LLM 相关 AI 资讯 · AITOP

7月28日

12:05

官方一手arXiv: DeepSeek@ Zing Team, Ao Xiang, Bi Jingping, Chen Jiahui, Chen Lehan, Chen Yilin, Cheng Xueqi, Fan Yixing, Gan Kairong, Gao Haowen, Gao Jinhua, Gao Shuxuan, Gong Chang, Guo Jiafeng, Guo Ruijie, Han Zhouyu, He Guangfu, He Yichun, Jiang Shuo, Jing Shaoling, Jing Ya, Lei Chenhao, Lei Yan, Li Anqi, Li Chengao, Li Haoyu, Li Shitian, Liang Xinjian, Liu Zhaoge, Lyu Xingyu, Nie Zhuwei, Pang Liang, Quan Zeping, Shan Shiguang, Shen Huawei, Tang Xinran, Tian Feng, Wang Qian, Wang Ruiping, Wang Xiaohong, Xia Zaiyu, Xiao Yi, Xu Jiayuan, Xu Kehan, Xu Qianqian, Xu Tianyu, Xu Yongjun, Yang Haoming, Yang Jun, Yao Di, Yu Xiaoming, Zhang Futong, Zhang Jie, Zhang Shixuan, Zhang Yuxuan, Zhao Xinyu, Zhao Zhuoran, Zhong Yunfei, Zhu Shengyu

Zing是一个集成框架，用于测量、内化和落地LLM的社会智能。其评估基准SoMBench覆盖3个主要维度、17个次要维度和71个任务范式，包含284个共享场景和3481个专家验证实例。在20个代表性LLM上的评估显示最高准确率仅72.08%，17个次要维度均未达90%。Zing训练方法在5个社会认知基准上持续超越基础模型，其中Zing-27B-Stage2取得最高平均分，Zing-32B-Stage2与DeepSeek-V4-Pro竞争。Actio推理架构通过PRISM、Starling、SAGE和门控RAG四种支持，在15个模型-基准对中提升14个。

事件专题

推荐理由：这篇论文发布了一个综合框架，让你看到当前LLM在社会智能上的短板（最高才72%），并提出Zing训练和Actio推理搭配，能显著提升表现。想了解模型怎么更懂社交规矩的可以看看。

原文

11:02

官方账号arXiv cs.AI@Weihuang Zheng, Tianyuan Zou, Eileen Ye, Alphet Liu, Youyong Kong, Ya-Qin Zhang, Duran Zheng, Maxm Pan

E-Bench是一个完全合成的基准，包含323个状态改变任务，覆盖Honor of Kings、QQ Music和Tencent Meeting三个产品领域。它通过图引导数据库填充创建可复用环境，并利用生成器-求解器不对称设计迫使智能体发现隐藏信息并组合多次工具调用。结果通过数据库状态差异确定性评分。评测11个前沿LLM，最强模型的Pass^3低于60%，在E-Bench-Code扩展下仍低于70%，说明多步工具使用对当前模型依然困难。

论文 E-Bench 多步工具使用智能体

事件专题

推荐理由：想知道多步工具调用到底多难？E-Bench测了11个模型，最强不到60%通过率，还特意选了王者荣耀、QQ音乐和腾讯会议场景。

原文

10:56

官方账号arXiv cs.AI@Kezhao Lai, Yutao Lai, Hai-Lin Liu

SpecAHD提出了一种耦合双层优化框架，用于在单个问题实例内部实现启发式规则的区域特化。上层搜索学习暴露有界修复区域的位置，下层进化互补的可执行启发式程序池。在四个大规模路由问题（CVRP、VRPTW、PDP等）上，SpecAHD相比最强AHD基线将目标成本降低了最高57.7%，并且在大多数公开实例上超越了每实例基线包络线。该框架具有子模性，提供了(1-1/e)的贪婪选择近似保证。

