OpenBMB 把 VoxCPM2 的技术报告和模型都放出来了，Apache 2.0 协议。这是个 20 亿参数的语音生成模型，用超过 200 万小时的多语言语音数据训练，能说 30 种语言和 9 种中文方言。它主要干三件事：按自然语言指令设计语音、可控地克隆声音，以及高保真地延续一段语音。技术方案上，它把语音拆成两步走——先用 16kHz 做语义编码...
推荐理由：HKR 三项都踩中了：200 万小时训练数据和 9 种方言是实打实的钩子，参数和协议信息也够新，对国内语音开发者有直接参考意义。分数定在 78 是因为技术报告正文没给出具体的评测基准和对比数字，实际效果和落地表现还不清楚，这点先别太激动。
阿里 RTP 团队发了 RTPurboV2，思路很直接：把模型里 85% 的注意力头换成滑动窗口注意力（SWA），剩下 15% 负责长距离检索的头用低秩投影、聚类和动态 top-p 压缩。适配训练只要大概 600 步、约 100 万条标注 token，Prefill 阶段推理加速最高到 9.36 倍。不过正文因为环境验证失败没抓到具体实验细节和模型规模...
推荐理由：阿里 RTP 团队这篇 RTPurboV2 思路很直白：把模型里大部分注意力头换成便宜的滑动窗口，只留一小撮头用低秩投影和聚类做长距离检索，训练成本压到 600 步、100 万条 token，Prefill 加速最高能到 9.36 倍。这个数字我会先打个折，因为正文自己说环境验证失败没抓到实验细节和模型规模，所以加速比在什么尺寸、什么长度下测的还不清楚。但思路本身对做长上下文部署的人有参考价值，属于工程信号强但缺完整验证的那种。
UC Berkeley 和普林斯顿的研究者给“隐式思维链”找了理论依据。他们提出 Log-ICoT 方法，用 k 奇偶校验任务做实验：当 k=16 时，训练阶段从传统方法的 15 步砍到 4 步。论文证明，在简化假设下，一个 L 层的 Transformer 可以通过 log₂k 个课程阶段把推理步骤内化到模型里，不用再像显式思维链那样一步步往外蹦字。...
推荐理由：这篇论文给“隐式思维链”找了理论依据，不是光靠实验撞大运。我会先打个折：目前只在k奇偶校验这种玩具任务上验证，正文没披露真实NLP任务上的表现，所以实际能省多少算力还不好说。但亮点在于，他们用log₂k个课程阶段就让Transformer把推理步骤内化进模型，k=16时训练步数从15砍到4，这个压缩比挺直观。Stuart Russell参与也增加了可信度。对做推理优化的人，这是个值得跟的理论方向，只是别急着往生产里搬。
这篇推文本身因为微信环境验证没抓到正文，我只能根据标题和已有英文摘要来说。PhysX-Omni 是一个 3D 生成框架，特点是生成出来的模型不是只能看，而是直接带物理属性，能区分刚体、软体和带关节的物体，扔进仿真器就能跑。配套的数据集 PhysXVerse 有超过 8700 个物理 3D 资产，覆盖 2900 多个类别。对做机器人仿真的人来说，省掉了手...
推荐理由：标题说打通全链路，但正文没抓到，只能按摘要判断。PhysX-Omni 解决的是仿真资产从能看升级到能跑的问题，省掉了手动标物理属性的脏活。8700+ 资产和 2900+ 类别说明数据集有一定覆盖面，不过没披露资产质量、仿真精度和实际跑分，效果还得等模型放出来再看。大晓机器人和南洋理工的组合在机器人圈有认知度，但放到整个 AI 圈声量中等，所以卡在 featured 门槛上。
这篇推文本身被微信的环境验证挡住了，正文内容没抓到。从标题和已有的英文摘要看，MetaFine 是一个诊断式的元评测框架，专门拆开看机器人在精细操作上的理解、感知和行为三个环节，而不是只给一个“成功/失败”的二元结果。研究团队说，传统只看最终成功率的评测方式，对精细操作能力的评估会虚高最多 70%。具体怎么测的、用了哪些任务和模型，正文没披露，没法展开。
推荐理由：标题和摘要抛出的 70% 虚高数字很有冲击力，MetaFine 的三轴诊断思路也确实比只看成功率进了一步。但正文被微信环境验证挡住，具体任务、模型和实验细节全是缺口，没法核实。所以它是一篇有钩子、有新知但信息不完整的二次评论帖，放在 featured 门槛上刚好，不宜再拔高。
这篇 ICML 2026 的论文直接动手试了三种省参数的方案：让 Key 和 Value 共用一套投影（Q-K=V）、让 Query 和 Key 共用（Q=K-V），以及三者全共用（Q=K=V）。后两种会让注意力图变成对称的，作者用 2D 位置编码来打破对称性。实验覆盖了合成任务、图像分类和语言模型，最大跑到 12 亿参数、100 亿 token 的训...
