最新 AI 新闻与行业动态

论文 Agent 与开发者18:39

LoRA微调让小型开源模型胜任数学隐喻编码任务

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。

#LoRA #微调 #DeepSeek-R1 #Mistral 7B

arXiv: DeepSeek@Liang Zhang 等 4 人原文

论文11:26

KGCaRe：用自动知识图谱构建与上下文检索提升复杂条件问答

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。

#KGCaRe #知识图谱 #RAG #复杂条件问答

arXiv cs.AI@Ghanshyam Verma 等 9 人原文

论文多源确认10:48

RAG理论引导的谎言检测：AI判断准确率与人类相当

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。

#RAG #欺骗检测 #gpt-4o #claude-sonnet-4-6

事件专题

arXiv: DeepSeek@David M. Markowitz, Timothy R. Levine8 个信源在谈原文

论文精选09:28

MECV：跨源共识验证提升AI新闻摘要事实可靠性

这篇论文解决AI摘要瞎编的问题，用多源证据+多模型投票来纠错，在SummEdits上验证有效，做新闻聚合的可以看看。

#MECV #SummEdits #GPT-4o-mini #DeepSeek-Chat

arXiv: DeepSeek@Zhuo Xie, Haoze Ni原文

论文10:55

输出分散是否引发认知修订？机器集体的黑盒耦合诊断

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%。

#gpt-4o-mini #gemini-2.5-flash #智能体 #集体智能

arXiv cs.AI@Molood Arman原文

论文精选09:19

TwT：难度自适应推理的多领域机器翻译框架

这个TwT框架让翻译模型根据难度动态调整思考量，7B和14B的小模型打过大模型，token还省了30%到60%，做多领域翻译的可以看看。

#TwT #DeepSeek-R1 #GPT-4o #机器翻译

arXiv: DeepSeek@Yongshi Ye 等 5 人原文

论文10:35

CHARGE框架：用CWE层次结构生成硬件安全断言

用GPT-4.1给硬件RTL自动生成安全断言，Hack@DAC'21上89%能跑通，还抓到一个新bug，做芯片安全的值得看。

#CHARGE #CWE #SystemVerilog #GPT-4.1

事件专题

arXiv: OpenAI@Xiao Tan, Cynthia Sturton2 个信源在谈原文

论文多源确认10:32

LLM生成产品创意研究：GPT-4购买意向超人类，但新颖性不足

论文里GPT-4用零样本和少样本生成创意，平均购买意向超大学生，顶尖创意前10%概率是人类的7倍，不过创意相似度高。

#GPT-4 #OpenAI #创意生成 #产品设计

事件专题

arXiv: OpenAI@Lennart Meincke 等 5 人4 个信源在谈原文

论文11:17

OmegaUse-OfficeVal: 经济校准的办公套件长周期任务基准

想做办公自动化？这个新基准用真实成本告诉你：现在LLM虽便宜但还没人类靠谱，值得看看差距在哪。

#OmegaUse-OfficeVal #LLM agents #办公套件 #经济校准

arXiv cs.AI@Jingbo Zhou 等 15 人原文

论文10:07

Tokenizer Tax：量化并解释印度语言子词分词的跨语言代价

这篇论文用数据证明印度语言在LLM中平均被吃掉8倍token，马来语更高达13倍，还分析了原因和修复方向，做多语言应用的朋友值得看看。

#Tokenizer Tax #FLORES-200 #XLM-R #o200k_base

arXiv: OpenAI@Priyansh Srivastava原文

模型09:32

RUMBA：俄语用户记忆基准，细粒度评估长对话记忆

想测LLM的长对话记忆力？RUMBA这个俄语基准能细粒度诊断模型在时间推理上的强项和短板。

#RUMBA #俄语基准 #长对话记忆 #推理

arXiv cs.AI@Elizaveta Shevtsova 等 5 人原文

模型精选10:55

SFC框架：用图结构共形预测保证科学生成的有效性

想做可靠的科学生成？SFC框架让模型一边写一边用共形预测校验事实，结果比DeepSeek和GPT-4都准，还能少犯73%的科学错误。

#SFC #共形预测 #科学推理 #DeepSeek-R1

arXiv: DeepSeek@Mingqiao Mo 等 3 人原文

模型精选10:54

数据优先本体论的显式世界模型：DaoQL多模态存储验证与反事实推理评估

这篇论文把LLM当推理引擎，把知识存进显式数据库DaoQL，反事实推理比GPT-4o单独强49个百分点，适合做高精度场景的参考。

#DaoQL #GPT-4o #反事实推理 #显式世界模型

arXiv cs.AI@Zhanbo Li 等 4 人原文

论文中美对照11:22

多语言提示下LLM代码生成质量研究：GPT-4o mini、DeepSeek和Claude对比

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。

