学术论文

当LLM社区为"思维树"（Tree of Thoughts, ToT）摇旗呐喊，声称这是大模型"类人推理"的里程碑时，一篇来自arXiv的论文冷冷地揭开了底牌：你们花了三年时间、堆了无数GPU、烧了亿万美元重新发明的东西，是计算机专业大一学生第一学期算法课第一章的课后习题。 这篇题为《Tree of Thoughts as a Classical Heuristic Search Problem》的研究，用近乎残忍的学术严谨性，将LLM社区引以为傲的每一个"创新组件"逐一拆解，对应到经典启发式搜索的理论框架中——然后得出了一个让整个NLP圈尴尬到脚趾抠地的结论：ToT不是一项新技术，它是经典搜索算法在语言模型上的降维寄生。 算法考古：一场精心包装的复古运动 让我们来做一次算法考古。 LLM社区花了几年时间，把ToT包装成 …
阅读更多

翻开任何一份ESG评级报告，你都会看到一份充满数字、图表和"客观打分"的精致文档。MSCI给特斯拉打了A级，Sustainalytics却把它列为"中等风险"；同一家石油巨头，在不同评级机构眼里可以同时是"行业领袖"和"争议典型"。ESG评级之间的相关系数低至0.54——比信用评级还混乱。这就是我们要用人工智能去"系统性提升"的东西。 最近arXiv上一篇综述统计了398篇相关论文，得出了一个令人哭笑不得的结论：机器学习、自然语言处理、优化算法这三大AI范式正在以前所未有的热情，试图从这堆自相矛盾的数据里"挖掘"出可持续投资的圣杯。但综述本身也承认，这个领域"still in a dynamic developmental stage with …
阅读更多

跑分100，实战65 当Gemini 3 Flash Preview在Car数据集上拿到100.00的完美安全率时，整套评估系统像一份干净得近乎虚假的体检报告。同一批"选手"——GPT 5.4 Mini、Claude Haiku 4.5——在RH20T数据集上的安全率却瞬间坍塌：65.00、76.00、85.00。 这不是模型不行，这是考卷太容易。 RoboJailBench这个号称"首个系统性评估具身AI攻防"的基准测试，用6个数据集狠狠给行业泼了一盆冷水。最刺眼的数据是：同一款被认证为"安全"的VLM，在最简单的自动驾驶场景（Car）里能100%拒绝恶意指令，但在真实的远程手术、复杂家庭服务（RH20T）面前，安全率最低跌至65%——这意味着每三次恶意渗透，就有一次能成功。 更荒诞的是，“概念骗术 …
阅读更多

在医疗、法律、金融这三大高危AI落地战场里，金融业对错误的容忍度几乎是零——一个错把SOFR识别成SOAR的对冲模型，可能让一家中型银行在一夜之间蒸掉八千万美元。在这种近乎变态的精度要求下，你猜一个被学术圈吹捧为企业级RAG范本的多智能体架构，答对率是多少？ 62.35%。 是的你没看错，62.35%。这个数字来自arXiv:2510.25518，一个专门给金融科技领域设计的多智能体RAG架构，由查询改写、关键词子查询分解、上下文缩写词解析、交叉编码器重排序四组专家Agent协同作战，在一个仅有85道题的精标评测集上跑出来的严格准确率。更扎心的是，它的对手——一个朴素到几乎原始的线性Baseline RAG，正确率是54.12%。也就是说，四组Agent、6倍推理延迟（5.02秒对比0.79秒），换来的进步是8.23个百分点。 把这个数字扔到任何一个正在选型的CIO桌上，第一反应大概率是沉 …
阅读更多

当圣杯输给了下水道 过去十年，衰老研究领域有一个不证自明的共识：DNA甲基化时钟是测量生物年龄的"金标准"。Horvath时钟、GrimAge、PhenoAge——每一个新模型都被顶刊争相背书，硅谷富豪每年豪掷数万美元检测自己的表观遗传年龄，仿佛拿到一份"生命进度条"就能对抗死神。 然而一项基于12,000人纵向队列的最新研究，把这套叙事连根拔起。 来自人类表型计划（Human Phenotype Project）的研究团队整合了转录组、脂质组、代谢组和微生物组数据后发现：真正与全身系统性衰退关联最紧密的衰老指标，不是DNA甲基化，而是你肠道里的那群细菌。 基于微生物组的衰老时钟——注意，是那些你每天冲进马桶里的东西——在预测多病共存（multimorbidity）和16种常见非癌症疾病时，命中其中14种。即便校正了实际年龄、性别和BMI这些传统变量 …
阅读更多

MITRE的"最重要硬件弱点"榜单，是全球硬件安全圈最严肃的专家共识，每一份入选漏洞都经过数十位工程师的反复审视。但2025版的背后，藏着一个让专家们五味杂陈的事实：1026份候选漏洞里，有411份——也就是整整四成——是由一个从未见过任何标注数据的AI流水线筛出来的。这不是辅助，是接生。 MITRE最硬的榜单，悄悄换了接生婆 说起MITRE CWE的"最重要硬件弱点"（MIHW），业内的想象是：几位白发苍苍的工程师坐在会议室里，对着成吨的CVE报告逐条过审，靠数十年经验拍板哪些漏洞"足够致命"。这套流程庄严、缓慢、自带权威光环。 但2025版MIHW的实际生产链路，被一篇arXiv:2509.00647的论文撕开了一个口子。研究团队用LLM-HyPZ这套零样本框架，把2021至2024年的CVE语料跑了一遍，从浩如烟海的漏洞库里 …
阅读更多

在精准肿瘤学里，一个被默认的常识是：喂给模型的标注样本越多，癌症亚型分型就越准。但2025年8月挂上arXiv的GTMancer框架，用一份不到1500字的实验设置，把这条铁律劈成了两半——全量7个公开癌症数据集上，仅用10%的有标签样本进行半监督训练，模型最终在测试集上的F1与准确率全部碾压SOTA。更离谱的是，当标签比例压到1%时，UCEC数据集上的亚型分类表现依然稳居榜首。是的你没看错，数据少了九成，结果反而更准。 主流叙事的第一道裂缝 过去十年，癌症多组学融合的叙事始终被一个隐含假设主导：基因组、转录组、表观遗传、蛋白质组……不同组学像各自为政的诸侯，必须用更复杂的图神经网络、更多层的注意力、更高阶的对比损失，才能勉强把它们"缝合"到一个统一表征里。结果是模型参数爆炸、训练成本飙升、对标注数据的依赖也水涨船高。一篇典型的多组学GNN论文，动辄要30%到50%有标 …
阅读更多