推荐理由：这篇 ICML 2026 论文没搞理论推导，直接动手试了三种省投影的方案：Key 和 Value 共用一套（Q-K=V）、Query 和 Key 共用（Q=K-V），以及三者全共用（Q=K=V）。后两种会让注意力图变成对称的，作者用 2D 位置编码来打破对称性。实验从合成任务一路做到 12 亿参数的语言模型，最大跑了 100 亿 token。结果挺实在：Q-K=V 方案在语言模型上几乎不掉点，但 KV 缓存直接砍半，推理成本能省不少。不过这是架构研究，不是落地产品，而且论文里没提法案文本和执行时间表——那部分只是公开信呼吁，还没变成法律。所以放在 ...
这个框架叫PhysX-Omni，目标是让生成的3D模型直接能进物理仿真跑起来，不用再手动修。它把刚体、软体和关节体三类物体的生成统一到一个流程里，省掉了以前要分开处理的麻烦。配套的PhysXVerse数据集有8700个资产，覆盖2900个类别，规模不小。评测基准PhysX-Bench从几何、尺寸、材质、可交互性、运动学和文字描述六个维度打分，但正文没披...
推荐理由：统一物理 3D 生成这个钩子很清晰，数据集和评测基准的规模也给了实锤，对做机器人仿真的团队确实有用。不过正文没提开源、没提落地案例，也没说生成质量跟现有方案比到底好多少，所以分数先不打满，78 分合理。
MAI 从 487 万个开源 PR 里筛出 26.5 万道可训练题目，又为它们建了一套三层判分体系。AI 编程这两年真正的变化不是模型变聪明了，而是训练基础设施被工业化了：出题从手工活变成了流水线，批改也从“单测全绿就行”升级到能检查工具使用效率和前端视觉质量。
推荐理由：这篇文章没发模型、没给跑分，但把“vibe coding”之后该看什么讲清楚了：训练数据怎么筛、判分怎么搭、工程成本怎么控。487 万 PR 筛到 26.5 万题，这个压缩比本身就说明他们在做苦活，不是随便抓一把数据就训。三层判分体系正文没展开细节，但至少表明他们知道代码题不能只靠单次通过率来评。我会先打个折：没看到开源计划、也没看到实际训练出来的模型效果，所以目前更像一套训练基础设施的思路，离可复现的结论还差一步。对正在考虑自训代码 agent 的团队来说，这篇值得看，但别急着当标杆。
微软发了 MAI-Thinking-1，一个混合专家（MoE）模型，总参数 1 万亿但每次只激活 350 亿，跑起来相对省算力。它用 30T token 从零预训练，没拿第三方模型做蒸馏，这点比较硬气。微软管自己的迭代优化流程叫“爬山机器”，听着像在反复试错往上拱。成绩单上，AIME 2025 拿了 97.0%，LiveCodeBench v6 拿了 ...
推荐理由：微软发了 MAI-Thinking-1，一个 MoE 架构的推理模型，活跃参数 35B，总参数 1T，用 30T tokens 从零开始预训练。我会先打个折：正文没给任何跑分、开放方式或定价，所以没法判断实际水平。光看参数规模，35B 活跃部分在推理时成本不会太高，但 1T 总参数意味着训练和存储都不便宜。这点先别太激动，等有 benchmark 和访问方式再说。
这篇论文提出了 DataMaster，一个让大模型自己当数据工程师的流程。它不碰模型结构和训练算法，只做三件事：自动搜索外部数据、清洗脏数据、把多个数据集拼成一张表。在 MLE-Bench Lite 这个机器学习竞赛基准上，DataMaster 把奖牌率从 35.91% 提到了 68.18%，几乎翻倍。正文没披露具体用了哪些模型、单次任务耗时和额外算力...
