中科院计算所提出ChemDiffAgent：8B化学智能体反超GPT-5.5
化学智能体这几年做得不少，但几乎都押在自回归这条路上：一个token一个token从左往右吐，工具名、参数、SMILES谁先谁后，全被钉死。这篇论文干脆把化学推理整体改成掩码扩散的迭代去噪，让工具名、参数和推理过程在同一个块里一起收敛。结果是一个8B模型六类化学任务总分91.8%，反超GPT-5.5，还直接开源了。
标签：模型架构
共 332 篇
带宽不够怎么传图？诺基亚贝尔实验室：压缩683倍，精度仍有96%
想象一个场景：无人巡检车在隧洞中运行，摄像头拍摄画面，信道抖动导致带宽骤降。视频链路降码率，画面模糊，而接收端的识别模型仍需回答轨道上是否有人。
香港中文大学：LWE搜索到判定归约，复杂度只依赖噪声模数比
要说清楚这篇论文的价值，得先从密码学里一个看似绕口、其实非常朴素的问题讲起：如果你能判断一组数据里有没有藏着秘密，那你能不能把这个秘密直接找出来？
NANOGrav新模型：脉冲星轮廓演化误差最高降85%
纳赫兹引力波是热门话题，而脉冲星定时里的「色效应」建模是个难题。这篇来自NANOGrav合作组的工作看似简单却很关键：用勒让德正交基替代对数多项式，在11颗毫秒脉冲星和模拟数据上，PE误差最多降低85%，拟合色散偏差从0.013压到0.0002 pc/cm³。专治前人模型的数值病，值得一读。
罗格斯大学：非正则Borel图色数下界，Nikiforov定理被推广
无限图的着色问题一直有个尴尬：经典谱方法大多只在“人人度数相同”的正则图上顺手。这篇把 Nikiforov 的色数下界、二部性谱刻画一路搬到非正则的 Borel pmp 图，还顺手用可测支配数卡住了 Laplacian 谱隙。纯理论，没有一行代码，但证明思路干净得值得一看。
港科大（广州）S3R：稀疏起草+稠密验证，RL训练吞吐1.39倍
大模型做强化学习，真正的瓶颈常常不在反向传播，而在 rollout 生成——注意力吃掉了七成以上的解码时间。港科大（广州）这篇 S3R 的做法挺取巧：稀疏注意力只负责"提词"，全注意力负责严格验收，采样分布不动，KV 读取却大幅减少。Qwen3-1.7B 上端到端训练吞吐做到 1.39 倍，训练还更稳。
大语言模型｜北大MIT清华：注意力非线性让大模型深度缩放变成1/L
这篇论文回答的是缩放定律里最朴素也最要命的一个问题：多加一层，为什么有用？作者的答案有点反常识——在线性注意力里，深度只能按数据谱的幂律慢慢挤性能，很快就见底；注意力一旦带上 softmax 非线性，损失就按约 1/L 的逆幂律继续往下掉。作者还把这件事接到中心极限定理上，把「层间共享误差」和「层间差异」分开算账。
港城大×英伟达：把扩散时间步写进SSM递归算子，只训6.3M参数
条件化这件事，主流做法要么把上下文塞进输入，要么用AdaLN去调激活，本质都是在外围打补丁。香港城市大学和英伟达AI技术中心这篇，直接把扩散时间步映射成SSM递归参数A、B、C、D、Δ的有界偏移，冻结111M骨干只训6.3到11M适配器，Chebyshev核平均验证损失压到2.55，还附送一份解析稳定性证书。能把"为什么稳"讲清楚的参数高效微调，不太多见，值
大语言模型｜维也纳工大：给MoE专家路由做「翻译」，准确率涨65%
MoE模型火了好几年，可「专家到底在干嘛」一直没人说清。主流解释是每个专家管一个领域，但真去翻，翻不出来。维也纳工大等提出RouterInterp，用稀疏自编码器给出另一种答案：专家干的是「多份不相关特征的叠加活儿」。这个结论有点反直觉，但证据挺扎实。
金斯顿大学：1368种量子网络配置大PK，汇率预测R²达0.985
继6月推过金斯顿大学的量子扩散模型之后，同一个团队又把量子神经网络拉出来做了一次全面体检：编码方式、Ansatz、比特数、代价函数全排列组合，1368种配置逐个跑完。模拟环境里最好模型R²冲到0.985，一上真实量子硬件，噪声就把多数配置打回原形。想看量子机器学习当下真实边界在哪，这篇很有料。
都柏林圣三一学院：车载入侵检测99.9%准确率，延迟0.25毫秒
现代汽车内有多个电子控制单元（ECU），通过控制器局域网（CAN）总线通信。刹车、转向等功能都依赖这条总线，但CAN协议缺乏身份认证，任何节点都能发送消息，易受攻击。
马里兰大学终结35年悬案：树边排序被证P-完全，MPC仍能并行
一个悬了35年、被写进P-完全性教科书的开放问题，被马里兰大学三人组终结了：树的边排序是P-完全，直径只有6的树也一样。更有意思的是，作者转头就在MPC模型里给出了并行算法。理论爱好者本周必读。