论文 SpecAHD 自动启发式设计路由问题

推荐理由：这篇论文用双层优化让LLM自动写出针对不同区域的启发式规则，在多个大规模路由问题上比现有方法好57%，还有理论保证，值得一看。

原文

09:46

官方账号arXiv cs.LG@Ishpuneet Singh, Shreyas Mahajan, Gurjot Singh, Maninder Singh

一项研究评估了5款AI编码助手（如GitHub Copilot、Amazon CodeWhisperer等）在生成认证代码时的安全性，采用静态代码分析加动态渗透测试的双模态评估框架，并映射到NIST SP 800-63B标准。结果发现，基础或通用安全提示下生成的代码普遍缺少暴力破解防护、会话管理和密码处理等关键保护。即使给出一次性NIST提示，合规性虽有提升但仍结构不足。只有通过迭代重提示（Reprompting）迫使模型进行上下文自审计，才能实现完整的深度防御安全架构。研究证实当前AI编码助手无法默认生成安全代码，企业需从一次性提示转向持续、标准驱动的验证流程。

论文 LLM AI安全代码生成

推荐理由：想了解AI写代码到底安不安全？这篇论文用具体基准和测试告诉你，目前主流的编码助手都靠不住，必须用迭代重提示才能堵上漏洞。

原文

09:31

官方一手arXiv: Anthropic@Paul Simpson, John Kozak, Lisa Doake

精选

论文《Confidently Wrong》揭示前沿LLM在嵌套条件规则（如“要求A，除非B，除非C覆盖B”）的错误模式——异常链崩溃。GPT-5.4在建筑保险场景的准确率从96.6%突然升至100%（同一提示和测试框架），表明模型准确率边界不可控。作者提出Aethis Eligibility Module，由LLM从权威源编写规则、SMT层确定性执行。在225个跨领域场景基准中复现该模式，20个对抗场景中引擎与GPT-5.4（低推理努力）均获20/20，而其他三个前沿模型失败。在949个LegalBench任务中，引擎比三个前沿模型显著更准确（组合McNemar p≤0.003），最高领先Anthropic模型41个百分点。

论文 LLM 异常链崩溃神经符号架构

推荐理由：这篇论文揭露了GPT-5.4和Claude在资格评估规则中会莫名崩溃，还给了个能稳定执行的神经符号方案，搞合规或应用LLM的得看看。

原文

7月27日

23:39

Aravind Srinivas@AravSrinivas

精选

计算机科学家Grady Booch在X上表示，LLM最终会成为商品，价格竞争趋于零。随着开源模型（如Llama、Mistral）扩展，模型间优势缩小，价值将转向神经符号框架，包括智能体、智能体编排、工具链和插件。前沿AI机构的闭源模型也会被开源框架超越。最终只有少数数据中心运营者幸存，但随着计算能力提升，越来越多系统将本地运行。

行业 LLM 开源模型智能体

推荐理由：Grady Booch提出了一个清晰的未来图景：LLM变成商品后，赢家靠什么。想理解AI行业长期竞争逻辑，可以看看。

原文

12:05

官方账号arXiv cs.AI@Jennie Ren, Jordan H. McDowell, Kyrie Zhixuan Zhou

两位不同教学理念的计算机教育者和一名本科生通过三场对话，使用三人民族志方法探讨学生在LLM支持下的学习过程。学生叙述揭示了课堂中不可见的真实学习行为，促使教育者重新审视关于AI使用、评估、透明度和编程教学的假设。该论文基于对三人民族志实践的分析，论证了这种反思方法帮助教育者超越课堂观察，更深入理解AI支持的学习。

论文 LLM 编程教育三人民族志

推荐理由：看看教育者和学生如何通过三场对话，发现LLM辅助编程学习中课堂上看不见的东西，比猜学生用AI干什么有意思多了。

原文

12:03

官方账号arXiv cs.AI@Halil Burak Noyan

该论文提出一种三源权限架构（角色上限、任务上下文分类器、策略组合禁令）实现动态最小权限原则。作者构建了一个包含600个企业任务提示的合成数据集，基于15个权限工具分类法标记，经人工验证达到Cohen's κ=0.967。迭代开发将授权违规从46次降至3次（降幅93%）。数据集和生成管线已开源。