推荐理由：DataMaster 做的事很直接：模型和训练代码都不动，只让系统自己去搜、洗、拼数据，结果 MLE-Bench Lite 奖牌率从 35.91% 拉到 68.18%，接近翻倍。我会先打个折——这还只是单篇研究，没有生产环境验证，benchmark 本身也不是完整 MLE-Bench，所以别急着当银弹。但“数据工程自动化”这个方向确实戳中很多团队的日常痛点，加上数字够具体，给 78 分 featured 合理。
这期 Import AI 聊了几件事。美国 AI 经济的真实增速可能被严重低估了：名义 GDP 在 2025 年约 2500 亿美元，但算上质量提升，实际年增速接近 2600%。之所以在常规统计里看不出来，是因为 AI 推理价格跌得和性能涨得几乎一样快，而且数据中心建设规模还没大到能明显拉动 GDP。作者提醒，AI 跟过去的半导体、互联网不一样，它可能...
推荐理由：这篇是 Import AI 的周报汇总，不是一手突发新闻，所以我会先打个折。但它的选题角度很刁钻，把“AI 灭绝风险”当成一个可以算账的经济问题来聊，比单纯喊安全口号有意思。里面给的美国 AI GDP 数字和质量调整增速，能让读者对行业体量有个具体感知。监督那部分也点出了当前对齐工作的实际困难，不是空谈。整体信息密度够，对关注 AI 政策与安全的从业者有参考价值。
这篇综述把“评分标准（Rubrics）”这件事拆成了五个部分来讲：定义、怎么构建、怎么用来训练、怎么用来评估、以及还没解决的难题。它想回答一个很实际的问题：在模型能自己调用工具、走流程干活的 Agent 时代，光看答案对不对已经不够了，得有一套更细的尺子来衡量“好答案”到底好在哪里。正文没披露具体的实验数据，更像是一张研究地图，帮从业者快速看清这个方向...
推荐理由：这篇综述没发布新模型或产品，但 40 页的框架对 agent 评测很有用，我会先打个折，放在 featured 档。正文没披露具体实验数据，更像文献梳理，但问题意识够强，从业者能直接拿来对照自己的评估流程。
香港中文大学等团队搞了个新优化器叫 Pion，核心思路是不动权重矩阵的奇异值，只在“等谱流形”上做正交等价变换来更新参数。他们拿一个 6000 万参数、没用归一化层的类 LLaMA 模型试跑，Pion 稳定训练了 96 亿个 token，而 AdamW 和 Muon 都崩出 NaN 了。正文没披露更大规模模型或具体下游任务上的效果，所以这点先别太激动，...
推荐理由：我会先打个折：这篇是优化器数学，不是产品发布，所以分数在 78–84 之间。但它的钩子很直接——AdamW 和 Muon 会训崩，而 Pion 用“在等谱流形上更新”这个思路稳住了。正文给了 60M 模型、9.6B token 的无归一化实验，证明能避免 NaN，这对做训练的人有实际参考价值。信息量够，痛点准，所以 HKR 全过。
FaceMind 团队在 100 种语言和四类核心任务上做了实验，结论很简单：保持意思不变，把提示词或微调文本换成预训练语料里出现频率更高的说法，大模型的表现会明显提升。他们把这个规律叫 Adam's Law（文本频率定律），相当于给数据工程补上了“频率”这个维度。原理不复杂——高频表达让模型在自己最熟悉的概率空间里干活，输出质量自然更稳。不过正文没披...
推荐理由：我会先打个折：正文没披露具体用了哪些模型、数据集和效果提升的幅度，所以没法判断这个“更好”到底好多少、在什么规模的模型上成立。但选题本身很聪明，用 100 种语言和四类任务把“高频词有效”这个反直觉结论撑起来了，对天天调提示词的人来说是个值得自己复现一下的线索。
这篇讲的是 AutoWebWorld 这个项目，它没有靠人工标注或大模型当裁判，而是用有限状态机（FSM）来定义网页的状态、前置条件和跳转规则，自动生成并验证 GUI Agent 的操作轨迹。最终合成了 29 个网页环境、875 个页面和 11663 条经过验证的轨迹，平均每条轨迹的成本大约 0.04 美元。正文没披露具体用了哪些模型做测试，也没给出任...
