Reton

In the illusion of substance

[Phoenix Yin @Phoenixyin13]

对搞 AI agents、reasoning model 的人来说，这篇论文真的很实用性有趣。

如果你在做 reasoning model 的 post-training、蒸馏、on-policy 数据生成，或者想改进小模型的长链思考能力，这篇能给你一个干净的思路和可落地的 trick。
尤其对 hard math 问题，收益比较实在。

现在训小模型学��模型的长链思考，像 o1 那种，常用 on-policy distillation是让小模型自己先生成 reasoning 轨迹，一步步写思考过程，然后大老师模型在它生成的轨迹上逐个 token 教它。

小模型如果开头几步就走错了，后面再怎么写都救不回来。这时老师还得硬着头皮在那个带病前缀上继续监督。
结果老师自己的输出分布会分裂成两半，一半想继续错下去，一半想纠正，给学生的学习信号就变得很乱、梯度碎片化。

以前大家各种修 token loss 的 trick，比如截断、重加权、top-k 啥的，都只能治标不治本，因为问题根子在整个轨迹的前面就坏了。
就像是学生写数学证明，第一步假设错了，老师还得在错的假设上逐字批改后面每一步，教出来的东西自然稀碎。

论文的解法是Trajectory-Refined Distillation。

不直接在学生原始轨迹上蒸馏，主要让老师先把整个学生轨迹重写、精炼成一个更好的版本，修正错误前缀，同时尽量保留学生原来有用的部分和风格，保持在学生分布支持内。然后，学生去模仿这个被老师修正过的干净完整轨迹。

我理解这种方法算是把监督从token 级修补升级到trajectory 级修正了。

尽管这只是incremental contribution，而且相当依赖老师 refinement 的质量，如果老师不够强，修正效果会打折。但是整体上把把 prefix failure”这个现象说清楚、形式化了，还有实验证据支持已经很好了。

个人的品味，感觉这篇尤其在难的数学题上 gains 明显，还能让轨迹变短，更���效，自蒸馏时甚至能解出原来完全解不出的题。一个小改动就实际能用的感觉很舒服。

[恒星 @vintcessun]

终于有人把科研AI辅助那条断头路修通了。写论文、做文献报告、出仿真图再到答辩PPT，过去每一步都得手动倒腾数据和复制结果，现在三个Skill把全流程串起来了——从scientific-toolkit算数据出图，直接喂给research-writing写正文，再让office-academic生成可编辑的PPT和Word，彻底告别来回搬砖。核心是一套互补协作的设计，在Claude Code和Codex里一键安装就能用，而且是中文优先的。
https://t.co/4HYvb5Gfc2

[paperpaper @paperpaper886]

大拉屎时代来临

来源未知，这下更是全自动垃圾生产了，唯一受害者又回到了严谨做学术的和认真的会议审稿人。

该变天了哦

[Xudong Han @Xudong07452910]

看到浙工大研究生课开始讲「全自动科研工具」，挺开心的。

这个视频主要讲的是：怎么用 AI Agent 把科研里的数据处理、代码执行、结果整理、论文写作和复现包串成一条可追溯的工作流。

很多研究生还在手工整理文献、跑实验、做表格的时候，有人已经开始用 Agent 把这些流程自动化了。

科研最有价值的部分从来不是重复劳动，而是提出问题、设计实验和产生洞见。

真希望国内研究生教育能多一些这样的内容。

工具是在提高生产力，不是在降低科研门槛。把时间从重复工作里解放出来，才能把更多时间留给思考、创造和生活。

视频已经得到老师转载的许可��老师的小红书账号是“爱练腿的龙脖（AI版”
#AI科研 #科研自动化 #Agent #研究生教育 #claudecode #codex

[沉浸式翻译 @immersivetran]

Research Rabbit 是一个在线文献检索工具。它在科研圈内被称为“论文界的 Spotify”��其核心逻辑不是简单的关键词搜索，而是通过算法构建“文献关系网”。