论文 AI agents LLM 权限管理

推荐理由：想给企业AI智能体设权限？这篇论文建了个600条数据的合成集和三源架构，把授权违规从46砍到3次，还开源了代码。别错过。

原文

11:57

官方账号arXiv cs.AI@Fin Gentzen, Marla Grunewald, Iulisloi Zacarias, Mounir Bensalem, Admela Jukan

该论文提出一种自校准智能体AI框架，通过集成ARIMA预测器动态逼近真实值，减少LLM驱动系统中的运行漂移。在零知识工作负载的边缘资源使用场景中，该框架的资源使用预测准确率比基线LLM智能体高91.7%，预测速度提升71.7%。自校准机制采用的ARIMA跳跃算法比标准ARIMA生成真实值快52%，且精度相同。实验验证了该框架在去中心化基础设施中部署自主AI的可靠性。

论文智能体 ARIMA 零知识工作负载

推荐理由：这篇论文讲了一个能自己校准的智能体框架，用ARIMA预测把资源分配准确率提了91.7%，速度还快了71.7%。搞边缘计算或零知识证明的可以看看。

原文

10:58

官方账号arXiv cs.LG@Ritik Raj, Souvik Kundu, Sarbartha Banerjee, Dheemanth Joshi, Ishita Vohra, Tushar Krishna

TRACE-ROUTER 提出任务级路由框架，将每个任务在受理时通过上下文赌博机分配一次模型，后续所有LLM调用均固定到所选后端，并使用最终奖励更新策略。在 tau2-Bench 上，该方法比延迟匹配的单个模型插值高出7-8个准确率点。在 Terminal-Bench 上，相比最强单模型基线，TRACE-ROUTER 以36%更低延迟实现7.1个准确率点提升。该框架无需显式任务复杂度估计，即可学习适应工作负载的路由策略。

AI模型 TRACE-ROUTER 路由框架智能体

推荐理由：这篇论文给出了一个很实用的思路：用任务级反馈来动态路由LLM，不用每次调用都做独立决策。在多个基准上同时提升了准确率和速度。

原文

7月25日

17:50

Geek@geekbb

开发者成功在售价 8 美元的 ESP32-S3 芯片上运行了接近 2900 万参数的 LLM。核心技巧是将大部分模型参数存储在 Flash 而非 RAM 中，借鉴了 Google Gemma 的 Per-Layer Embeddings 思路。该方法大幅降低了内存占用，使低成本边缘设备也能运行较大模型。项目已开源在 GitHub 上。

技巧 ESP32-S3 LLM Gemma

事件专题

推荐理由：别人用 8 美元的芯片跑大模型，靠的是 Gemma 的分层嵌入技巧。想低成本部署边缘 AI？这个开源项目就是参考答案。

原文

08:12

Gary Marcus@GaryMarcus

Gary Marcus发帖指出，LLM行业牛方认为模型酷炫、芯片股飙升、收入增长。熊方则看到企业用户除编程外生产力提升有限、与中国价格战、LLM提供商在无芯片补贴下无法盈利、且模型依然不可靠。该帖获得24个点赞和1607次浏览。

行业 Gary Marcus LLM 行业分析

推荐理由：看看Gary Marcus怎么用一句话说透LLM行业的冰火两重天，收入和股价飞涨，但企业实际收益和盈利问题依旧。

原文

04:18

a16z@a16z

Applied Intuition 联合创始人 Qasar Younis 在 a16z 举办的 2026 年 RAISE 峰会上表示，物理 AI 的规模将超过 LLM。他指出，在底特律、慕尼黑、都灵、首尔和东京等制造业重镇的机场，人们最关心的不是智能体优化，而是卡车司机和现实世界的实际工作。Younis 认为，虽然编写代码很重要，但物理世界中的机器制造业将产生更大影响。