推荐理由：我会先打个折：这不是顶级大厂的发布，所以分数压在 78–84 的研究工具档位。但 H、K、R 三条都站得住。0.04 美元一条轨迹是个能让人点进去的数字；放出的环境和轨迹量不算小，而且 FSM 内置状态验证这个设计，比靠人标或 LLM 打分更可复现，对做 GUI 智能体的人有直接参考价值。
正文因为微信环境异常被屏蔽了，具体技术细节看不到。从标题和已有英文摘要看，这篇论文提出了一种叫 UNSL（统一神经缩放定律）的多变量公式，不再只看模型参数或数据量单一维度，而是同时建模参数量、token 数、训练步数，还考虑了训练瓶颈、过拟合以及超参数调不好的负面影响。在论文自己汇报的实验里，UNSL 在 60.87% 的视觉任务和 88.89% 的语...
推荐理由：这篇不是又一个刷榜的 scaling law，而是把之前各自为政的变量（参数量、token 数、步数、瓶颈、过拟合、超参数反作用）捏到了一起。我会先打个折：视觉任务 60.87% 的最佳外推率说明还有不少场景没覆盖到，但语言任务 88.89% 确实亮眼。正文没披露具体实验用了多少算力、验证集规模多大，这点先别太激动。如果是真的，训练前就能更准地估出该堆参数还是堆数据，省钱。
AMD 和宾州州立大学用 MI355X 原生 FP4 硬件预训练了 Llama 3.1-8B，端到端速度比 FP8 基线快了 9-10%。但论文指出，Wgrad（权重梯度）量化是拖后腿的环节，导致每个 token 的计算开销额外增加 26-27%，而且用确定性 Hadamard 方法也稳不住。正文没披露最终模型的验证集效果对比，这点先别太激动。
推荐理由：我会先打个折：这是一篇偏训练基础设施的研究，不是通用大模型发布，所以分数不会给到顶。但它的钩子很锋利——直接挑战“FP4 不稳定是因为随机性不足”这个流行说法，并且给出了在 AMD 最新硬件上跑 Llama 3.1-8B 的实测数据。速度提升 9-10% 是实打实的，但 Wgrad 带来的 26-27% 额外开销也说明这条路还没完全走通，这点先别太激动。对关心训练成本和硬件选型的从业者来说，这篇值得一看。
Anthropic 工程师 Sholto Douglas 在 X 上说，Claude Mythos 用一个“巧妙简洁的证明”解决了 Erdős 单位距离猜想，而 OpenAI 前不久刚把这个问题当作 AI 数学推理的里程碑。团队的做法是把问题丢给多个独立的 Claude Code 实例，让它们各自找解题路径，再汇总分发，Mythos 经常走出和 Ope...
推荐理由：HKR 三项都成立：标题自带反差，信息点具体，又牵动前沿推理模型的竞争格局。但正文没披露证明内容、验证方式、Mythos 是否已发布，所以只能放 featured，不能上 P1——我会先打个折，等看到证明再说。
斯坦福大学牵头的一项研究发现，用 AI 工具筛选求职者会导致系统性的种族偏见。具体来说，被一家公司 AI 刷掉的候选人，在应聘其他用同类工具的公司时也会反复被拒。不过这篇报道正文被付费墙挡住了，研究用了多少样本、测了哪几家厂商的招聘系统、具体的差异率是多少，这些关键信息都没披露。
推荐理由：这篇值得推，因为斯坦福的招牌加上“跨公司系统性拒绝”这个结论，把 AI 招聘偏见从模型指标拉到了真实伤害层面。我会先打个折：正文没披露样本量和测试怎么做的，所以“系统性”到底多严重还不好说。但即便信息有缺口，它戳中的是企业用 AI 筛人最怕的合规和公平性雷区，从业者需要知道有这么个信号。
这篇论文提出 RTPurbo，能把原本用全注意力的模型改成稀疏注意力来跑推理，而且只需要几百步训练。做法是只给“检索头”保留完整的 KV 缓存，其他头用一个 16 维的 token 索引器来近似，相当于大幅压缩了要存要算的内容。在 100 万 token 的长上下文场景下，预填充阶段最高快了 9.36 倍，解码阶段快了约 2.01 倍。正文没披露具体用...
推荐理由：我会先打个折：目前只有 Reddit 讨论，正文没披露模型规模、具体任务和代码，验证强度偏弱。但“几百步把全注意力转稀疏”这个思路本身挺省钱的，数字也够具体，对做长上下文推理优化的人值得看一眼。信息缺口明显，所以分数没往上拉。
OpenBMB 放出了 BitCPM-CANN，一个在华为昇腾 NPU 上原生跑通的 1.58-bit（三值）大模型训练方案。他们用和 MiniCPM4 一样的架构与数据，从零训了 0.5B、1B、3B、8B 四个尺寸。1B 到 8B 的模型在 11 个测试集上平均保住了全精度模型 95.7% 到 97.2% 的性能，3B 版本在 BBH 上打平，3B...
