佛蒙特大学用数据科学“拆解”《老友记》：剧情套路越多，评分越高？钱德勒果然最“尴尬”！
当《老友记》遇上计算叙事学，这波跨界直接把我看呆了。佛蒙特大学团队没去搞图像识别，反而把“TVTropes”里的剧情套路和剧本、评分联动起来，发现了“剧情套路的密度”和“评分”之间的秘密。更骚的是，他们还把1974个套路分成了15个语义簇，结果发现——钱德勒的莫妮卡式“尴尬”和莫妮卡的“控制欲”，原来都被套路化了？这篇文章让我们看到，AI不仅能看懂图像，也能
大模型与智能体
共 812 篇
告别复杂两步法！端到端训练线性网络，状态估计误差仅1/√T
这个问题就像一个“灵魂拷问”：我们费劲训练一个模型预测时间序列的下一个值，它除了学会预测，它的内部“黑盒”里是否也偷偷学会了理解这个世界的底层规律？这篇来自康奈尔大学、华盛顿大学和帝国理工的论文，用严格的数学证明了：一个简简单单的两层线性网络，在训练之后，它的隐藏层居然自己学习了卡尔曼滤波！方法巧妙，理论扎实，而且开源了代码，非常建议关注时序建模和状态估计的
告别Dft声子bug：倒易空间约束让低维材料声子计算回归物理
教科书上说，低维材料的柔性声子模式就是二次色散。可DFT一算，出来的曲线总是“歪”的，甚至冒出负频率这种物理上不可能的东西。别慌，Imec和鲁汶大学联手，用倒易空间“数学手术刀”把旋转不变性给修好了，声子谱终于回归物理直觉。
基因表达聚类新范式：让数据自己说出疾病故事
基因不是孤军奋战，它们像帮派一样协同作战。如何在不打标签的情况下，让数据自己说出疾病的“内部故事”？昆士兰大学这篇工作，把基因模块玩出了新高度，用混合因子模型在785个样本里无监督找到了9个分子亚型，BIC狂甩传统方法250,000分。
西北大学&亚马逊AGI最新研究：让大模型学好“纠错”，推理能力暴涨，4B模型打趴8B！
让大模型第一步就做对，这要求有点高。但如果允许它错几次，再一步步修正呢？ 西北大学联手亚马逊AGI提出的REVES框架，精准点出了当前“测试时扩展”技术的核心瓶颈——训练与推理的“步数”不匹配。它巧妙地通过把“接近正确”的错解转化为修正样本，用单步强化学习高效地训练模型学会自我纠错，在代码、数学上全面领先，还用4B模型在圆球填充任务上追平了8B系统的SOTA
排名也有偏见？巴西学者提出SMAA-Fair，给多准则决策中的排名加上“公平滤镜”
当你在多准则决策中用SMAA方法计算排名时，有没有想过这个排名可能对某些群体“偏心”？巴西学者提出的SMAA-Fair正是来解决这个问题的。它不改变你的模型，只调整每个模拟排名对最终结果的“投票权重”——排名越公平，权重越高。简单有效，思路清奇。
告别黑箱审计：CODE-AUGUR如何让LLM的安全判断变得可验证、可复用
继2026年6月聊过AI智能体安全评估之后，这次新加坡国立大学团队带来更猛的干货：不是让LLM当黑盒猎头，而是让它把“觉得安全”的判断写成可执行的断言，再用模糊测试来挑战这些断言。结果？在DARPA的AIxCC基准上比顶尖智能体多发现34%-63%的漏洞，还挖出了22个真实世界的0-day！这才是AI安全审计该有的样子。
被引26489次！蒙特利尔大学提出RNN编码器-解码器：给机器翻译装上“语义引擎”
这篇论文是NLP领域圣经级的存在，引用数高达26489次！它提出的RNN编码器-解码器架构，以及其中巧妙的门控隐藏单元，直接为后来风靡全球的seq2seq模型和GRU铺平了道路。如果你想理解机器翻译乃至整个序列生成任务的基石，这篇2014年的经典之作绝对不容错过。
法国IPAG用维里定理提取恒星核，告别密度阈值玄学
数星星的孩子最难的不是数，而是告诉别人哪个点才算星星。这篇来自法国IPAG团队的论文，就用维里定理造了一把“物理戒尺”，把模拟宇宙里那些“模糊边界”的恒星胚胎量得清清楚楚。从此，告别手动调阈值的玄学时代，让物理自己说话！
流感预测大PK：17个模型“华山论剑”，混合专家模型夺冠！
流感预报影响万千人健康，从ARIMA到PatchTST再到各种大模型，谁才是预测流感传播的“预言帝”？弗吉尼亚大学这篇论文，用17个模型在真实场景下进行了1-4周预测大PK。结果很有意思：混合专家模型稳居C位，而用大语言模型做时间序列预测，这次表现真是不太能打... 一起来看看到底谁是C位，谁又该回炉重造吧。
港科大新研究：只更新10%Token，推理能力飙升15%，告别盲目探索！
训练大模型就像带兵打仗，胡子眉毛一把抓只会越训越乱，熵塌陷了解一下？港科大的这篇论文发现了其中的“关键少数”——那些在分布上偏离群体平均的Token才是决定推理方向的决策节点。这套方法原理漂亮，效果更惊艳，只更新10%的Token反而吊打全量训练，是RLVR领域的一股清流。一起来看！
阿里最新研究：让LLM学会“连点成线”，长期部署任务成功率飙升76%！
大模型做agent已不新鲜，但让它在真实场景长期部署、边工作边学习、自己积累经验，才是终极形态。阿里CoD论文用强化学习端到端训练LLM学会“连点成线”的元能力，任务序列里第四个任务成功率从28%干到76%，还跨域泛化到没见过的任务上。