目前，该平台拥有超过 2.7 亿篇论文的数据支撑，并承诺永久免费（Free forever），这在当下的 AI 学术工具市场中非常罕见。

传统的搜索方式通常是在数据库中通过关键词检索，然后逐篇阅读摘要，这种线性检索方式效率��低，且容易遗漏重要的关联文献。

而Research Rabbit 是一款减轻文献调研负担的工具。最核心的功能是基于“种子论文（Seed Paper）”进行发现。当你添加一篇或多篇感兴趣的论文作为种子后，系统会自动分析这些论文的引用（Citations）、被引（References）以及共同作者（Co-authors）。

它会将这些复杂的引用关系转化为动态的“星系图”或“地图”。你可以直观地看到哪篇论文是该领域的核心节点，哪些论文是近年来的新兴研究。这种视觉化的方式极大地方便了研究者理清学科发展的脉络。

点击图中的任何一个节点，系统会进一步延展出与该篇文献相关的其他论文。这种沉浸式的探索过程，能帮助你发现那些隐藏在传统关键词检索结果之外的关键文献。

Research Rabbit 并不是一个孤立的搜索工具，它与现有的科研工作流衔接得非常紧密：

1️⃣ Zotero 深度同步：如果你使用 Zotero 管理文献，只需一键授权，Research Rabbit 就能同步你的整个收藏夹。你可以直接在 Research Rabbit 中基于现有的 Zotero 文类进行文献扩充，发现结果也可以反向同步回 Zotero。

2️⃣ 实时追踪与提醒：系统会根据你的收藏偏好进行学习。一旦领域内有符合你研究方向的新论文发表，它会通过邮件提醒你，确保你的研究始终处于前沿，不会错过任何重要的进展。

3️⃣ 多维度筛选：支持按时间线（Timeline）排列论文，帮助你了解某个研究课题随时间演变的路径；同时也支持基于作者网络的探索，让你快速锁定某个领域的“大牛”及其研究团队。

很多时候我们并不知道最准确的关键词，Research Rabbit 通过“引用链条”绕过���关键词的限制，直接通过学术联系找到目标。

它改变了我们寻找信息的方式——从被动地“搜”变成了系统智能地“推”。

如果你正处于开题阶段，或者正在为综述论文（Review Paper）寻找文献支撑，不妨将你手头的几篇核心文献导入 Research Rabbit。你会惊讶地发现，那些原本零散的 PDF 文献，竟然可以交织成一张如此清晰、有逻辑的研究地图。

🔗：https://t.co/IqAhnD9gzA

免责声明：推荐的产品仅供参考与研究，本账号与该产品无任何商业关系。

[Kyle 不写代码 @kylegeeks]

我分享下我的优化论文实战经验：

1. 一定要用 Claude 模型，可以是 Claude Sonnet 4.6 但是最好是 Claude Opus 4.6

2. 安装这个 skill： https://t.co/wCcffczCb7…
/paper-review 能帮你把文章用拒稿专家角色给出审核意见
/paper-writing 在给出审核意见之后，进行学术性文风修改

3. 不要想着一次能修改完整篇论文，LLM 目前最大的短板是上下文长度问题。 一定要把你的文章先让 AI 从 word 转为 markdown，并按章节划分储存。

4. 新建 2 个 文件夹：「待修改」和「已修改」

5. 每次一个章节的启动提示词：

「把我待修改/绪论.md 第一步帮我用 /paper-review/来review ，将 review 报告持久化，第二步再用 /paper-writing 来修改，最后输出到"已修改"文件夹下。」

[Berryxia.AI @berryxia]

Google 又把 AI 科研写论文这件事重新定义！

全新多智能体系统 PaperOrchestra：

✅ 把原始想法、实验日志、笔记直接变成投稿级 LaTeX 论文
✅ 专门的 Literature Agent 做深度文献综述
✅ 自动生成概念图、实验图表
✅ 迭代打磨到能直接投顶会

还开源了 PaperWritingBench 基准（从 200 篇顶会论文逆向工程来的）

人类盲测里，文献综述质量胜率 50-68%，整体论文质量胜率 14-38%！太离谱了🤯

[Siyuan @cyodyssey]

在读的 PhD 可以联系我，Happy-Sci 会为在读 PhD 捐助 $240，一年的 Plus 订阅 or 一个月 Max 加点咖啡钱。助力每一个科研梦，不限专业，不限国家，不限学校。

