NYU最新研究：仅用8K短数据训练，让LLM在128K长上下文推理中准确率飙升90%！
大模型在短数据上训练得再溜，一遇到超长上下文立马就“脑子一片空白”。纽约大学团队别出心裁，用“随机位置”这招，让模型在短文本训练时就能“看见”长文本的位置编码，再配合“长度课程”循序渐进的练习，仅用<8K的短数据训练，就在128K长上下文推理中准确率飙升到90%。这招堪称四两拨千斤，性价比极高！
大模型与智能体
共 812 篇
Apple Research最新论文！9位AI法官投票，有效票数竟然只有2张？
“三个臭皮匠，顶个诸葛亮”在AI评审领域失灵了。Apple Research这篇论文泼了盆冷水：你花重金请来9个顶级大模型打分，以为获得群体智慧，实际上它们只用同一种声音对你说话。这是直面当前AI测评滥用的“清醒剂”。
Apple最新研究：10个标注员就够了！KL散度饱和曲线给出标注预算最优解
苹果最新研究揭示了一个没人细想过的问题：收集标注时，花了钱不等于拿到了“对”的信息。KL散度和熵相关性对标注数量的要求天差地别。更扎心的是，免费的标签平滑无法取代标注员提供的“物品特有不确定性”信号。这篇文章会让你重新思考数据标注的预算分配，获得实实在在的降本增效理论基础。
告别BMS困境！线性引力波在膨胀宇宙中的质量损失计算法
爱因斯坦的引力理论在宇宙学常数（暗能量）下遇到了一个尴尬问题：引力波带走的质量究竟怎么算？这篇论文从线性引力波入手，通过巧妙的多极矩截断，不仅重新定义了de Sitter时空的“质量”，还发现了引力波扫过后独特的“记忆效应”。理论物理爱好者千万别错过，这里不仅有公式推导的严谨，也有宇宙学尺度的奇思妙想。
密歇根等20+机构新作：告别PDF论文，让AI智能体直接操作科研成果，问答准确率暴涨至93.7%
当AI智能体成为科研“战友”，却发现读不懂论文，这多尴尬？密歇根大学联手斯坦福、MIT等20多家机构，提出脑洞大开的协议——ARA，直接把论文从“读”的文档，变成AI可“运行”的知识包。结果振奋：PaperBench上问答准确率从72.4%飙升到93.7%，复现成功率提升7%。看来，未来科研论文真是为AI写的了！
全城2.5万人实测，断网两个月75%页面可获取
全网断掉，没了搜索引擎和维基百科，我们怎么查资料？滑铁卢大学这篇工作给出的答案硬核且接地气—— 用蓝牙在大家手机里搭一个分布式“离线图书馆” 。CttF系统不搞天花乱坠的协议，而是让用户在断网前就缓存并互相打分，断网后再通过日常擦肩而过的那点时间交换资源。基于2.5万人真实轨迹的模拟证明，这套方案在真实部署场景下非常靠谱，比传统的流行病路由高效多了。
TESS五年“捉迷藏”成果首次公布：20个行星系统有“时差”，13个全新发现！
行星们也会“迟到早退”？基于TESS卫星前五年数据，南昆士兰大学团队首次系统梳理多行星系统凌星计时变化（TTV），发现20个存在显著“时差”的系统，其中13个此前未知。更关键的是，TESS系统偏爱2:1轨道共振，与Kepler的3:2偏好截然不同，暗示两种不同的行星形成“食谱”。想了解宇宙的“时钟”如何摆布行星？这篇就是入门指南。
多目标决策新范式：不用预设预算也能找齐所有最优解
当药物分子库动辄上亿候选物时，那个经典的“找最佳分子”问题瞬间变成了在浩瀚星辰中寻宝。不仅要考虑多个属性，还得在“探索”和“利用”间平衡。这篇论文提出了TTPFTS，第一个真正意义上的“随时”贝叶斯算法，无需预设预算，就能边采样边给出越来越准的帕累托最优解集。更绝的是，在9400万分子的库中，它只用了0.05%的探索量就几乎锁定了全部真实最优解，还自带一个“
非阿基米德Arakelov几何新篇章：首次证明Bost-Gillet-Soulé公式类比
在数字的禁区里，也能弹奏黎曼的乐章。这篇论文证明了非阿基米德Arakelov几何中的Bost-Gillet-Soulé公式，将复几何的神器“Green Current”带到了p-adic的世界，为算术相交理论注入新的灵魂。一句话：数学的力量，在于跨越时空的统一。
AI Agent接管云端？OpenKedge推出“执行经纪人”SEB，零常设凭证杜绝越权突变
AI Agent越来越能干，但把“删库”、“开端口”这种高级权限直接交给一个会幻觉、还可能被黑客渗透的非确定性系统，这不是妥妥的定时炸弹吗？OpenKedge团队这篇论文，直接瞄准了这个“检查后执行”之间的真空地带，搞出了一个叫“Sovereign Execution Broker”的硬核边界，让Agent手里的凭证“即用即消”，从根本上堵死越权操作。一针见
Meta最新研究：用“软聚类”给物品画像，生成式推荐效果大涨！
生成式推荐是当下的研究热点，但如何将用户复杂的协同行为和物品语义同时注入大模型，始终是个难题。Meta这次提出G2Rec，巧妙的用了一个稀疏的物品协同图来捕捉用户行为，再用一个可扩展的“软聚类”方法自动学习出每个物品属于不同兴趣原型的概率，把难以表达的“上下文”变成了模型能轻松理解的结构化token。结果在多个数据集上全面领先，而且在线部署效果也很亮眼。读这
伊利诺伊大学等最新研究：99%的人误解了分布式实验设计
当多个实验站点只能发送“投票”信息，我们该如何选出最佳全局实验？简单多数投票可能大错特错！这篇论文给出了分布式贝叶斯实验设计的决策理论框架，用信息增益代替人数，融合规则逼近集中式设计，信息损失近乎为零，堪称分布式决策的“正统解法”。