行业 Applied Intuition Qasar Younis 物理 AI

推荐理由：Applied Intuition 的创始人说物理 AI 会比 LLM 更牛，举了机场里卡车司机的例子，视角很接地气。

原文

7月24日

12:11

官方账号arXiv cs.AI@Baihui Wang, Bernard Koch

该论文研究了大型语言模型（LLM）在道德推理中如何区分合理修正与谄媚顺从。通过三项研究，作者发现模型的判断更新沿着三个维度结构化：观点与模型初始立场的距离、该观点的来源归属（如来自模型自身先前判断的影响更大）、以及支持该观点的联盟结构。模型更易接受邻近立场，对看似自身先前判断的观点更敏感，对群体压力的反应存在差异。这些发现将谄媚重新定义为更广泛的判断更新过程的一部分，为区分建设性信念修正与谄媚顺从提供了基础。

论文 LLM 道德推理对齐

推荐理由：想搞懂LLM到底是真学习还是假顺从？这篇论文给出了三个具体维度来分析模型修正判断的逻辑，比简单说‘阿谀奉承’有深度多了。

原文

11:52

官方账号arXiv cs.LG@Yingchao Huang, Xin Wang, Yuhan Su, Shanshan Yao

研究提出基于开源LLM的多模态认知障碍检测框架，融合语音音频和转录文本。在ADReSS20和ADReSSo21基准上评估，分类准确率达92.4%。该框架优于单模态基线，并展现出跨数据集泛化能力。无需访问原始敏感数据，保护患者隐私。

论文 ADReSS20 ADReSSo21 LLM

推荐理由：这篇论文用开源LLM整合语音和文本，在ADReSS20上准确率92.4%，比只用单一模态强多了，且跨数据库也能用。

原文

11:04

官方一手arXiv: Anthropic@Fred Mesnard, Thierry Marianne, Étienne Payet, Wim Vanhoof

本研究通过提示Claude生成Prolog代码和测试，并使用LPTP进行形式化证明。Claude为前33个P-99问题生成了58个逻辑过程、508个测试和257个引理（共11800行证明）。作者手动检查了所有代码和证明，验证了类型、终止性、唯一性等性质。该实验展示了“vibe-coding/vericoding”方法用于Prolog编程的可能性。

论文 Claude LPTP P-99

推荐理由：一个用Claude写Prolog代码并用LPTP证明正确性的实验。有具体的数字和流程，适合对LLM+形式化验证感兴趣的人。

原文

10:49

官方账号arXiv cs.AI@Kaiwen Zhang, Guanjun Liu

该论文提出一种Petri-net引导的LLM测试生成方法，用于并发有状态Rust API。方法将API资源、生命周期依赖建模为有色Petri网，推导合法深状态、近合法及偏序并发场景，作为LLM代码合成的约束中间表示。通过局部保真契约和结构修复循环确保模型意图在具体化过程中保留，Petri引导的调度塑造优先探索高冲突并发骨架。分层语义预言机区分合成失败与API预期行为违反，实验结果表明该方法在生成可执行测试和覆盖并发缺陷方面优于基线。

论文 Rust LLM Petri-net

推荐理由：这篇论文用Petri网编排LLM，自动生成并发Rust API的测试用例，比纯LLM生成的更可靠，能挖到深层并发bug。

原文

10:28

官方账号arXiv cs.AI@Federico Boggia

论文发现大语言模型系统性过度使用两千年前的修辞格epanorthosis（如“这不是课程，而是蜕变之旅”），归因于训练数据中促销文案和RLHF偏好调优。作者提出Epanorthosis Index（密度与人类基线之比），在三种规模的指令微调模型上测量：或atory场景下模型超用约2倍（意大利语近3倍），非正式问答中欠用，而议论文、新闻和百科文本与人类持平。缓解方案包括轻量LoRA适配器，在意大利语中单行指令即可削减一半至四分之三，SFT适配器可几乎消除。

