7篇关键论文读懂AI论文周精选：2025年6月ML Papers of the Week完整解读

7篇关键论文读懂AI论文周精选：2025年6月ML Papers of the Week完整解读

【免费下载链接】AI-Papers-of-the-Week🔥Highlighting the top ML papers every week.项目地址: https://gitcode.com/GitHub_Trending/ml/AI-Papers-of-the-Week

写代码等模型吐出下一行，等得越久越知道推理速度和内存开销有多烧钱；想让模型多干点活，又多怕它把工具和记忆管得一塌糊涂。DAIR.AI 维护的 ML Papers of the Week（AI论文周精选）把每周值得读的论文筛成一份短清单，你只管看结论和数字。本文挑 2025 年 6 月 23—29 日这一周收录的 10 篇论文，按四个方向带你过一遍。

一、ML Papers of the Week是什么，一条命令快速上手

这是 DAIR.AI 团队运营的每周 ML 论文精选清单，按"年份→周"两级归档，每篇附两三句中文可查的英文摘要，适合不想刷 arXiv 首页的人。上手只需一条命令：

git clone https://gitcode.com/GitHub_Trending/ml/ML-Papers-of-the-Week

二、推理加速与效率：把大模型跑得快、跑得省

这一方向的共性很直白：不堆参数，改生成方式和管理方式。

Ultra-Fast Diffusion-based Language Models（Mercury 系列）：走的是扩散语言模型（dLLM）路线——不像自回归模型一个字一个字往外蹦，而是并行生成多个 token，再用"粗到精"的迭代把整句修好。在 H100 上，Mercury Coder Mini 跑到 1109 tokens/sec、Small 版 737 tokens/sec，比同质量档位的速度优化模型最高快 10 倍；FIM 补全——在函数中间挖空、让模型把缺口填上——这项任务上它超过了 Codestral 2501 和 GPT-4o Mini；Copilot Arena 真人盲评中，Mini 版只花 25ms 延迟就拿到第二高的 Elo 分。

MEM1把"记什么"当成可训练的技能：每个推理步只保留一个内部状态 ，把新观察和旧记忆一起压进去、丢掉过时上下文，内存占用恒定。7B 的 MEM1 在 16 目标多跳问答上压过 14B 的 Qwen2.5-14B-Instruct，内存省 3.7 倍、推理快 1.78 倍。

三、智能体系统：分工、协议与"会教书"的模型

多智能体系统这一周集体把"用工具、管任务、控行为"从提示词里搬出来，变成可训练、可审计的系统。

Towards AI Search Paradigm用 Master、Planner、Executor、Writer 四个角色分工：任务先拆成有向无环图（DAG，一种"谁先谁后"的流程图），执行失败时局部重规划；工具走 MCP（Model-Context Protocol，可理解为给大模型接外部工具的标准插座）协议动态挑选，排序环节用 RankGPT 和 TourRank 让结果贴合大模型偏好，Writer 再用对抗调优抵抗噪声检索，避免"检索到垃圾就编答案"。

Diffusion Steering via RL（DSRL）换了一条轻得多的路：不动模型权重，只在预训练扩散机器人策略的潜在噪声空间里学一层"方向盘"，机器人策略适配的样本效率提升 5~10 倍。

Reinforcement-Learned Teachers（RLT）让模型当"老师"而不是"做题家"：题目和标准答案都摆给它，只让它学写讲解，奖励来自学生模型能否照着讲解复现答案。7B 的 RLT 生成的解释，在 AIME、MATH、GPQA 上比 32B+ 模型（DeepSeek R1、QwQ）蒸馏出来的管线还好用，训练只要 125 步、1 个 epoch，不需要验证器后处理。MEM1 教模型"怎么记"，RLT 教模型"怎么讲"——两者都在用强化学习把认知能力装进小模型。

AI Agent Communication Protocols则是一篇"安全底账"：首次系统梳理智能体通信的威胁面，分成用户-智能体、智能体-智能体、智能体-环境三层，把提示注入、智能体冒充、记忆投毒各归其位，并逐层给出防御建议。

四、垂直领域应用：医疗与基因组的 AI 落地

AlphaGenome（谷歌 DeepMind）把基因调控预测推到 100 万个碱基对的尺度，且保持单碱基分辨率——卷积层加 Transformer 的组合，让"看多远"和"看多细"不再二选一。对比野生型和突变序列就能给单个突变的调控效应打分，它还是第一个显式预测 RNA 剪接位点及其表达量的序列模型；24 项变异效应基准里领先 24 项，算力只需 Enformer 的一半。

DeepRare面向罕见病诊断，三层架构：中央 LLM 主机 + 专职智能体服务器（表型提取、变异优先级排序）+ 40 多个工具和网页级医学源。在 8 个数据集、2919 种罕见病、6401 个病例上，1013 种疾病做到 100% 准确率，整体 Recall@1 为 57.18%，比 Claude-3.7-Sonnet-thinking 高 23.79 个百分点；加上基因数据的多模态设置里 Recall@1 到 70.60%，超过专用工具 Exomiser 的 53.20%。180 条诊断推理链经专家评审，95.4% 与专家意见一致——医疗场景里"可追溯"比"更聪明"更值钱。

五、应用研究：450万次对话里的情感支持使用

Claude for Affective Use（Anthropic）分析了 450 万次对话，最后筛出 13.1 万条做深读：只有 2.9% 的对话在寻求情感支持（人际建议、辅导、咨询或陪伴），浪漫/性向角色扮演不足 0.1%。情感类对话中 Claude 的拒绝率不到 10%，多为劝阻自伤、极端节食或说明专业边界；情绪分析显示用户聊完比聊前情绪更积极。这是目前最大规模的"AI 陪伴"实证样本，对设计有边界的 AI 情感产品参考价值不低。

六、怎么持续跟踪：论文数据在哪看

• 主目录 README.md 按年分节、每周一行，锚点直达当年当周，2025 年 6 月的 AI 论文就藏在 years/2025.md 的 "June 23 - June 29" 一节里。
• 想要结构化数据而不是 Markdown 表格：research/ml-potw-10232023.csv 存着历史论文的标题、简介与链接，可直接进表格软件或跑自己的统计。
• research/README.md 里还附了两套 Colab notebook，演示从论文清单到建数据集、训练模型的完整流程。
• 每周配图归档在 pics/，SUMMARY.md 可一眼看全仓库结构；不想手动刷仓库的话，DAIR.AI 的 newsletter 会每周把清单推到你邮箱。

七、收尾

从 2025 年 6 月这一周能读出两条线：一条是"快和省"，扩散生成、恒定内存、潜在空间微调都在压推理成本；另一条是"智能体系统化"，分工、协议和安全从论文配角变成正文。建议把 years/2025.md 里最近四个星期的清单先过一遍，再挑一两个与自己相关的方向深读——这是保持对 AI 论文前沿感知的最低成本方式。

【免费下载链接】AI-Papers-of-the-Week🔥Highlighting the top ML papers every week.项目地址: https://gitcode.com/GitHub_Trending/ml/AI-Papers-of-the-Week