经费会通过 @BNBCHAIN 上的稳定币发放。

[墓碑科技 @mubeitech]

所有人都在死盯大语言模型的更新。
Yann LeCun悄悄扔了个王炸。
这篇新论文可能会改变未来十年的游戏规则。

它叫LeWorldModel。
大语言模型的本质只是猜词游戏。
它们极度擅长语言，但根本不懂现实。
LLM能给你写一万字小球撞墙的优美散文。
但它算不出小球到底落在哪。

���界模型干的就是算落点。
预测物理世界下一秒发生什么。
物体移动，碰撞，坠落。
这是自动驾驶和实体机器人的真正底座。

但以前的世界模型有个致命伤。
它会“崩溃”。
为了偷懒，它会把所有输入都算成同一个输出。
就像天气软件每天都预报晴天。

为了防崩溃，科学家只能疯狂打补丁。
冻结编码器，加一堆超参数，堆上各种数学黑科技。
勉强维持一个摇摇欲坠的纸牌屋。

LeCun团队直接掀了桌子。
把那些破烂补丁全扔了。
LeWorldModel只用两招。
一个预测损失，一个强制特征保持多样性的正则化器。
超参数从6个直接砍到1个。

越简单，越恐怖。
参数量极小，只有1500万。
单张普通GPU，几个小时就能训完。
规划速度比基于大底座的世界模型快了整整48倍。
消耗的token少了200倍。

从2022年起，LeCun就在死磕JEPA架构。
同行笑他理论好听，但根本没法稳定训练。
今天这篇论文把质疑者的嘴堵上了。
小模型，稳定训练，没打补丁，不崩溃。

目前的AI界有两条路。
一条是继续烧钱堆算力，喂海量文本给巨型LLM。
另一条，是让模型通过原始像素直接学习物理法则。
第二条路不仅走得通。
而且正在以极低的成本，从物理维度包抄算力巨兽。

[Tw93 @HiTw93]

https://t.co/RTkJ3NQKeS

[kabikabi @jakevin7]

BOSS 确实狠啊。
不仅风控很猛，类似于 cdp 这种连接方式的直接关闭网页。

和 Boss 直聘反爬斗智斗勇的一夜

给 boss-cli 修二维码登录，本以为是个小 bug，结果被 Boss 直聘的反爬体系逼着打了一整场攻防战。

第一回合：二维码扫不了
用户反馈扫码没反应。一看代码 —— 直接把 qrId 塞进二维码里了。Boss 直聘 APP 根本不认这种格式。

修复：调 getqrcode API 拿服务端生成的正确二维码图片。✅

第二回合：扫了也白扫
扫码后 dispatcher 不返回 cookies。用 Python 脚本抓包对比发现：scanLogin 返回 {"login": false} 时代码已经认为登录成功了 —— 因为只检查了 HTTP 200，没看 body 里的
login 字段。
用户还没点确认，dispatcher 就被调用了，当然拿不到 cookies。

修复：等到 login: true 再往下走。dispatcher 立刻正确返回了 wt2、wbg、zp_at。✅

第三回合：浏览器旧 cookie 捣乱

修完以为万事大吉，结果还是失败。Debug 发现：代码从浏览器补了一个旧的 __zp_stoken__ 混进新 session —— 旧 stoken 跟新 session 的 wt2 不匹配 → 验证失败 → 凭证被清除 → 显示 ❌。
修复：移除浏览器 stoken 补充逻辑，不同 session 的 cookie 不能混用。✅

第四回合：登录成功但立刻被删

QR 登录拿到了 cookies，
_finalize_login 做 API 验证时因为缺 __zp_stoken__ 失败 → 清除刚保存的凭证。下次用的时候
load_credential 也因为缺 stoken 再次清除。
两道"守门员"都在删有效凭证。
修复：QR 登录路径跳过 search API 验证；
load_credential 对仅缺 stoken 的凭证放行。✅