推荐理由：我会先打个折：目前只有 Reddit 帖子作为来源，没有吞吐量、显存占用或复现细节，所以先放在 featured 的底线。但这条信息本身挺实在——OpenBMB 在昇腾 NPU 上从零训练了四个 1.58-bit 的模型，不是推理时量化，而是训练阶段就压到极低比特。1B 到 8B 的性能保留率都在 95% 以上，说明这条路在国产硬件上走得通。对需要控制训练成本、又绑在昇腾生态里的团队来说，这是个值得跟的信号。
这篇论文提出了 GRAM，一个会生成多条内部推理轨迹、再从中挑出最优解的递归模型。在极难数独测试上，GRAM 用 16 步递归、同时跑 20 条并行思路，准确率达到 97.0%；作为对比，传统串行递归模型 TRM 要跑到 320 步才做到 90.5%。简单说，就是让模型多想几条路再选，比闷头一条路走到黑更靠谱，而且推理步数还少得多。不过正文没披露具体的...
推荐理由：Bengio 团队这篇新论文拿数独极端难度当试金石，用 GRAM 把递归推理的上限拉高了一截。核心卖点是并行轨迹比长串行更有效：16 步递归配上 20 条并行采样，准确率 97.0%，而对比的串行方法要跑 320 步才到 90.5%。我会先打个折——这只是在单一任务上的结果，泛化到其他推理场景还没验证，正文也没披露并行采样的实际计算开销和延迟。但思路本身对做推理加速的人有参考价值，尤其是想用多条短路径替代一条长路径的时候。
Anthropic 说，他们和大约 50 家合作伙伴用 Claude Mythos Preview 模型，在全球最关键的基础软件里找到了超过一万个高危或严重级别的漏洞。现在瓶颈已经不是找漏洞的速度，而是验证、通报和打补丁的速度。在开源软件扫描这块，模型自己估算发现了 6,202 个高危或严重漏洞，其中 1,752 个已经过独立安全公司或 Anthrop...
推荐理由：Anthropic 这次放出的不是模型跑分，而是 Claude 在真实关键系统里挖漏洞的战报。约 50 家合作伙伴用 Claude Mythos Preview 扫出超过一万个高危或严重漏洞，独立验证准确率 90.6%，说明模型在安全自动化这条线上已经从“能看”走到“能干活”了。我会先打个折：正文没披露漏洞类型分布、误报率和修复成本，也没说这 90.6% 是在什么条件下测的，所以准确率数字先别太激动。但不管怎么说，一万多个高危漏洞这个量级，加上 Mozilla、Cloudflare 这类合作方背书，对做安全自动化和关键基础设施防护的团队来说，是一个...
ModelBest、清华和OpenBMB搞了个BitCPM-CANN，从0.5B到8B都有，全程用华为昇腾910B NPU训练，没走英伟达路线。1.58比特三元量化意味着每个权重只取三种值，内存比BF16省了约6倍，能塞进手机、电脑和车载设备里跑。基准测试成绩保住了全精度模型的95-97%，这点挺实在。我会先打个折：正文没披露具体推理延迟和功耗数据，也...
推荐理由：HKR三项都站得住：昇腾910B全栈训练1.58比特开源模型这个角度够新，数据也扎实。没给P1是因为目前只有发布事实，缺少独立复现或实际落地效果的佐证，所以先放在featured。
中科大团队在顶会上发了两篇工作，专门解决多模态大模型“学新忘旧”的问题。一篇是 MMEVOKE，搞了一个包含 159 个子类、9422 个样本的评测集，用来检验模型在持续学习中会不会把之前的知识覆盖掉。另一篇是 KORE，提出用知识树扩充样本，再通过零空间约束微调来减少遗忘。正文没披露具体性能数字和训练成本，但思路很明确：让模型像人一样，学了新东西还能...
