全部动态

四个主流模型谁更懂“你现在的状态”？这篇论文用五臂对照实测了，结果比想象中微妙，做对话产品的可以看看评测方法。

arXiv 上的联邦学习攻防实验报告，服务端能从一次更新里偷出标签集，30% 恶意客户端就能植入后门，FLTrust 能防住，代码可直接跑。

把知识写进模型记忆到底行不行？这篇论文在 Qwen 和 DeepSeek 上做了实测，命中率数据挺扎眼，做记忆机制研究的值得看数据。

DeepSeek-V4-Flash 和 GPT-6.1-Sol 抽实体都不靠谱，但坏的原因不是幻觉，而是把背景信息当成攻击实体。用置信度分层排审核优先级，别当真值。

一篇讲怎么高效改 Agent 技能规则的论文，AtomSearch 在 deepseek-v4-flash 上比 SkillOpt 高 9.68 个百分点，技能还短好几倍。

做智能体长期记忆的可以看看：论文发现同源旧记录会重复刷存在感，FPA 框架实测把准确率拉高近 10 个点，代码开源可复现。

用中医辨证基准证明了件事：很多模型翻车不是能力不够，是输出纪律不行。他们设计的证伪协议能把 Kimi K3 的方差从 0.218 压到 0.007，写智能体的值得看看。

给智能体设计界面这事有论文了，DeskIF-Bench 和 ANIS 都开源思路，做 agent 桌面自动化的可以看看怎么提分还省 73% token。

小模型学用工具的老难题有了新解法：SeTPO 用双向 KL 同时管住探索和模仿，BFCL v4 上跑赢了蒸馏和纯 RL，做端侧模型的可以看看。

SRO让LLM自动设计后训练配方空间，再用贝叶斯选试验，Qwen3上分数远超基线，代码已开源。

这篇提出了一个挺聪明的思路：不再机械地问固定数量的问题，而是按报告缺口按需追问，作者还放了 429 条真实数据集和多个模型的对比成绩。

四个前沿模型解 SWE-bench，通过测试的补丁一半有性能差距，模型性能排名还和解决率反着来，做工程的人可以看看。

SCCGBench评估了六种代码LLM在真实Web服务调用中的表现，揭示了API接地是主要瓶颈。

想用 LLM 智能体做黑盒优化的可以看看，五个领域统一评测，还拆了哪些设计选择真有用、哪些是伪收益。

把一份文档直接编译成 LoRA 权重，284B 的 DeepSeek v4 Flash 也能用，top-1 准确率从 63.4% 拉到 84.9%

拿 Minecraft 重建曼哈顿、白金汉宫这些真实地点来考模型找路，GPT-6 Astra 考了 85.6 分，开源的 DeepSeek-V4.1-Flash 才 23.9，差距很直观。

论文提出了一种创新的评分标准评估方法，揭示了不同LLM生成评分标准之间的不对称性，对AI性能监控有重要启示。

arXiv 上新出的 ServeLearnBench，用 7718 个任务测 RAG、Mem0 这些框架能不能让智能体边服务边学习，结论是多数还不太行。

多智能体写代码总互相丢信息？这篇论文把协调交给框架来做，通过率提升 28.2%，还顺带堵住了恶意指令传播。

一群研究者专门审计智能体排行榜的基准污染问题，用 GPT-4.1 和 DeepSeek-V4-Flash 在 SWE-bench 上做了对照实验，结论是很多污染指控证据不足，做评测的人值得看看这套框架。

训练万亿参数 MoE 模型的负载不均问题有了新解法，DeepSeek-V4-Pro 上实测训练加速最高 1.94 倍，还不用加硬件，做训练的可以看看。

一篇做自动运筹学建模的论文，用多智能体先修补含糊描述再建模，8B 小模型跑赢了 Claude-sonnet-4.5。

写 C 程序验证的朋友可以看看，这个 SpecAgent 会自己排查依赖再修规约，811 个目标里证出 604 个，比已有基线强不少。

做自我进化 agent 的可以看看：不用改算法，套个统计检验就能让系统自己判断什么时候停止迭代，省 91.6% 的 token 还不掉点。

arXiv 上的新论文 RETRACE，教 AI 智能体从真实 CI 修复历史里学经验，mini-SWE-agent 成功率从 19.6% 涨到 31.9%，做智能体修复的可以看看。

MOBA-VL用游戏遥测数据训练，能准确捕捉击杀和目标等关键事件，比现有模型更精准解说电竞比赛。