DAIR总结本周人工智能Top10论文，主要覆盖10项工作：

1. Lighthouse Attention（Nous Research）：一种训练时使用的分层注意力包装器，通过对称压缩QKV实现长上下文预训练加速，训练后移除包装器，推理时仍为标准注意力，带来显著训练提速和更低损失。
2. Is Grep All You Need?：在编码代理中，简单grep文本搜索结合良好代理框架（harness），性能可匹敌或超越嵌入式检索，强调框架设计比检索原语更关键。
3. A Geometric Calculator Inside a Neural Network（Goodfire）：在LLM中发现几何计算器，数字以傅里叶特征表示为激活空间中的圆圈，算术操作通过旋转实现，可复用于非数学任务。
4. δ-mem：为冻结的全注意力模型添加紧凑在线关联记忆状态，通过delta-rule更新，提供低秩注意力校正，无需微调即可提升记忆密集任务表现。
5. Beyond Individual Intelligence：多代理系统综述，沿协作机制、失败归因和自我进化三轴组织，强调系统级演化。
6. AutoTTS：将测试时缩放（TTS）重构为搜索问题，通过发现环境自动搜索策略，成本低且优于手工启发式。
7. AI Co-Mathematician（Google DeepMind）：异步状态化数学家工作台，支持并行工作流，在FrontierMath Tier 4上达到48%新高。
8. AEvo：分离候选提议者和元代理角色，利用历史轨迹编辑提议过程，实现代理自我改进。
9. The Memory Curse in LLM Agents：长历史反而侵蚀代理合作意图，主要因前瞻性意图被过去拉扯，可通过干预缓解。
10. Token Superposition Training（Nous Research）：修改预训练循环，前1/3阶段处理token包，实现2-3x壁钟加速，最终模型不变。

这一周论文传递的核心洞见是：AI进步正从“参数规模”转向“机制优雅”与“系统智慧”。效率创新降低门槛，可解释性提供控制力，记忆与代理研究解决长期可靠性。这些工作逻辑上互补，形成从预训练到部署的全链路优化。如果持续跟进，我们有望看到更经济、更透明、更具韧性的AI生态。