第五回合：想用 Camoufox 补全 stoken

学小红书那套 —— 用 Camoufox（反指纹浏览器）打开登录页获取完整 cookies。
❌ Boss 直聘检测到了自动化浏览器，登录页直接不渲染二维码。
改成混合模式：HTTP 完成 QR 登录 → 把 session cookies 注入 headless Camoufox → 访问主页让 JS 生成 stoken。

❌ JS 检测到自动化环境，拒绝生成 __zp_stoken__。
headless=False 也试了，还是检测到了。

最终 Boss：__zp_stoken__ 的真面目

网上逆向分析揭示了这个 cookie 的本质：

由高度混淆的 JS（ob 混淆 + 控制流平坦化）生成

ts 调用 ABC 类实例方法传入 seed +

JS 文���每天��晨自动更换，逆向随时失效
内含环境检测：检查 navigator、_phantom、callphantom 等自动化特征

主流破解方法是"补环境" —— 在 Node.js 中模拟完整浏览器环境执行原始 JS
后面再看看吧，我要睡觉了

[程序员鱼皮 @yupi996]

Hugging Face 发布了自己的 skills，让 Claude Code 和 Cursor 直接学会了训练 AI 模型，Star 狂涨 5k+，有点儿东西 🤔

支持下面这些能力：
1）模型训练：支持 SFT、DPO、GRPO 等主流微调方式，自动选硬件、估算成本
2）数据集管理：初始化、更新、SQL 查询，全部交给 AI 搞定
3）模型评估：跑完训练后自动测评模型效果，把评分结果写进模型主页，省去手动记录和更新的步骤
4）论文发布：帮你把 arXiv 论文挂到 Hub 上，链接模型和数据集
5）云端作业：在 HF 的基础设施上直接跑 Python 脚本，完全不用管服务器

举个例子，安装好 hugging-face-model-trainer 这个 Skills 后，跟 AI 说：“用 HF ��型训练 Skill，帮我估算跑 70B 模型需要多少显存”，它直接给出了完整方案，还顺手给了配置代码。

你现在训练模型用的是什么方案？自己搭环境还是用云服务？

[plantegg @plantegg]

以前科学上网难倒一帮好汉，现在我的提示词：我一般用代理上网，我自己有v2ray 的服务器，现在我需要在我本地的 macos 上部署 Clash 并配置好, 我的 v2ray 配置文件内容是:/tmp/config.json , 请展示你的整个工作过程，我希望从中学到你是怎么配置的

配置结果如图，你不但能科学上网，还学到了很多知识和流程，最后我让他生成一个 README 给我就完事了

[宝玉 @dotey]

nanobot 是香港大学数据科学实验室（HKUDS）开源的一个超轻量级个人 AI 助手，灵感来自 Clawdbot（OpenClaw 项目），但代码量只有约 4000 行，比 Clawdbot 的 43 万行精简了 99%。

核心卖点：
极简但功能完整——支持多 LLM 提供商（OpenRouter、Anthropic、OpenAI、DeepSeek、Gemini、Groq 等）、本地模型（vLLM）、多渠道接入（Telegram、WhatsApp、飞书）、网页搜索、定时任务、持久记忆和 Skills 扩展，全部用很少的代码实现。

典型使用场景包括： 实时市场分析、全栈开发辅助、日程管理、个人知识库问答。

部署方式很简单： pip install nanobot-ai 安装后，配置一个 JSON 文件填入 API Key，就能通过命令行聊天或挂载到 Telegram 等渠道 24/7 运行。也支持 Docker 部署。

这是一个面向研究和学习的项目，代码干净可读，适合想理解 AI Agent 架构的开发者拿来学习和二次开发。项目刚发布几天（2026 年 2 月 2 日上线），还在快速迭代中。

https://t.co/xTVdMHuuMi

[GitHubDaily @GitHub_Daily]

