WeFair 论文提出面向微信短视频搜索的个性化查询改写方法，以示范、偏好、验证三阶段的人类反馈对齐抑制意图漂移。离线实验中，WeFair-2B 在整体准确率和意图保持上优于强改写基线。在线 A/B 测试中，有效视频播放率相对提升 2.593%，查询改写率相对下降 2.350%；该模型已部署于日均处理超过 1 亿次查询的微信短视频搜索系统。
推荐理由：论文将人类反馈按其对个性化意图的直接程度分阶段用于对齐，并提供离线与线上 A/B 数据，便于评估查询改写对意图保持和搜索行为的实际影响。
Trakkr Research 检查 ChatGPT、Perplexity、Gemini、Claude 和 Google AI Overviews 的统计引用，40% 的链路到达表述相同的原始研究。
推荐理由：逐层追踪引用并人工复核的实验，给出了检查 AI 统计数字能否落到原始研究及关键语境是否改变的具体方法。
Lexifina 以 Git 式版本点重放公法修订，重建了 2017 年以来美国法典的历史版本，并记录每项变更的来源法律和生效日期。对 365 处改动，361 处与下一版本点完全一致，其余 4 处标注了可确认程度。该记录面向大语言模型驱动的法律检索，支持按日期查看有效条文并追踪定义术语和条款变化，但尚不显示后续法律对更早日期的追溯适用。
推荐理由：以 Git 式版本点保存法条文本、修订来源和生效日期，为法律检索和大语言模型历史法条问答提供可核验的时间线方法。
日本下院选举实验显示，OpenAI、Google 和 xAI 的五款 AI 模型收到左翼政策立场画像后，普遍建议支持日本共产党（JCP）。研究在日本 2026 年 2 月 8 日下院选举最后一周进行，构造 36,300 个覆盖 12 项政策议题的合成选民画像；政策立场使党派推荐变化 50 至 98 个百分点，人口因素仅带来 0.5 至 7 个百分点。
推荐理由：实验用 36,300 个合成选民画像比较政策立场与人口因素，并结合引用来源分析党派推荐为何集中转向日本共产党。
PatEx-Gym 提出用于专利审查的智能体框架，整合基准、合成轨迹数据与紧凑型智能体，支持迭代式在先技术检索和新颖性评估。PatEx-Bench 包含 1K 项逼真的审查任务，以及由超过 1M 件专利和 52K 篇科学论文组成的检索语料；PASS 框架生成 PatEx-SynData，并通过监督微调训练 4B 规模的 PatEx-Agent。
推荐理由：论文将专利审查拆分为迭代检索、证据检查与新颖性评估，并用 1K 任务和合成轨迹训练 4B 智能体，提供了与更大通用智能体对照的轻量基线。
Peec AI 研究人员用 GPT-4.1 一天生成 50,000 个虚假统计页面，实验显示这些页面在 Google 可见性下降后仍被 LLM 抓取和引用。站点上线 7 个月后已获得来自 ChatGPT 的 10,000+ 个会话和 330+ 个链接到该站的域名，虚假数字还被学术论文和银行投资研究引用。
推荐理由：实验归纳出真实统计页的可迁移做法，包括单句单数据、就近标注来源与年份、对齐模型查询及监测服务器日志中的 AI 抓取。
论文构建了一支由不同学科背景的持久 AI 研究智能体组成的团队，用于自主发现线性注意力架构。团队通过私有研究历史、共享实验证据和自适应分配选择研究机会，在 1.3B 规模下的语言建模、常识推理及合成和真实世界检索任务中超过 GDN2。消融实验显示，移除学科背景、私有历史或自适应分配均会削弱发现表现，论文链接为 https://arxiv.org/abs/2610.28887。
推荐理由：论文把多学科智能体、私有记忆与自适应任务分配组合成研究团队，并给出消融结果，便于理解自主科研系统的组织设计。
Google Research 在 ICML 2026 论文中提出 Retrieve-for-Train 框架，先用离线强化学习让 Gemma3-4B 与 Qwen3-4B 生成满足多样性、对齐和 groundedness 的子查询，再蒸馏为一个 53.9M 参数的非自回归扩散模型。
推荐理由：用离线强化学习把检索策略蒸馏成轻量扩散模型，给搜索类推理加速提供了一条不依赖增大推理预算的迁移路径。