#LLM

Deep Noir 这个框架挺有意思，能自动发现 LLM 推理时的最优引导参数，不用手动调参数了，效果还挺好。

这是篇关于代码修复的论文，提出了AdaRepair-Mem框架，通过更智能地检索和利用历史修复经验来提升LLM的代码修复能力，解决了现有方法中记忆资源不均衡、记忆量与效果不匹配以及记忆阶段不匹配的问题。

想了解LLM生成代码时，提示词语言差异的影响，以及翻译这种偏见的有效性，这篇论文有具体数据支撑。

这是篇挺有意思的论文，作者用隐藏马尔可夫模型数据测试了六款开源LLM，发现它们在上下文学习中能近似贝叶斯预测，还做了干预实验验证了这一点。

朋友研究 LLM 社交推理的，这篇论文开源了 Fuse 框架和 21k 数据集，能帮你系统分析 LLM 在社交场景下的表现。

朋友推荐：一篇论文说他们用新方法压缩了LLaMA模型，效果不错，能显著降低困惑度。

朋友间推荐：研究LLM定价代理如何产生超竞争价格，以及如何通过不同方法干预，挺有意思的，比单纯看产品更新更深入。

这个 RoofLang 工具能帮你优化 LLM 推理架构，让 DeepSeek V4 模型跑得更快，比其他模型快很多。

DAIR.AI 发了一篇关于递归自我改进的综述，讲的是智能体如何一步步提升自己，挺有用的。

elvis@omarsar0原文

这个研究很实用，它教我们如何用 ShEx 元数据和 RAG 机制，让 LLM 直接理解知识图谱，而不用再花大力气微调模型，对做知识图谱应用的开发者应该挺有帮助。

这个研究很实用，它帮你选LLM时有个新维度，比如Claude在版本约束理解上比GPT-5.1强很多，值得看看。

研究人员提出FR框架，通过行为本体分类管理LLM记忆，显著减少编造并提升回答准确率。

清华团队发布几何推理框架，用LLM+专用模块解决几何题，性能比肩Gemini 2.5 Pro，解题过程更清晰。

Maverick让用户无需暴露数据就能安全使用第三方LLI服务，性能提升最高达157倍。

SPINE基准测试揭示了LLM如何在持续压力下放弃正确立场，发现情绪诱导是导致谄媚行为的主要因素。

新方法TFTVs让LLM行为控制无需微调，支持加法学习减法遗忘，比传统方法更好保留模型能力。

这篇论文提出了分析LLM推理动态的新方法，通过答案分布轨迹揭示了传统评估方法忽略的推理过程细节。