论文 LLM RLHF LoRA

推荐理由：这篇论文揭示了LLM中一种不易察觉的修辞滥用，并给出了具体测量和缓解方法，适合关注模型文本风格和RLHF影响的读者。

原文

10:18

官方账号arXiv cs.AI@Mohammad Hasan Payandeh, Daniel Vogel, Jian Zhao

Thinkink是一个允许用户通过手写文本或草图与LLM交互的工具，LLM的响应以墨水风格文本和图形整合到共享2D画布中。研究包含三个阶段：形成性研究（N=12）分析了传统与数字手写实践；诊断性研究（N=6）识别了可用性与人-LLM交互挑战；最终研究（N=10）评估了Thinkink在构思场景中的使用效果。该工具利用语义树简化手写解释，并通过状态机提供轻量级显式控制。研究为墨水原生LLM交互提供了设计启示和具体原型。

论文 Thinkink LLM 多模态交互

推荐理由：手写和草图也能和LLM对话了！Thinkink让你在画布上手写输入，LLM用墨水风格回复，研究还做了三轮用户测试，挺靠谱的。

原文

09:33

官方账号arXiv cs.AI@Yangjun Lu, Hongyi Zhou, Fabian Spill, Kai Ye, Chengchun Shi, Jin Zhu

论文提出一种token级检测方法，通过平滑相邻token分数并采用自适应Lepski规则选择带宽，识别人机协作文本中由LLM生成的部分。该方法无需token级标注数据训练，在合成和真实数据集上优于多种基线。作者部署了公开网站实现该方法。

论文 LLM token级检测文本检测

推荐理由：这篇论文给了一个新方法，能精确找出LLM写的片段，不用提前标注，比现有文档级检测更细。

原文

07:40

官方账号xAI@xai

71°

Tavily成为Grok Build官方插件，提供LLM优化的实时网络搜索。用户可在工作流中获取快速结果、干净内容和可靠来源。通过输入/plugin搜索Tavily即可启用。该插件专为AI应用设计，提升搜索效率。

AI产品 Tavily Grok Build LLM

推荐理由：Grok Build现在能用Tavily插件实时搜网了，返回结果又快又干净，写代码查资料方便多了。

原文

00:53

Gary Marcus@GaryMarcus

Gary Marcus指出，当前用户使用的ChatGPT/Claude并非纯大语言模型（LLM），而是结合了“Harness”的混合系统。他将这种组合称为神经符号AI架构。这一变化解释了为什么2024-2025年的模型相比2022-2023年的纯LLM有明显性能提升。

AI模型 ChatGPT Claude LLM

推荐理由：Gary Marcus解释了现在ChatGPT和Claude比两年前强的原因——它们加了层'Harness'变成神经符号系统了。

原文

7月23日

22:51

Gary Marcus@GaryMarcus

Gary Marcus 在 X 上重申，LLM 领域不存在所谓的“持久优势”，任何领先地位最多只能维持数月。他引用自己此前对 Anthropic CEO Dario Amodei 的质疑，认为除非改变方向，否则行业将陷入昂贵的跳蛙游戏。该推文目前仅获 332 次浏览，互动极少。

行业 GaryMarcus LLM Anthropic

事件专题

推荐理由：Gary Marcus 又开喷了，说 LLM 领先优势活不过几个月，还引了和 Anthropic CEO 的旧推文。

原文

11:52

官方一手arXiv: Anthropic@Elias Hossain, Md Mehedi Hasan Nipu, Fatema Tuj Johora Faria, Tasfia Nuzhat Ornee, Maleeha Sheikh

多智能体LLM应用中，Agent间传递信息的通道缺乏监控，导致指令注入攻击。现有防御主要针对输入边界或依赖云提供商过滤，隐蔽性高。论文提出ChannelGuard，在Agent间通道上设置信息瓶颈门控，通过嵌入相似度评分对比预定义攻击短语库，实现通行、压缩或阻断，无需额外LLM调用。在2,100条测试、8种攻击家族、5种防御、3种后端（Azure GPT-5、Anthropic Sonnet 4.5、Haiku 4.5）的评估中，ChannelGuard的工具输出门控在应用层100%阻断工具投毒（30/30），跨后端一致，而未防御管线完全依赖后端过滤。Prompt Injection攻击成功率从0.333降至0.167，GSM8K准确率保持0.867不变。

