基础模型

从表面模仿到意图控制:北航提出UserIDA,用户模拟意图准确率达86.6%

来自北京航空航天大学的研究团队在论文中指出了这一核心痛点,并提出了全新的框架 UserIDA (User Intent-Directive Alignment,用户意图指令对齐)。该工作提出,可控的用户模拟应当将“下一轮要实现什么局部交互意图”与“这一意图具体如何用自然语言表达”彻底解耦。

锁定70年未解常数十分位:普林斯顿等揭秘长程AI数学研究新范式

他们构建了一个异步人机协作的 AI 科研系统,针对自 1953 年由现代代数几何奠基人亚历山大·格罗滕迪克(Alexander Grothendieck)提出以来悬置了 70 余年的经典问题——格罗滕迪克常数(Grothendieck constant ),展开了长达一个多月的高强度人机协同攻关。

清华提出DynamicRubric:评估器协同进化,8B打破70B上限并全量落地微信

针对这一瓶颈,清华大学联合腾讯团队提出了一种全新的评估器与策略协同进化框架—— DynamicRubric 。该研究从概率分配的理论视角,严格证明了候选回复之间的“相对分差”正是驱动策略概率质量转移的本质信号;并据此设计了基于当前候选回复集合动态生成打分细则(Rubric)的双层协同演进机制。

LeakyLMs:通过逐 Token 耗时逆向黑盒模型架构与推测解码

针对这一底层特性,安全研究团队提出了名为 LeakyLMs 的新型侧信道攻击体系。研究表明,攻击者完全无需访问模型权重、激活值或 Logits,仅凭在常规 API 客户端观测连续 Token 之间的到达时间差,就能逆向推导闭源大模型的内部部署优化与网络底层架构参数。

DREvo:不是堆砌历史,而是动态校准!Agent框架自演化提升16.2%

针对这一顽疾,来自香港科技大学、浙江大学、东南大学等机构的研究团队提出了全新的自演化框架 DREvo (Distilling Recalibrated Historical Experience)。该研究指出,历史经验不能被无条件地当作静态真理使用,必须在代码状态演变的过程中被动态“重新校准”。

不是真反思,而是带条件的二次采样:大模型自我修正为何屡屡失效?

这项研究对目前主流的复合 AI 系统设计提出了几项非常关键的工程警示: 1. 警惕“纯文本自反思”的算力浪费 :在没有外部反馈(如代码报错、测试用例、环境状态或知识库断言)的情况下,单凭 Prompt 要求模型反复“自我批评”并不能带来真实的逻辑纠错,在客观任务上它等价于重抽样,在多轮迭代中收...

小模型越修越错?盲抽重试反超Self-Repair,少耗5.5倍Token

实验结果给出了干净的阴性结果:检索并拼接其他任务的成功代码,对当前任务的通过率没有任何统计学层面的影响,性能波动被严格限制在 个百分点以内。这强有力地证实:上下文单纯变长并不会直接摧毁模型的推理能力,自我修复带来的断崖式下跌,完全是由“将自身失败代码作为条件输入”引发的锚定效应所致。

RA-CAD:把代码审查做成内生策略,参数化CAD不可执行率降至6.2%

来自四川大学的研究团队提出了 RA-CAD (ReAct Agent for CAD),从根本上重构了这一范式:研究者不再把执行后审查当成孤立的外部提示,而是将其拆解为智能体策略内部的显式决策动作,通过两阶段优化(CCB 与 FAO)让大模型在同一个交互轨迹中协同进化代码生成能力与自我审查能力。

SeqLLM:微信支付风控落地,大模型如何兼顾序列建模与语言能力?

由腾讯、上海交通大学与香港城市大学联合提出的 SeqLLM 框架直面这一核心矛盾。该研究并不依赖传统“先破坏、再修复”的持续预训练加蒸馏路径,而是通过紧凑的离散字段级词表、文本接地的轻量投影器以及 前缀引导能力注入(Prefix-Guided SFT) 机制。

高出0.4分却贵了1431倍!大模型真能取代Embedding吗?

实验结果清晰地绘制出了适用边界: 在以深度因果与复杂推导为特征的 BRIGHT 基准上,单靠强向量模型第一阶段只能拿到 22.3 的 nDCG@10;而一旦在后端引入 LLM 列表重排,最终得分直接跃升至 35.1。

RPM:Meta让AI研究员学会“挑实验”,节省超1/3算力且刷新两项SOTA

面对这一瓶颈,来自 Meta FAIR、牛津大学以及伦敦大学学院(UCL)的研究团队提出了一个极具针对性的解法: AI 研究偏好模型 (AI Research Preference Models,简称 RPM )。他们没有继续卷代码生成能力,而是将核心突破口放在了“实验筛选决策”上。