全部动态

如果你用 LLM 画 UML 类图老出错，这篇把幻觉发生在哪一步讲清楚了，还给了实测能涨 4 个点 F1 的提示词写法。

这篇论文把 DeepSeek R1 和 Kimi K3 发布时的股价反应放在一起比，解释了为什么两次市场反应完全不同，做投资或研究行业的人都该看看。

有人用 Rowhammer 硬件攻击搞坏了 Triton 编译，四个主流模型实测慢 4-16%，搞 GPU 推理的都该看看这篇。

给编码智能体加了个只有 4B 的小验证器，只挑关键步骤做验证，解决率涨一两个点，成本几乎没变，还能直接用在没见过的模型上。

有人用 5 亿个模拟家庭做经济实验，小模型成绩还压过 GPT-6-Luna，做经济或政策模拟的可以看看这篇。

一篇研究测试时推理剪枝的论文，把 pass@$k$ 直接当优化目标，在 8 个开源推理模型上比质量和多样性两类剪枝策略都强，做推理效率的可以看看。

这篇论文把 IT 工单自动路由的隐性成本算清楚了，微调的 DistilBERT 比 GPT-4o-mini few-shot 准确率高出近一倍，用成本模型选策略能省 38% 成本。

有人用 Custom GPT 做了个帮中小企业看懂 EU AI Act 的工具，还拿 100 个场景和 ChatGPT 对比测了一轮，方法值得借鉴。

数学定理证明全流程交给 Claude Opus 5.5 做决策、GPT 6 Astra 执行，最后 Lean 内核验证，AI 代理做形式化数学的完整案例。

OpenAI 生成了 Barnette 猜想的证明，有人把它整理成 arXiv 论文，想看模型在数学难题上的真实水平可以看看。

这篇论文搞了个叫 METTA 的方法，用神经记忆替代 transformer 回看历史，ML10/45 上成功率超 50%，算力开销还更低。

一个专门测智能体“证据不全时会不会乱来”的基准，300 组任务对测了十款模型，做 agent 安全的人可以直接拿来用。

DeepSeek 的 n-gram 表动辄上千亿参数，这篇论文用 4 比特量化砍掉四分之三内存，性能几乎不掉，做本地部署的可以看看。

这篇论文指出了 CoT 一个老毛病：推理步骤可能是事后编的。CausalCoT 把问题拆成依赖图逐个隔离求解，因果敏感度平均涨了 12 个百分点。

用 OLMo-3 的 13 个中间检查点实际测了 RLVR 会不会让模型更爱追求权力，结果先升后降，数据挺有意思。

一项临床 RAG 评估研究：混合检索加 cross-encoder 在乳腺病灶文献上拿到 0.94 的 Recall@3，还发现标注范围会直接影响分数，做 RAG 评测的可以看看方法细节。

反着研究谄媚挺有意思：模型自信但说错时，人反而全盘照收。1040 条数据显示信任校准会失效，做 AI 教育产品的可以看看。

让 8B 到 27B 的开源模型做 1,552 道西班牙医学执业考试真题，能排进前几千名，但换掉图片成绩不变，细节挺扎心。

LLaDA-8B 上的研究，教你训练一个 856K 参数的小策略，让扩散语言模型解码更快更准，还能迁移到 Dream-7B。

研究者用 LLM 把社工攻击前的“你能被挖出多少信息”变成了可量化指标，提取 F1 到 97.3%，做安全的人可以拿来测自己的暴露面。

一篇蒸馏方法论文：AOPD 不让学生照抄老师每一步，只学真正有帮助的动作，实验覆盖数学、编程和 Medqa，效果超过蒸馏和 RL 基线。

工业企业的元数据靠少数专家维护，这篇论文让 LLM 智能体出提案、人做裁决、全程留痕，还附开源实现，做数据治理的可以看看。

训练损失降了一半多但生成质量反而更差，这篇论文告诉你怎么用前缀不变性审计和 LeakScore 抓出这种假进步。

一篇讲个性化持续学习的新论文，用户的每次采纳或撤销都能变成可复用的决策信号，还附带 TCPA-Bench 基准，做个性化系统可以看看。

有人用机制可解释性把模型里的“隐喻开关”找到了，能让输出变比喻或变直白，研究文本生成风格的可以看看方法细节。

一家药企把提示词规则改成检索时查结构化数据库，合规文案准确率涨了六七成，API 费用还省了近三成，做法有详细工程路径。

这篇论文做了 6600 次实验，发现模型光是看到报告者是 Black 就直接不评估信息，警告提示反而让情况更糟，方法部分对做模型评测的人很有用。

JEPA 潜空间一直像黑盒，这篇论文加 16 个关系通道再用逆动力学损失，不用关系标注就能让模型理解谁对谁做了什么，实验数据给得挺扎实。

给做数据到文本生成的朋友：这篇用博物馆藏品做实验，发现多给 LLM 字段不一定更准，图像也会让它瞎猜，评估方法值得换个思路。

一篇 LiDAR 语义分割新论文，把射线几何和扫描模式融进投影方法，SemanticKITTI 跑到 70.2% mIoU，做自动驾驶感知的可以看看。

物理学家拿 Foundation Model 重建粒子径迹，效果超过传统方法，还能迁移到别的任务，研究思路挺有意思。

用 27 种语言和超百万条评分实测发现：CoT 这类提示技巧换个评审模型可能就失效，做多语言评测的得看看。

人形机器人转身走动就忘了刚才看到的东西，这篇用 SAM3 加关键帧记忆把真机成功率从 36.7% 拉到 88.3%，做机器人方向值得看看具体做法。

教 AI 学校准仿真参数的新招，区间比 KOH 窄 80% 还能保证覆盖率，做流行病建模的可以看看。

如果你在做可穿戴传感器或活动识别，这篇把 LOSO 评估的水分挤得很实在：同样模型有人 88.7% 有人 61.9%，还给出了什么时候该用个性化校准、什么时候别碰 CTGAN 的实用结论。

用 6 个开源模型实测发现加工具后改个问法就能改变排名，做基准评测的人应该看看这套拆步骤的协议。

这篇论文把因果推理塞进了工厂维护流程，用预训练的因果基础模型省掉逐案例建模，搞工业AI的值得看看。