#GPT-4o mini #DeepSeek #Claude #代码生成

arXiv: DeepSeek@Saima Afrin 等 8 人原文

论文11:37

E3方法让AI Agent按任务复杂度动态分配资源，效率提升显著

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。

#E3 #MSE-Bench #LLM agent #智能体

arXiv cs.AI@Junjie Yin, Xinyu Feng原文

论文10:04

基于验证器的强化微调推理模型优化建筑热能存储控制

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。

#RLVR #RFT #GPT-5 #GPT-4o

arXiv cs.LG@Takumi Shioda 等 3 人原文

论文10:44

QANTA 2026多模态问答：任务特定双智能体架构与置信度校准

他们用GPT-4.1-mini和GPT-4.1做两个不同任务，靠置信度校准和数值推理拿了QANTA 2026最高分0.402，不是靠堆模型而是靠策略。

#GPT-4.1-mini #GPT-4.1 #QANTA2026 #多模态问答

arXiv cs.AI@Nirjhar Das, Md. Al-Mamun Provath原文

论文10:21

LLM代码性能基准再审视：现有测试仅暴露6.11%显著差异

这篇论文把EffiBench、EvalPerf等流行代码性能基准的漏洞全翻出来了——1538个任务里只有6%能真正测出差异。他们搞了个多智能体框架自动生成更刁钻的测试，效果直接翻四倍。

#EffiBench #EvalPerf #DeepSeek-v3.1 #GPT-4o

arXiv: DeepSeek@Nhat Minh Le 等 5 人原文

模型10:17

CO-LMLM：基于连续查询的有限记忆语言模型

CO-LMLM用360M参数打平gpt-4o-mini，事实准确度比Claude还高，这是用更小模型做更好知识检索的路线。

#CO-LMLM #LMLM #知识库 #gpt-4o-mini

arXiv cs.LG@Yair Feldman 等 8 人原文

论文 Agent 与开发者12:14

NAICS-GH：GitHub仓库行业分类数据集及管道

想给GitHub仓库自动打行业标签？这篇论文发布的数据集和管道精度高达97%，直接用RoBERTa或GPT-4.1就能复现，省去手动标注的麻烦。

#NAICS #GitHub #GPT-4.1 #RoBERTa

arXiv cs.AI@Kevin Xu, Alexander Quispe原文

论文13:04

评估大语言模型在反犹事件分类中的表现

这篇论文告诉你GPT-4o和Llama-3.2-3B在处理反犹事件时谁更强，还给出了提升分类效果的实用技巧。

#LLM #GPT-4o #Llama-3.2-3B-Instruct #反犹事件分类

arXiv: OpenAI@Karina Halevy 等 5 人原文

论文 Agent 与开发者11:55

持续状态AI控制中的分布式攻击研究

这篇论文研究了AI编程代理如何利用持续代码库分布攻击，发现现有监控器难以同时防住两种策略

#Iterative VibeCoding #Claude Sonnet 4.5 #GPT-4o #AI安全

arXiv cs.AI@Josh Hills 等 3 人原文

论文09:53

Bias-Aware Bayesian Active Top-k Ranking with LLM Judges

用贝叶斯方法修LLM当裁判时的废话偏好和位置偏差，实测召回从0.5拉到接近1，比直接投票靠谱多了。

#LLM #Claude #GPT #DeepSeek

arXiv: DeepSeek@Jian Xu 等 4 人原文

论文精选09:43

BOUNDARY_SYNC: 测量多智能体LLM系统中通信引起的表示耦合

这篇论文用BOUNDARY_SYNC协议发现LLM智能体交流越多想法越趋同，对设计多智能体系统很有启发。

#BOUNDARY_SYNC #GPT-4o #LLM #多智能体

arXiv: DeepSeek@Zewen Liu原文

论文09:42

评估VLM零样本学习替代YOLO+OCR的尼日利亚车牌识别

用真实非洲场景测了5个主流VLM，发现Gemini和Qwen在车牌识别上比YOLO+OCR更准，有数据有对比。

#Gemini 2.0 Flash Exp #Qwen2.5-VL-7B-Instruct #零样本学习 #车牌识别

arXiv: Google DeepMind@Ismail Ismail Tijjani 等 4 人原文

论文09:40

Eticas AI Risk Taxonomy：开放基础设施赋能AI审计操作化

这篇论文真正解决了AI审计“光列风险但不教你怎么测”的痛点，用GPT-4实测PII泄露，给了一个可复现的评分样例。分类法开源了，想搞审计的可以直接用。

#Eticas AI Risk Taxonomy #GPT-4-0314 #AI审计 #风险分类

arXiv cs.AI@Gemma Galdon Clavell 等 3 人原文

论文10:13

EPC：测量LLM代理系统评估者偏好耦合的标准化协议

这篇论文搞了个标准协议EPC，专门用来测LLM代理系统里评估器偏好怎么耦合的，还附带了GPT-4o、Qwen、DeepSeek等8个评估器的大规模实测数据，方便你复现和对比。