推荐理由：HKR-K 和 HKR-R 都站得住：文章给出了数据集规模和具体的微调机制。不过这只是论文阶段的知识注入方案，没有生产环境的验证或完整的复现细节，所以先打个折，放在低 featured 档。
OpenAI 公布了一个内部通用推理模型（外界猜是 GPT 5.6）的成果：它找到了平面单位距离问题的新构造族，推翻了 1946 年 Erdős 提出的一个猜想。这个模型不是专门为数学训练的，就是普通的语言模型，但推理过程生成了约 125 页的总结。有外部观察者推测，这次运行只用了不到 32 小时，成本不到 1000 美元。数学家 Timothy Go...
推荐理由：HKR 三项都成立：一个内部推理模型声称驳倒了 1946 年的 Erdős 问题，输出约 125 页，这是很强的能力信号。不过成本和运行时间目前还是外部推测，正文没披露 OpenAI 自己的官方数字，所以分数没给到 95。
谢赛宁团队、Adobe Research 和澳大利亚国立大学放出了 RAEv2。在 ImageNet-256 上训练 80 轮后，生成质量指标 gFID 做到了 1.06。更关键的是效率：衡量收敛速度的 EPFID@2 从上一代需要的 177 轮训练直接压缩到 35 轮，计算量维持在 189 GFLOPs 没涨。不过正文因为微信环境验证拦截，具体用了什...
推荐理由：谢赛宁团队放出了第二代表征自编码器 RAEv2，核心卖点是训练快了很多——原来要 177 个 epoch 才能拿到的 EPFID@2 分数，现在 35 个 epoch 就搞定，ImageNet-256 上 80 epoch 的 gFID 压到 1.06。对做图像生成的团队来说，这意味着用更少的算力、更短的等待时间就能验证想法，成本上会友好不少。不过正文没披露模型参数量和实际推理延迟，这点先别太激动，等他们把推理侧的账算清楚再看。
Sapient Intelligence 开源了一个 10 亿参数的小模型 HRM-Text 1B，用 16 张 GPU 跑了 1.9 天，喂了 400 亿个 token，总花费大概 1000 美元。他们自己测的榜单显示，这个 1B 模型在 MATH 数学题上拿了 56.2 分，在 DROP 阅读理解上拿了 82.2 分，两项都压过了 Meta 的 L...
推荐理由：我会先打个折：独立评测还没做完，MATH 56.2 和 DROP 82.2 都是自报分数，别急着全信。但 1000 美元预训练一个 1B 模型这件事本身就有信息量——它说明小团队也能用很少的算力做出能打的模型，对预算有限的开发者是个实在信号。正文没披露数据配比和消融实验，所以没法判断这 40B tokens 的质量到底多高。分数先按 78 给，等第三方跑完基准再考虑往上调。
这篇推文本身因为环境异常没加载出正文，我只能根据标题和外部信息给你还原一下。京东和中科院信工所联合发了三篇论文，核心思路叫 Self-Taught RLVR，也就是让模型在强化学习里自己生成训练信号、自己教自己，省掉人工标注或外部奖励模型。其中一篇叫 RLSD 的工作，在 Qwen3-VL-8B-Instruct 上只训了 200 步，就在 8 个基准...
推荐理由：我会先打个折：这不是哪个大厂发了新模型，而是京东和中科院信工所连着放了三篇论文，把 Self-Taught RLVR 这条路线从不同角度拆了一遍。亮点在 RLSD，它让模型自己生成推理步骤、自己打分、自己迭代，200 步就超过 GRPO 跑 400 步，等于训练量砍半还能赢，对算力吃紧的团队是个好消息。不过正文没披露复现需要多少卡、数据怎么配，这点先别太激动。整体属于有干货、有对比、但热度还没起来的阶段，放 featured 低位合适。
作者用 QLoRA 在 Qwen3 的 4B 到 32B 全系列上训练了一个叫 TIME 的方法，核心思路是当上下文发生变化时，模型才触发一段简短的中途推理，避免没完没了地“想太多”。帖子说数据集、notebook、训练脚本、课程学习方案和 TIMEBench 评测都公开了，24GB 显存就能训到 14B 规模。不过正文被 Reddit 的安全策略挡了...