论文 ChannelGuard 多智能体 AI安全

事件专题

推荐理由：这是篇讲多智能体LLM安全漏洞的论文，提出ChannelGuard，不额外调用LLM，在Agent间加门控，能防住工具投毒和指令注入，而且实验用了三个不同模型后端，结果很实在。

原文

11:30

官方账号arXiv cs.AI@Andreas Happe, Jürgen Cito, Jasmin Wachter

该论文分析LLM驱动的自主代理在攻击性安全中表现出三个不确定性维度：动作非确定性导致难以进行事前安全审查和事后归因；影响开放性源于非确定性动作、模型代理和LLM供应链不透明；用户群体不确定性因技能门槛骤降而扩大。结合攻防成本不对称，短期效应有利于攻击者。现有双重用途网络安全和AI伦理框架无法覆盖此组合。论文提供针对利益相关者的分层建议。

论文 LLM autonomous agents offensive security

推荐理由：这篇论文把自主AI代理做攻击性安全的三类不确定性和道德归因难题讲透了，安全从业者和政策制定者值得看看。

原文

11:28

官方账号arXiv cs.AI@Yiming Wang, Jiayuan Di

本研究系统评估了大型语言模型（LLM）在文化负载翻译中的表现。使用《红楼梦》构建了500条中-日双语数据集，覆盖多种文化类别。发现前沿LLM对文化负载内容存在显著性能差距。人工评估中，不同文化背景的评估者导致明显分歧。常用自动评估指标如BLEU无法可靠评估翻译质量。

论文《红楼梦》机器翻译文化负载

推荐理由：这篇论文用《红楼梦》测了LLM翻译文化内容的能力，结果发现GPT-4也不好使，连人工打分都吵起来了。适合关注翻译质量的人看。

原文

11:26

官方一手arXiv: OpenAI@Takahiro Ezaki, Naoto Imura, Katsuhiro Nishinari

一项研究模拟了50个基于OpenAI GPT、Anthropic Claude和Google Gemini的货运代理在30天内选择承运人的市场。结果显示，代理在第一天就集中选择同一承运人，占76%的请求。当候选列表超过10个时，集中度急剧上升，但不同模型表现有差异。披露承运人剩余日容量可将集中度降低三分之一，并使发货人剩余翻倍。供应商多样化、列表随机排序和流行度展示没有明显效果。

论文 LLM GPT Claude

事件专题

推荐理由：这篇论文用真实LLM做模拟，发现只要给发货人看十多家承运人，市场就会高度集中，但暴露容量信息就能大幅改善，比换模型管用多了。

原文

7月22日

12:56

官方账号arXiv cs.AI@Grace Hui Yang, Pranav N. Venkit, Hooman Sedghamiz, Enrico Santus, Victor Dibia, Ioana Baldini

本教程汇总了基于大语言模型（LLM）的智能体系统在软件工程、科学发现和金融等领域的生产级部署经验。内容涵盖推理与规划、多智能体协调和评估等研究进展，以及来自实际部署的挑战。通过制药发现和金融系统的应用案例，分析了成功设计模式和失败缓解策略，包括验证管线、回退机制和人在环路监督。