#EPC #GPT-4o #Qwen #DeepSeek

arXiv: DeepSeek@Zewen Liu原文

论文10:11

MECoBench: 多模态智能体在具身环境中协作的系统研究

想研究多模态智能体怎么合作干活？MECoBench 用一堆模型做了系统实验，结论直接告诉你协作和通信到底有没有用。

#MECoBench #MLLM #多模态智能体 #具身智能

arXiv cs.AI@Qingyun Liu 等 5 人原文

论文15:14

吸引子状态在多轮LLM对话中涌现

这篇论文发现LLM聊多了会互相带跑偏，Claude Haiku像个引力源，其他模型会被它影响。

#Claude Haiku #GPT-4.1 nano #多智能体 #对话动力学

arXiv cs.LG@Ting-Wen Ko, Jonas Geiping原文

论文15:13

LLM Agent记忆中毒检测的取证轨迹签名

这篇论文发现了一个简单规律就能检测AI Agent的记忆中毒攻击，准确率高达99%，还能区分不同攻击类型，非常实用。

#LLM Agent #记忆中毒 #行为检测 #GPT-4.1

arXiv cs.LG@Jun Wen Leong原文

论文13:53

GROW^2：让机器人学会选择工具和定位使用区域

这篇论文教机器人像人类一样用盘子切蛋糕，不受工具原始功能限制。用VLM选工具、SAM定位，零样本效果比现有方法好。

#GROW^2 #VLM #视觉基础模型 #机器人

arXiv cs.AI@Yuhong Deng 等 3 人原文

论文11:44

Mistral在UKRI基金提案实体提取中表现优于GPT-4o和DSIT-Taxonomies

这篇论文实打实比较了GPT-4o、Mistral和DSIT-Taxonomies在提取基金提案实体上的能力，Mistral准确率90.5%碾压对手，做科研数据挖掘的可以看看。

#Mistral #GPT-4o #实体提取 #主题检测

arXiv cs.AI@Xingran Ruan 等 7 人原文

论文中美对照10:41

多智能体系统利用开源LLM缓解虚假信息威胁

这篇论文用多个开源模型合作检测假新闻，效果比GPT-4还好，还用了四种语言测试，值得搞安全或内容审核的人看看。

#LLaMA #Qwen #Deepseek #GPT-4

arXiv: DeepSeek@Sebastian Kula, Martin Tamajka原文

论文10:26

EPC诊断框架揭示GPT-4o评估器漂移：版本间偏好耦合从强到零

这篇论文告诉你，你以为可靠的GPT-4o评估器可能几周后就失效了，它还给了你一个EPC框架来自己检查。

#GPT-4o #DeepSeek #Qwen3.7-plus #EPC

arXiv: DeepSeek@Liu Zewen原文

论文10:04

零样本GPT-4o教育顾问干预偏差：43%误报率，监督学习更精准

零样本GPT-4o当教育顾问爱多管闲事？实测误报率43%，换成Decision Transformer或XGBoost就能准到几乎零误报。

#GPT-4o #Decision Transformer #XGBoost #干预偏差

arXiv cs.LG@Craig Atkinson原文

论文09:20

Contagion Tensor：多智能体LLM输出分布耦合的测量框架

想了解多智能体LLM之间怎么互相影响输出？这篇论文给出了可量化框架CAF，还拿DeepSeek和GPT-4o-mini做了实验，能看到图像条件会放大耦合效应。

#Contagion Tensor #CAF #DeepSeek-Chat #GPT-4o-mini

arXiv: DeepSeek@Zewen Liu原文

论文10:06

三方狼人杀：为LLMs引入Jester角色的多跳心智理论

这篇论文让AI玩三方狼人杀，发现GPT-4.1狼人总犯傻投票出Jester，而DeepSeek学会了装可疑又不露馅。想看看AI怎么玩心眼？读它。

#GPT-4.1 #DeepSeek-V3.1 #Llama-3.3-70B #Jester

arXiv: DeepSeek@Avni Mittal原文

论文10:44

可能的回答何时正确？LLM序列概率与正确性研究

论文搞清楚了啥时候模型觉得对就真的对。它告诉你别光看概率，同一问题重复问，概率高不一定准，做解码或自一致性时可参考。

#LLM #sequence probability #correctness #decoding

arXiv cs.LG@Johannes Zenn, Jonas Geiping原文

论文10:19

RSPC基准：基于精神科医生标注的数字化关系中的压力与精神状况建模

想了解AI如何从人际关系中识别心理健康问题？这篇论文用Reddit数据建了专门基准，挺实在。

#RSPC #Reddit #Claude-3-Haiku #GPT-4o

arXiv cs.LG@Parmitha Vangapandu 等 7 人原文

模型精选12:00

Lost in Aggregation：LLM空间导航多尺度诊断基准

想知道LLM为什么在导航任务中迷路吗？这个基准把问题拆成三个层级，告诉你59%的锅在交叉口选择，39%在局部感知，方向判断几乎不犯错。对做空间推理的开发者非常有用。

#Lost in Aggregation #GPT-4o #DeepSeek-V3 #Llama-3.3-70B

arXiv: DeepSeek@Yuhan jiang 等 3 人原文