推荐理由：我会先打个折：这是 Reddit 单帖发布，不是实验室论文，所以放在 featured 里 74 分比较合适。但内容本身挺实在——作者没去追长链推理，而是让模型在上下文切换时做短思考，避免“想太多”拖慢速度。用 QLoRA 在 Qwen3 四个尺寸上都训了，代码和数据全公开，24GB 显存能玩到 14B，这点如果是真的挺省钱。TIMEBench 评测也给了，不是空口说效果。整体对想自己动手调模型的人有直接参考价值，信息量够，判断也挂得住。
这篇文章本身因为微信环境验证没抓到正文，所以具体实验细节没法展开。但从标题和已有摘要能看出，研究团队用 OpenHands 跑了 8 个前沿模型在 500 个 swe-bench 编程任务上的表现，发现 Agent 模式下输入输出 token 比能到 154:1，而且人类标注的任务难度和实际 token 消耗之间关联很弱，Kendall tau 只有 ...
推荐理由：我会先打个折：这不是新模型发布，而是一篇基于轨迹数据的分析，所以放在 78–84 这个推荐区间是合适的。它的钩子很直接——token 花了一千倍，效果未必更好，这对正在给 coding agent 算账的团队来说，比单纯刷榜的新闻更有实际参考价值。文章给出了 OpenHands 在 500 个 swe-bench-verified 任务上的具体数字，154:1 的输入输出比和 0.32 的 Kendall tau，说明模型在排行榜上的名次和实际干活的表现相关性很弱。这点先别太激动，正文没披露不同模型各自的成本曲线，但至少把 agent 的隐性账单摆...
这篇综述正文被微信的验证页面挡住了，我没法看到具体内容。从标题和已知信息看，NTU MARS Lab 联合几家机构发了一篇 43 页的综述，讲的是机器人世界模型。世界模型可以理解成让机器人脑子里有个对物理世界的模拟器，能预判“我动一下会发生什么”，而不是每次都靠真实试错。文章大概会梳理这类模型怎么定义、用什么架构、在哪些任务上能用，以及当前卡在哪——比...
推荐理由：我会先打个折：标题里的“震撼发布”可以忽略，但内容本身不水。这篇综述把机器人世界模型这件事拆得很细——从“世界模型到底是什么”到怎么搭、怎么测、动作一致性卡在哪，都给了结构化的梳理。对正在琢磨具身智能或仿真训练的人来说，相当于一份现成的地图，省得自己去翻几十篇论文。不过它没给出具体的性能数字或成本对比，所以别指望直接拿来算投入产出。
Google DeepMind 的 AI 天气模型 WeatherNext 帮助美国国家飓风中心提前五天预测飓风 Melissa 将以五级强度登陆牙买加，置信度达 80%，三天前升至接近 100%。
推荐理由：原文用飓风 Melissa 的实战案例说明 AI 天气模型如何提前五天预测快速增强，可了解 AI 在极端天气预警中的实际作用。
这个工作把 Qwen3-8B 的原始参数完全冻住，只额外训练一个扩散注意力头，让模型一次前向能生成多个 token，最高做到 7.8 倍。在 MATH-500 上实测 wall-clock 速度大约快了 6 倍。训练只动了 16% 的参数，用了不到 10 亿 token 的数据，在 8 张 H200 上跑了 24 小时。论文声称输出分布和原模型在数学上...
推荐理由：我会先打个折：这是单篇 Reddit 研究发布，没有论文或第三方复现，验证强度偏弱。但信息量够用——在 Qwen3-8B 冻结主干上加扩散注意力头，只训 16% 参数，8 张 H200 跑一天，MATH-500 上 token 吞吐最高提到 7.8 倍，墙钟时间约快 6 倍，而且输出分布可证明不变。这点先别太激动，正文没披露其他 benchmark 和更长序列下的表现，但推理加速和一致性这两点对本地跑模型的从业者来说很实在，所以放在 featured 里当个信号看。
阿里达摩院发了篇 ACL 2026 论文，提出 I²B-LPO，解决强化学习微调时模型解题思路越来越像的问题。做法是在模型生成答案时，碰到它犹豫不决的节点就分叉出多条路径，再用一个基于信息瓶颈的自奖励机制筛掉重复的、留下真正不一样的解法。论文在 Qwen2.5-7B 和 Qwen3-14B 上跑数学题，准确率最多提了 5.3%，答案的语义多样性提了 7...