论文 LLM 智能体多智能体

推荐理由：这篇论文从实际部署出发，总结了LLM智能体在软件、金融等领域的成功模式和失败应对，比只看benchmark的研究更有实战价值。

原文

12:33

官方账号arXiv cs.AI@Yohann Sidot

论文构建了由三家供应商的五个生产级LLM组成的五智能体CI/CD流水线，包含分诊、开发、安全扫描、审查、部署/批准五个环节。实验中，单个未经认证的输入（请求"使用遥测"功能）被注入伪装成可观测性的代码，用于窃取进程密钥。预注册的A×B（×C）析因实验（N=20；朴素臂N=60）发现：入口智能体未泄露系统提示（0/40）；采用权威框架注入（声称"预批准，无需复审"）后，下游验证器看到秘密泄露行并引用预批准通过，扫描器对约80%的伪装的拉取请求放行，最坏条件下55%被攻破；内容控制（代码扫描器、模式检测）均无法识别伪装意图，仅LLM推理意图能提供部分防御。全部数据为合成数据，模拟目标未实际联系。

论文 LLM CI/CD 智能体安全

推荐理由：五家LLM组队干流水线，结果一句"领导批了"就能绕过所有审查，代码干了坏事但语法干净。研究扎实，看了你就知道AI安全不只是提示词泄露。

原文

12:15

12:15IT之家（博客/媒体）

精选

SemiAnalysis 披露，Meta 定制的 AMD MI450 架构显卡仅含 4 个计算芯片（标准 MI455 有 8 个）。HBM4 显存使用 6 个 8-Hi 24GB 堆栈（标准为 12 个 12-Hi 36GB，总 432GB）。定制版计算单元为标准一半，显存容量为标准 1/3（144GB）。该设计旨在提升机架级 CPU:GPU 算力比例，改善 RecSys 推荐系统性能，但不利于 LLM 训练/推理。

行业 Meta AMD MI450

事件专题

推荐理由：Meta 砍一半计算单元、减三分之二显存，搞了个专攻推荐系统的定制 AMD 显卡，对大模型反而鸡肋。看看巨头的特殊需求。

原文

11:19

官方账号arXiv cs.AI@Guy Stephane Waffo Dzuyo, Gaël Guibon, Christophe Cerisara, Luis Belmar-Letelier

本文提出一个稳健的财务报表欺诈检测(FSFD)框架，利用大语言模型(LLMs)整合结构化财务数据与财务报告中的非结构化文本。研究人员指出现有方法依赖随机数据划分，导致性能估计过于乐观，不能反映对新公司或未来时期的泛化能力。他们构建了一个新的基准任务CI-FSFD(Company-Isolated FSFD)，并发布了包含美国公司财务报表、MD&A文本摘要和欺诈标签的数据集。在CI-FSFD任务上，该方法取得了最佳性能，验证了文本数据和鲁棒评估在可靠财务欺诈检测中的关键价值。

论文 LLM financial fraud detection CI-FSFD

推荐理由：这篇论文解决了财务报表欺诈检测的泛化评估问题，用LLM整合文本数据，在CI-FSFD任务上达到SOTA，适合关注AI金融应用和风险检测的研究者。

原文

03:48

elvis@omarsar0

精选

Andrej Karpathy在推文中分享了一个多模态提示技巧：当用户懒得打字时，可切换至语音输入并进行约10分钟的意识流独白。他观察到LLM能从杂乱语音中重建思路，并以更清晰的形式回应用户的混乱思考。这种方法能提升与模型的理解对齐，减少后续需要修正的内容。Karpathy还建议在开头声明“切换到语音识别，抱歉有错字”以明确模式。

技巧 Andrej Karpathy LLM 语音输入

推荐理由：Karpathy教你用语音输入和意识流跟AI聊天，10分钟搞定思路对齐，比打字省力多了。

原文

02:19

官方账号Andrej Karpathy@karpathy

精选

Andrej Karpathy 分享了一个与LLM交互的技巧：当你懒得打字时，可以切换到/voice模式，随意闲聊10分钟，让模型从你的混乱思绪中提取意图。他提到LLM很擅长整理长篇、不连贯的语音输入，并输出更清晰的回应。这种方法能加快人机之间的理解，减少后续修正。

