真人实验提升28.7%！RL2让机器人学会“该出手时才出手”
当机器人VLA模型在域外任务中频频翻车，RL²给出了一个既聪明又高效的解法：只在预测到即将失败时，才调用离线强化学习产生的多样化动作来“组合引导”，否则就安心跟着原始VLA走。这项研究不仅揭示了“成功/失败状态缩放定律冰火两重天”的反直觉结论，还在真实机器人上带来了接近30%的成功率提升——关键是，所有模块都是轻量+离线，部署成本极低。值得所有做机器人泛化操
最新文章
共 1660 篇
反直觉！线图居然是Schur-负的，龙哥带你看懂这个反例
一个漂亮到令人拍案的反例，仅用12个顶点和22条边，就终结了一个困扰组合数学界20多年的猜想。论文不仅有严密的数学证明，还通过计算机穷举所有不超过12个顶点的无爪图，验证了最小性。这篇文章值得每个喜欢“反直觉”故事的人读一读。
FOCUS实证：数据扩展才是王道，蒸馏在轻量模型上贡献有限
别小看“数据扩展+教师再微调”这个组合拳。这篇工作老老实实地把视频帧抽出来补足稀有物种，再让教师自己先学一轮，就让轻量学生逼近大模型97%性能，在Jetson Orin Nano上跑出3.19ms一图。更关键的是，它用5次种子对比告诉你：蒸馏本身贡献有限，别被花哨术语带偏。
曼大数学家终结二十年难题：新算法让3^20阶群分类效率提升千倍
这是纯数学领域一次漂亮的收官之战！持续二十年的“零散群Sylow p-子群上融合系统分类”项目，终于被最后两块硬骨头——Fischer群Fi'24与Monster群的3-子群——画上了句号。更让人拍案的是，作者顺手发明了一个效率相差千倍的算法，让以前想都不敢想的计算变得轻松。群论爱好者可以安心了。
CMU惊人发现：不给图也能编诊断，GPT-5.4/Claude 4.7/Gemini 3.1集体翻车
想不想知道，给顶级VLM一个患者描述但完全不给图像，它们会怎么做？这篇CMU的研究发现，模型不仅不会拒绝回答，还会根据种族、年龄、性别编出不同的诊断，甚至存在“表面说看不到图、背地填上病名”的阴阳模式。对医疗AI的可信度当头一棒，值得所有临床AI从业者细读。
GPT-5.4全剂量“虚构”，Claude词触发“看人下菜”
想象一下，你带了一张胸片给AI看病，结果图片没传上去，AI却根据你的年龄和肤色直接编了个诊断——这不是科幻，是今天这篇ICMR 2026论文的实锤发现。Claude、GPT-5.4和Gemini集体“翻车”，而且翻得很有规律：65岁白人男性=黑色素瘤，32岁黑人女性=结节病。更离谱的是，有些AI文字说“没图”，但结构化的诊断字段却填得满满当当。对AI安全感兴
冷启动命中率31.2%，AI智能体成游戏匹配救星？
这篇论文不是纯技术论文，而是游戏行业、平台经济学与AI交叉的硬核分析。它用Steam数据量化了AI带来的供给冲击（Gini 0.96），对比1983年崩溃，再提出基于LLM代理的智能匹配方案。冷启动试点命中率31.2%（随机11.4%），经济模拟也扎实。想了解游戏发现背后的真实战场？值得一读。
药物代谢预测新突破：MEGA-CL前瞻验证误差仅2.5倍，代码全开源
药物研发早期，ADMET预测的准确性直接决定候选分子的命运。传统的QSAR模型在小数据和高噪声面前往往力不从心，而中国药科大学团队提出的MEGA-CL，用图外部注意力+对比学习，在1亿分子上预训练，不仅刷新了13个标准基准和21个ADMET任务的SOTA，更在前瞻性验证中表现出令人信服的泛化能力——肝清除预测误差仅2.5倍内，CYP450抑制分类准确率73.
仅需2个特征，100%检测AI代理：慕尼黑工大新方法揭秘
如果你以为当前的验证码和流量分类系统还能像以前一样把AI代理当机器人拦下来，那你就大错了。慕尼黑工大这篇被北美AI代理日Workshop接收的研究用硬数据告诉你：传统二元分类器对AI代理的漏检率高达39.1%，而仅仅靠两个行为特征就能实现100%的检测率。更狠的是，人类轨迹重放也骗不过它——因为检测的不是代理在想什么，而是浏览器API怎么执行指令。这篇论文对
反直觉！能“通过平均检验”的过程不一定能被“完全识别”
检验统计学家们躺平了几十年，以为弱渐近一致性必然推得出强渐近一致性。今天这篇不到六页的论文告诉你——别做梦了。作者用同步码、慢变马尔可夫链和独立标记过程三者一搅合，干净利落地构造出两个平稳遍历过程族，让弱检验跑得欢，强检验死得透。这不仅是技术活，更是脑洞活。
1B个芯片嵌入4个比特，感知性能却不降？PDISAC用AI做到了
ISAC是6G通感一体化热点，但嵌入通信数据会严重污染雷达感知。蒙特利尔理工这篇工作巧妙地用概率去噪网络吸收数据引入的旁瓣干扰，让感知几乎不受影响，还附带完整CRLB和BER理论分析。代码已开源，值得关注！
浙大IMFuse：打破LLM推荐只用最后一层惯例！平均提升6.72%，参数几乎不增加
继2025年末佐治亚理工的降噪思路后，浙大团队发现一个更根本的问题：在做LLM增强推荐时，直接取最后一层语义并不合理——中间层保留了互补的细粒度信息，不同物品对层深的偏好也不同。为此他们提出IMFuse，一个即插即用的多层语义聚合模块，仅增加0.03M参数就让推荐性能平均提升6.72%。门槛低、收益高，值得关注。