推荐理由：我会先打个折：这还是一篇训练方法论文，不是新模型或产品发布，所以重要性给 78 合理。亮点在于它把 RLVR 的探索问题讲得很具体——不是泛泛说“多样性不足”，而是用高熵节点定位、分支采样、自奖励这套组合拳给出可操作的解法。数字也实在，准确率和多样性双涨，没有只挑好看的说。正文没披露训练成本和延迟数据，这点先别太激动。整体适合推荐给做推理微调的人看，不是那种看完就忘的刷榜文章。
我会先打个折：这项研究用的是 OpenAI 一年前发布的 o1 模型，按现在标准已经算旧版了。测试数据来自真实急诊室，信息混乱、不完整，模型给出的正确或接近正确的诊断率达到 67%，而参与对比的医生是 50-55%。差距在早期分诊阶段最明显，那时能拿到的信息最少。研究还提到 o1 在处理结构化病例时临床推理几乎不出错。不过正文没披露样本量有多大、医生是...
推荐理由：我会先打个折：这只是一项诊断研究，没覆盖住院数据和影像诊断，别急着说 AI 能独立看急诊。但《科学》背书加上 o1 在真实急诊病例上比医生高出十几个百分点，确实值得从业者看一眼。它说明在特定文本诊断任务上，旧模型已经能摸到甚至超过人类平均水平，后续怎么落地、怎么担责才是真难题。
华东师大和复旦的研究者发现，现在大模型训练时只盯着“下一个词”来猜，容易让模型变得自信但目光短浅。他们提出 Next-ToBE，训练时给模型一个“软目标”，让它同时参考未来几个词的信息，但推理时不用改，还是正常的逐词生成。在 Qwen2.5-Math-1.5B、Qwen2.5-Math-7B 和 Llama3.1-8B-Instruct 上跑了 36 ...
推荐理由：这篇论文的卖点很清晰：不碰模型结构，只把训练时“猜下一个词”的目标换成“看未来一小段窗口的软目标”，就在36组实验里赢了35组。我会先打个折——正文没披露用了多大的模型、什么规模的数据，也没给复现细节或生产环境的验证，所以目前只能当学术信号看。如果是真的，这种改目标不改架构的思路确实省钱，但别急着把它当成下一个训练范式。
浙大和腾讯优图在 ACL 2026 上发了 AdaMARP，让 AI 角色扮演不再只是你一句我一句，而是像导演一样调度四类消息：对话、旁白、场景描述和内心独白。框架里塞了个场景管理器，能根据剧情走向自动切分镜。训练数据从 81 部文学作品和 20 个合成主题里抽，评测集 AdaptiveBench 用 100 个种子场景来考模型能不能把故事讲下去。正文...
推荐理由：这篇 ACL 2026 的工作把角色扮演从“一问一答”拉到了多角色叙事，四通道消息和场景管理器是核心卖点，81 本书的数据集也算扎实。我会先打个折：它更像一个研究原型，没看到生产环境下的延迟、成本或安全约束，所以别急着想象它能直接跑在商业产品里。亮点在机制设计，短板在工程验证，整体值得关注但保持观望。
NVIDIA 放出了一个叫 Star Elastic 的模型，一个检查点文件里包含了 30B、23B 和 12B 三个尺寸的推理模型，不用额外训练就能直接“切片”取用。具体玩法是让 23B 的子模型负责思考过程，30B 的模型负责给出最终答案。在 AIME-2025、GPQA、LiveCodeBench v5 和 MMLU-Pro 这几个测试集上，这种...
推荐理由：我会先打个折：这还是个研究发布，不是大规模验证过的产品，影响力肯定比不上一个全新旗舰模型。但它的机制很具体——一个检查点通过“零样本切片”就能变出不同大小的推理模型，而且 23B 负责思考、30B 负责回答这种分工方式，在 AIME-2025 上确实跑出了 16% 的准确率提升和 1.9 倍延迟降低。对正在折腾推理部署的人来说，这种“一份权重、多种用法、精度可选”的思路，直接打中了成本和延迟的痛点，所以放在 featured 里是合适的。
BAIR 这篇博客梳理了并行推理的最新进展，核心观点是：与其让外部规则替模型决定怎么拆分任务、开几个线程，不如让模型自己判断。文章介绍了 ThreadWeaver 和 Multiverse 两种方法，它们能让模型在解题时动态决定是否并行、开多少并行分支、以及如何汇总结果。相比传统的多数投票、树搜索或固定并行结构，这种自适应方式更省算力，也更贴合问题本身...
推荐理由：BAIR 的出身让这篇有基本可信度，HKR 三项都过关。文章把动态控制并行线程的机制讲清楚了，但我会先打个折：没给任何量化结果，也没说怎么复现，所以分数卡在 74 不动。这点先别太激动，等他们把延迟降幅和基准跑出来再说。