全部动态

TRACE框架让自主机器人决策过程完全可追溯，解决了深度学习模型不可解释的问题。

官方账号arXiv cs.AI@Cagri Temel原文

电信专家团队用LLM解决5G/6G网络故障诊断，通过结构化推理减少幻觉，比传统方法更准更可靠。

官方账号arXiv cs.AI@Hao Zhou, Mandar Kulkarni, Hao Chen, Yan Xin, Charlie, Zhang原文

SafeEvolve通过策略协同进化提升AI智能体安全性，在降低有害响应的同时保持性能，比现有方法更有效。

官方账号arXiv cs.AI@Qinghua Mao, Wanying Qu, Dadi Guo, Leitao Yuan, Qingyu Liu, Yu Li, Guanxu Chen, Yanwei Fu, Xi Lin, Xia Hu, Dongrui Liu原文

清华团队提出多智能体LLM系统的博弈论框架，新算法在SWE-bench上超越基准2.2个百分点。

官方账号arXiv cs.AI@Yihang Chen, Yuxiang Chen, Yuxuan Huang, Meng Fang, Weilin Luo, Jun Wang原文

DKL解决了RAG检索失败时的问题，比RAFT和PA-RAG方法更高效，还能保持指令模型的指令跟随能力。

官方账号arXiv cs.AI@Kushagra Bhushan, Meghanadh Pulivarthi, Sai Krishna Reddy Sathi, Gaurav Pandey, Sonam Gupta, Vineet Kumar, Jaydeep Sen, Yatin Nandwani, Sachindra Joshi, Dinesh Raghu原文

这篇论文教你如何检测黑盒大模型的幻觉，有4种方法可选，无需监督标签也能用。

官方账号arXiv cs.AI@Urja Pawar, Rajitha Ramanayake, Owen O'Neill, Nabeel Kemal, Abhishek Mandal, Houssem Chatbri, Christopher Martin原文

Loom框架通过嵌入空间重加权技术，在保持高准确率的同时大幅提升推理速度，适合工业场景的根因分析任务。

官方账号arXiv cs.AI@Ron Begleiter, Katya Egert Berg, Gilad Saban, Gil Shabat原文

GRADSOLVE解决了ODE集合在GPU上求解与反向微分速度不匹配的问题，大幅提升计算效率。

官方账号arXiv cs.LG@Alessio Spurio Mancini5 个信源在谈原文

研究人员提出Cliff方法，通过识别首次错误来改进强化学习，性能提升显著且适用性广。

官方账号arXiv cs.LG@Peixuan Han, Runhui Wang, Ketan Ramaneti, Jie Hao, Gerald Friedland, Chris Kong原文

PARSER方法通过输出重要性指标优化MoE模型压缩，在相同内存减少下提升模型精度。

官方一手arXiv: DeepSeek@Seungwoo Jung, Dohyeok Kwon, Seungmin Cha, Junseok Lee, Yeonho Yoo, Chuck Yoo, Gyeongsik Yang原文

NVIDIA提出新方法让FP4预训练更稳定，训练速度提升21.2%，模型性能全面超越现有方案。

官方账号arXiv cs.LG@Robert Hu, Carlo Luschi, Paul Balanca原文

DeepSeek和GLM-5.2通过将推理痕迹前置，长上下文推理准确率大幅提升，最高达100%。

官方一手arXiv: DeepSeek@Xu Zou, Jie Tang原文

研究将LLM与本体排序器融合，提升罕见病诊断准确率，同时保留可追溯的证据链。

官方一手arXiv: DeepSeek@Zhaoyang Jiang, Zhizhong Fu, Yunsoo Kim, Zicheng Li, Xuanqi Peng, Fei Teng, Jiacong Mi, Honghan Wu3 个信源在谈原文

FUSE框架首次系统评估了12个商业LLM的危险能力，发现模型间存在显著差异，新模型知识增强但安全提升有限。

官方一手arXiv: DeepSeek@Zhengyi Jin, Ru Zhang, Xiao Chen, Xinbo Liu, Jiaxuan Lin, Jia Huang, Jianyi Liu, Zhen Yang原文

这篇论文揭示了压缩传感中可调线性生成先验的理论边界，解释了为什么神经网络先验的可调性在实际应用中有效。

官方账号arXiv cs.LG@Zhaoming Li, Paul Hand原文

研究人员展示了如何针对代码生成系统进行精准知识投毒，成功率高达93%，连安全防御都难以完全阻挡。

官方账号arXiv cs.LG@Varun Gadey, Ziad Marey, Alexandra Dmitrienko原文

研究人员发现影响函数选中的样本通过重写而非重加权能更有效改变模型行为，这对训练数据归因方法评估有重要启示。

官方账号arXiv cs.LG@Yuzhang Luo, Chenpeng Wang, Jianhui Chen, Liangming Pan原文

HiPoly框架能从实验数据直接预测聚合物性质并设计可持续替代品，比传统方法更高效准确。

官方账号arXiv cs.LG@Ge Sun, Gervasio Zaldivar, Yuan Tian, Gustavo Perez Lemus, Juhae Park, Dasha Safarian, Ming Han, Juan J. de Pablo原文

论文展示用大模型自动生成带漏洞的智能合约，帮助测试安全工具，发现现有分析工具的局限性。

官方账号arXiv cs.AI@Luca Migliaccio, Roberto Natella, Naghmeh Ivaki, Nuno Laranjeiro, Marco Vieira原文

研究人员发布了首个视觉隐喻生成基准，测试了11个模型，发现即使是最好的模型在隐喻表达方面也有明显不足。

官方账号arXiv cs.AI@Chuer Chen, Zichen Wang, Yi He, Zhengxi Yu, Nan Cao原文

ViSAR让文档问答系统更聪明，能根据问题复杂度自动调整检索页面数，速度提升近六成还不影响准确率。

官方账号arXiv cs.AI@Adrien Mialland, Marc Plantevit, Julien Gallois, Céline Robardet原文

MIT团队发布文明VI智能体基准测试，揭示AI在长期规划中的监控和执行缺陷。

官方账号arXiv cs.AI@Austin Tudor David Andrews, Liam Wilkinson, Jamie Heagerty, Harry Coppock, Jakob Nicolaus Foerster, Rui Ponte Costa原文

UTP-Bench用真实数据测试GPT-5等模型，发现它们在时间缓冲、延迟感知和人群敏感规划方面与人类计划差距明显。

官方账号arXiv cs.AI@Etcharla Revanth Rao, Priyanshu Karmakar, Shubhojit Mallick, Manish Gupta, Shreya Ghosh, Abhik Jana原文

这篇论文揭示了多轮越狱攻击的机制，提出了BLUEPRINT框架，能以最少查询次数实现高成功率攻击。

官方账号arXiv cs.AI@Siyu Chen, Haoran Wang, Xiaojian Li, Yao Huang, Yinpeng Dong, Wei Xu原文