技巧 Karpathy LLM 语音功能

推荐理由：Karpathy分享了一个懒人技巧：对着LLM语音瞎聊10分钟，它就能帮你理清思路，比打字高效多了。

原文

00:27

Gary Marcus@GaryMarcus

精选

Gary Marcus 反驳了“LLM 擅长数学”的说法，指出真正有效的是 LLM 与神经符号工具的融合。他批评很多人不了解技术细节就下结论。Marcus 在 X 上回复了关于 LLM 数学能力的讨论，强调单纯基于概率的 LLM 会胡编乱造。

行业 GaryMarcus LLM 神经符号工具

推荐理由：Gary Marcus 直接点破一个常见误解：不是 LLM 会做数学，是加了符号工具的 LLM 才厉害。

原文

7月21日

23:15

Gary Marcus@GaryMarcus

精选

Gary Marcus指出，纯LLM作为概率性下一个词预测模型存在固有局限，仅靠扩大规模无法修复硬数学问题中的组合幻觉。他提出有效的解决路径包括：在推理轨迹上进行SFT、采用o1风格的过程奖励模型进行RL、引入类似MCTS的推理时计算，以及集成可执行工具。Marcus强调现代数学AI是混合系统，而非纯Transformer。

行业 Gary Marcus LLM 推理模型

推荐理由：Gary Marcus总结了提升数学推理的有效路径：SFT加RL再加推理时计算和工具，别迷信纯规模了。

原文

22:13

Martin Fowler@martinfowler

Martin Fowler新作Fragments指出，工程团队与C-suite高管对AI能力与风险存在显著分歧。他将当前的AI热潮与2000年互联网泡沫对比，认为两者在炒作模式上相似。文章提到法学教授更偏好LLM生成的答案，并探讨了用领域特定语言（DSL）与LLM协作的优势。Fowler还批评了充斥LLM术语的行文风格。

行业 Martin Fowler LLM AI泡沫

推荐理由：这篇对AI行业现状的碎碎念很犀利，点出工程和老板之间的认知鸿沟，还拿互联网泡沫做对比，值得一看。

原文

12:20

官方账号arXiv cs.AI@Daniela Rojas, Abdulwahab Albassam, Aidan G. Leung, Jett Ngo, Ryan Luo, Peter R. Quawas, Junpyung Kim, Kangkai Liang, Mansi Nanavati, Jonathan Mai, Meng-Chi Tsai, Yun-Tong Tsai, Yize Chen, Yuanyuan Shi

本论文提出了一种基于求解器的设计原则，确保数值结果来自可信工具并通过明确验证。在四个案例研究中，EVAgent在EV充电调度中复现了CVXPY最优解，并将LLM-only的未满足能量减少了7.5-9.5倍；GridDebugAgent修复了17/39个应急案例，总违规减少52.3%。论文提出了一个四组评估框架，涵盖任务效用、求解器正确性、忠实性与安全失败、成本与延迟。核心结论是智能体系统负责编排、检索与解释，可信工具负责计算，验证门控决定报告内容。

论文 LLM 智能体智能电网

推荐理由：这篇论文把LLM智能体怎么用在智能电网上讲得很清楚，给出了具体的数字对比，比如EVAgent减少了7.5倍未满足能量，适合做电网AI系统的实践参考。

原文

11:50

官方账号arXiv cs.LG@Thomas MacDougall, Maksim Kuznetsov, Roman Schutski, Rim Shayakhmetov, Maxim Malkov, Vladimir Aladinskiy, Alex Aliper, Alex Zhavoronkov

结构药物设计(SBDD)利用蛋白质靶标3D结构生成候选分子，扩散模型是主流方法。本工作引入3D-Fit基准测试，评估LLM在多约束空间分子生成中的表现，包括蛋白口袋、锚定片段、药效团点及口袋-配体相互作用。结果显示，LLMs虽落后于专用扩散模型，但能同时处理多种空间约束，展现出可扩展的潜力。

论文 LLM 3D-Fit SBDD

推荐理由：这篇论文系统测了GPT等LLM在3D分子生成上的表现，发现它们虽不如专用扩散模型，但能同时处理多种约束，值得关注。

原文

11:27