出策略会钻审计的空子，做 RLHF 的人可以看看审计频率怎么设。

一组研究者让 LLM 自己总结出怎么主持多人讨论，胜过三个专用主持人，还更省话，做群聊或会议助手的可以看看。

这篇改进 RLVR 探索的论文思路挺巧：不加大采样量，而是给提示加个扰动嵌入位置，同预算下比 GRPO 提升明显。

一篇优化理论新论文，处理一半梯度拿不到、得靠函数值猜的场景，复杂度界和实验都给全了，做双层优化或 performative 学习的可以看看。

一篇新论文 Web$hell，把搜索、浏览器、文件系统三种网页访问方式合成一个接口，智能体跑搜索、导航、深度研究基准都更省成本。

Nature 旗下 npj Digital Medicine 发的新论文，用 agent 系统自动做医疗沟通编码，能跨多个编码框架跑，做医疗信息化的可以看看。

npj Digital Medicine@Chuan Hong原文

这周AI圈有哪些新论文？VERA、HERMES这些模型有什么突破？一起看看最新研究进展。

DAIR.AI@dair_ai原文