全部动态

不用 RL 训练，只在开头加个 "Okay" 就能让 Olmo-3-7B 数学成绩翻近一倍，这篇论文把原因挖得很透，做模型训练的值得看看。

给医学问答做了个按问题动态分配 LoRA 秩的微调方法，在 Qwen3-8B 上比 LoRA r16 高了 1 个多百分点，专科越多优势越大，做医疗方向微调的可以看看。

有人测了 TypeSafe 那个号称便宜快的 JEV，结果在 OpenAI 批量价格下根本不省钱，校准也没明显赢 Qwen3.8-27B，想做文本标注的可以看看。

GUI 智能体缺训练数据的老问题，这篇用图像编辑模型自己造数据，Qwen3-VL 微调后 AndroidWorld 成绩还涨了不少，代码开源可以直接试。

孟加拉语这种低资源语言上，Llama 4 Maverick 不微调就拿下 0.931 的 F1，比 BanglaBERT+XGBoost 还高，做低资源语言分类的可以看看。

用中子仪器设计测智能体会不会物理，7个模型最多做对7/16题，RL把Qwen3-8B从11%练到77%，比32B还强。

长链推理时 KV 缓存会爆炸，这篇提出用增量 SVD 压到 4-5 倍还能保住准确率，比删 token 的老办法稳，做推理部署的可以看看。

研究Qwen3如何整合多个RL训练教师，发现梯度传递和参数更新的关键机制。

MoRA解决了MoE模型部署内存问题，通过路由偏置学习和专家近似机制，在减少专家数量的同时保持模型性能。

医疗AI研究者必看：新方法让模型在诊断中更准确地区分阳性阴性病例，AUROC提升显著。

SCAPO算法通过半事实稳定性改进了令牌级信用分配，在数学和分布外基准上表现优异。

NVIDIA新方法让AI智能体犯错后能自我修正，在多个任务上超越13个基线模型。

清华团队推出 ComputerSD，让计算机使用智能体能从实时 GUI 反馈中学习，比传统方法效果更好。

DAGent解决了深度研究任务中的规划脆弱性问题，通过条件扩展任务图实现更高效的执行。

BELIEFRAG解决了RAG中的证据状态碎片化问题，在保持质量的同时大幅减少token使用。

论文揭示了自进化AI系统的隐藏缺陷，提出CrossFit方法有效解决协同作弊问题，在Qwen模型上效果显著。

清华团队推出SCIC，让TTS系统能更精确控制长文本中的语调变化，比传统方法更自然。

清华团队提出STEPQuant，根据误差大小和内存寿命分配精度，在Qwen和Kimi模型上显著降低内存使用。

新方法1.5-SPSA让零阶训练比传统方法快1000倍，OPT-13B只需70步就超越MeZO 10万步效果。

CoEM解决了长上下文推理中信息过早压缩的问题，通过智能管理记忆空间，显著提升了模型处理长文档的能力。

MultiTalk解决了长多语会话难题，训练数据和评估基准都开源了，模型表现比现有开源方案好很多。

BioLitBench基准用组合可控性方法解决排行榜评估偏差，SCRIBE在生物文献综述任务中表现优异。

MIT团队发现语言模型内部存在可操控的价值信号，能改变模型行为方向，对AI安全研究有重要意义。

这篇论文用 gsm_hard 上的 120 题实验算清了一笔账：流水线出错后，把原题重新喂给第一个下游阶段就能挽回 0.394，每题只多花 59.8 个 token，后面的阶段白搭。

合并 MoE 模型时看到路由乱了先别急着修，这篇用 DeepSeekMoE 等三个模型证明漂移不等于失败，还给了工具包和修复代码。

训练智能体 RL 的人可以看看：PEARL 动态调 prefill-decode 配置还能借闲置 GPU，吞吐比 RLBoost+ 最高多 36.3%。

Qwen3.5-4B 只靠写复盘解释做微调，不用奖励模型就在 SWE-bench 上跑赢 GRPO，做智能体训练的可以看看这套 ROFT 流程。

一篇很实用的论文：让大模型和小模型在任务里分工干活，成本砍到一半性能反升，ALFWorld 上省了八成推理开销。

这篇 arXiv 论文拿三个 32B 模型做了思考前后对比，发现思考反而制造约 5 倍的新偏见翻转，做公平性评估的人该看看。

加纳团队用 Qwen3-ASR-0.6B 给三种本地语言做语音识别，Ewe 错误率砍掉近一半，还上线了健康问答应用 KasaHealth，低资源语言落地的完整参考。