看到一篇很棒的 AI 论文，想复现代码验证效果，往往是件头疼的事。不仅要读懂复杂的数学公式，还得从零开始构建整个工程。

在 GitHub 发现 Paper2Code 这个开源项目，正如其名，致力于把科研论文自动转化成可运行的代码仓库。

只需要输入论文的 PDF 或 LaTeX 源码，就能自动生成包含各类配置文件的完整工程目录。

GitHub：https://t.co/QSa6LqbTgJ

采用多智能体协作模式，模拟人类开发流程：先规划架构，再分析核心逻辑，最后生成完整代码。

支持调用 OpenAI 的 o3-mini 模型，复现一篇论文的成本仅需几块钱，同时也支持通过 vLLM 部署本地开源模型。

对于科研人员快速验证想法，或者想深入理解论文实现细节的朋友，是个非常得力的辅助工具。

[程序员老熊 @xiongchun007]

大部分所谓的算法专家，日常工作流是这样的：看Paper，找开源代码，跑通Demo，把自己的私有数据喂进去，发现效果不行，开始调参，改改模型结构，加点Trick，效果好了，上线，AB测试，涨点，开香槟。

在这个过程里，你需要的数学是什么？🤔

是微积分里那个最基础的链式法则，因为你要知道梯度是怎么回传的；是线性代数里的矩阵乘法，因为你要��清楚张量的维度怎么变换；是概率论里的极大似然估计，因为你要理解损失函数到底在优化什么。

而这些内容，大一大二必修课就学完了。

所以，兄弟们，别听那些人云亦云的糊涂蛋开口就是算法工程师得博士的屁话了。CS 本科绰绰有余。还等什么呢？年轻人，开干吧！o(^▽^)o

[傅盛 @FuSheng_0306]

写论文的朋友有福了，OpenAI刚刚发布了科研利器Prism，基本上可以看作是加强版Overleaf+GPT 5.2的合体。核心竞争力在于它能读懂你整篇论文的公式、参考文献和逻辑结构，让论文润色和改写更加顺滑。
除了基础的写作辅助，Prism还有几个非常实用的功能：它能把随手画的白板草图一键转成TikZ专业矢量图，还能直接帮你检索并管理引用文献。最重要的是，它是完全免费且不限协作人数的，不管是学生党还是科研团队，再也不用在各种编辑器和翻译软件之间反复横跳了。

[GitHubDaily @GitHub_Daily]

做数据科学项目时，我们往往把大部分时间花在清洗数据、编写重复的绘图代码上，真正用于模型调优的精力少之又少。

偶然在 GitHub 发现 ai-data-science-team 这个项目，直接帮我们组建了一支全能的 “虚拟数据科学团队”。

提供可视化工作流工具，通过可视化界面和 AI 配合，完成从数据加载、清洗、EDA 分析到建模的全流程。

内置了多个专用 Agent 分工协作，分别负责脏活累活，比如自动处理缺失值、生成特征工程代码，甚至直接调用 H2O 和 MLflow 进行机器学习建模与评估。

GitHub：https://t.co/kGLwDBJoxW

支持接入 OpenAI 或本地 Ollama 模型，无需担心数据隐私泄露，基于 Streamlit 构建，Python 环境下安装即用。

目前项目还在快速迭代更新，适合想把繁琐的数据预处理工作交给 AI，从而专注于核心业务逻辑的朋友试试。

[科技混子Chris @ChrisSlacker]

每个人都在谈论AI。

很少有人知道哪些工具真正重要。

1. ChatGPT – 问任何问题
2. RecCloud – 变声
3. Krea ai – 创建徽标
4. ElevenLabs – 声音克隆
5. Gamma app – 设计文档
6. Suno ai – 制作音乐
7. Runway ml – 编辑视频
8. Relume - 网页设计
9. Descript – 编辑音频
10. Tome app – 演示文稿
11. Perplexity ai – 研究
12. PicWish – 编辑照片
13. LumaLabs ai – 3D模型
14. Pika art – AI视频

保存此内容

[Tw93 @HiTw93]

我最近很喜欢使用 NotebookLM 来帮助学习理解新东西，但只能导出 PDF，有时候对于中文的渲染也不是很好。一直想找一个好用的能把 PDF 转成可编辑 PPT 的工具，找一圈下来发现 Codia AI NoteSlide 做得最好用，相比传统的 pdf2ppt 简洁易用很多，可快速转化成可编辑的内容，效果很美观精致无差错，很好用，有相同痛点的小伙伴可以去试试看。
https://t.co/FhXZjcWblv