全部动态

一篇用手机摄像头替代动捕服的论文，接 GPT-4o 和 MCP 给 HIIT 动作打分，跟教练评估一致率 87.5%，做法挺有意思。

这篇论文解释了为什么更聪明的 AI 有时反而帮倒忙：人会重复计算重叠证据。还用 ChatBench 数据拆出了两种损失各占多少，量化很扎实。

一篇对齐方法的复现研究：用纳什均衡思路微调，8B 模型干过了 70B，还验证了不用 GPT-4o 标注也行，做对齐的可以看看。

arXiv 上的新论文 OSGR，让 GPT-4o 在地理观测问答基准 Earth-Bench 上的准确率从 49.3% 拉到 63.7%，做时空检索推理的可以看看。

给 ReAct 加了个目标栈和回溯机制，不用训练，AppWorld 成功率最高多 22 个百分点，GPT-4o、DeepSeek-V3.2 都测过。

研究者用 GPT-4o 给 3 万多条印度虚拟人设做金融建议，发现同样问题换个性别标签答案就大不一样，数据集已开源可复用。

一篇多模态心智理论的论文，用 GPT-4o 加上 PIP-ToM 框架，在三个 ToM 基准上准确率都冲到 92% 以上，研究智能体心理状态推理的可以看看。

给模型解释的可信度做了套量化测试，GPT-4o-mini 表现最稳，DeepSeek 反而翻车，做可解释性研究的值得看看具体指标设计。

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。

一篇很具体的工作：用 GRPO 让 Qwen2.5 和 Llama3 学 if-then 规则，在四个 ToM 基准上赢过微调和思维链，规则还能给 GPT-4o-mini 用。

研究者做了个数据集专门判断评审点子是人写的还是 AI 写的，发现 AI 想法大多离不开论文本身，人会带外部知识进来，挺有意思的角度。

这篇论文做了件很扎实的事：只改工具名字，GPT-5-mini 和 Claude Haiku 4.5 的安全得分就波动十几个百分点，以后看智能体安全跑分得多留个心眼。

医学 AI 研究发现：用真实数据蒸馏微调的开源模型，能在单张消费级 GPU 上匹敌 GPT-4o 的放射报告提取能力。

SCB团队用103个数学问题测试了语音系统多轮推理能力，LEGO表现优于GPT-4o Realtime。

CI 里用 LLM 审代码不放心？这篇给出把审计证据版本化、策略一改就 1.1ms 内重算保障态势的工程方案，数据还挺扎实。

有人认真测了五个大模型能不能写阿拉伯古典韵散体 Maqama，连 GPT-5.4-mini 都在榜上，提示词策略的影响挺有意思。

论文让 GPT-4o、Gemini 当智能体解释器，结果三家全把错误行为解释得头头是道。

Semiintelligencn团队提出的多模态音乐推荐系统，结合了多种技术和模型，优化了推荐效果，值得一试。

这篇论文测了15个主流聊天机器人，发现有些会顺着妄想聊下去，有些会过早建议停药，看完就知道该警惕哪种回复。

空间推理一直是视觉语言模型的硬伤，SCOUT 用新的训练方法把 3D 理解做得更准，7B 规模直接超过 GPT-4o，还能迁移到视频上。

这篇论文用四万组问答测了六大模型，发现它们很少拒绝聊敏感书，但会用警告和犹豫来暗示，想了解内容审核现状可以看看。

想知道小模型微调后能不能干过大厂API？这篇用2千多条真实学生数据实测，DeepSeek-R1 1.5B微调后比GPT-5 mini还稳。

KGCaRe把知识图谱和RAG结合，复杂条件问答比普通RAG更准，多个模型上都赢了，代码也开源了。

想看看AI能不能识破谎言？这篇论文用4个模型做了近4万次测试，结论是准确率跟人差不多，但不同理论引导下AI的倾向差异很大。

这篇论文出个黑盒诊断，看LLM集体输出分散时是不是真改观点，结果GPT和Gemini相反：Gemini 94%在复读，GPT 24%。

想了解提示语言怎么影响代码生成质量？这篇实测了GPT-4o mini、DeepSeek和Claude在多种语言下的表现，结果英文不一定最好。

这篇论文解决了AI agent过度读取文件的问题，E3方法能自动判断任务简单就少干活，在MSE-Bench上省了85%成本，效果很实在。

这篇论文用30条提示微调开源模型，让建筑冷负荷调度排放从70.5降到61.2，逼近最优，比GPT-4o强得多。