Pictura：告别开挂上帝视角，500亿步透视自博弈零样本反超特权模型
在自动驾驶的研究版图中，强化学习（RL）特别是基于多智能体自博弈（Self-play）的方法，一直被视为打破传统离线人类驾驶模仿学习天花板的一把利剑。离线模仿学习极度依赖昂贵的实车采集数据，并且天然受困于协变量偏移（CovariateShift），一旦模型自己走出没见过的危险轨迹，往往束手无策...
基础模型 第3页
LoopArena：大模型当“项目经理”调度Agent，长程任务最高成功率仅24.69%
在软件工程智能体（CodingAgent）的演进过程中，从业者的交互模式正在发生一场深刻的范式转移。过去，开发者习惯于紧盯智能体的每一步输出，手工审查终端报错，并不断微调输入提示词。
从选题目到选方向！CMU等提出FAR框架：77项数学新解直面专家评审
大模型解决一道给定的数学竞赛题或验证一个形式化命题，已经屡见不鲜。从Putnam竞赛基准到各类形式化证明系统，AI的推理能力在快速逼近人类顶尖水平。然而，在真正的数学前沿研究中，这种“人出题、AI做题、人复核”的单题交付模式正迅速遭遇天花板。瓶颈不在于做题的速度，而在于题目从哪里来以及做完之后...
PSE：Agent工具污染机制，南加大评估24款模型最高放大1.9倍
在构建和部署大语言模型智能体（Agent）系统时，开发者往往依赖一个核心假设：当一次智能体会话结束时，系统的运行状态会随之清零，或者仅仅保留被显式存入记忆模块的数据。基于这种假设，工具注册表会被清空，事件订阅会过期，中间计算过程会彻底消失。
Twin：测试时生成世界模型，未知游戏得分跃升至93.3%！
当你将一个前沿大语言模型直接丢进一个完全未知的游戏环境中，不告诉它规则，也不告诉它怎么算赢，它能通关吗？在这个名为ARC-AGI-3的交互式网格世界基准测试中，即使是强大的GPT-5.6Sol模型，在直接游玩时的得分也仅有惨淡的7.8%。
OpenAI发布GPT-Red：最大规模自对弈红队模型，对抗练出GPT-5.6！
在大型语言模型（LLM）走向智能体（Agent）化、深度介入现实业务的过程中，安全防御一直是悬在开发者头顶的达摩克利斯之剑。传统的安全训练往往依赖人类组成的“红队”（RedTeam）来测试模型的漏洞，或者收集有限的攻击数据集进行强化学习（RL）对抗训练。
EvoX Genesis：持久递归世界机制，44美元自主生成25万行代码
在复杂软件系统的生命周期中，存在一个基础却常被忽视的矛盾：软件项目的存活时间，远远超过任何单个代码贡献者的参与周期。当大语言模型被引入代码生成领域时，当前的智能体开发范式几乎都在试图解决一个死胡同般的问题——如何让Agent拥有更长的上下文、更持久的记忆或更全局的管理者权限，以维持开发过程的连贯性。
RST：递归合成长周期任务，0.05美元生成3.7万验证数据！
在大型语言模型向复杂智能体（Agent）演进的过程中，模型需要从单纯的“一次性文本生成”转向能够在真实或模拟环境中执行长周期多步骤任务。特别是在基于终端（Terminal）的任务中，智能体需要协调代码库上下文、命令行交互，并在漫长的执行周期中不断根据反馈进行调整。
StateM：扩展控制层，终端代理精度达95.3%且成本直降38倍！
在评估复杂任务中的大语言模型智能体时，研究人员经常观察到一种极具启发性的失败模式：底层的语言模型明明具备解决任务每一个局部步骤的能力，但整个智能体运行却依然走向失败。
WebRider：99%完成率仅38%合规？Google用意图契约解决Agent过程失控
当我们在评价一个WebAgent（网页智能体）有多聪明时，通常看的都是它能不能把任务干完。如果让它去买一台相机，只要它最终在一个电商网站上找到了商品并点击了购买，现有的评测基准往往就会给它打个满分。
Princeton揭秘ICL双重机制：4大算法相与2大临界边界！
现代大语言模型展现出了一种被称为“上下文学习”（In-ContextLearning,ICL）的非凡能力。当给定少量的示例或部分序列时，一个参数已被冻结的Transformer能够推断出生成数据的隐藏规则，并将其应用于新的输入，而无需进行任何昂贵的梯度更新。
牛津大学等提出GCTM-OT：结合LLM目标提示与最优传输重塑主题模型！
在海量文本数据中提取核心信息时，主题模型（TopicModeling）一直扮演着关键角色。从经典的隐狄利克雷分布（LDA）到近年来基于深度神经网络甚至大语言模型（LLM）的进阶方案，现有的主题建模方法在不断提升统计学意义上的连贯性。
CAG：解耦探索与承诺，微软北大让大模型长文事实性提升13%！
大型推理模型（LargeReasoningModels）如DeepSeek-R1和GPT-5正在以前所未有的速度重塑复杂任务的解决边界。然而，当这些庞大的模型在生成长篇幅回答时，幻觉问题依然是悬在真实落地应用头顶的达摩克利斯之剑。
RCWT：揭秘任务预算位移！95%协调比例下模型未受语义干扰
在当今的大语言模型（LLM）应用中，开发者正试图将越来越多的信息塞进单次API调用里。尤其是多智能体（Multi-agent）系统和增强记忆的架构，其Prompt中往往充斥着大量的协调内容——包括智能体间的历史对话、共享状态、工具输出结果、记忆摘要以及极其详尽的角色设定。
不是分散日志，而是持久化知识：LLM工作流语义框架
大语言模型（LLM）的应用正在发生一场不可逆转的结构性转变：从简单的单轮提示词（Prompting），全面转向由工具调用、检索、分支、检查点和人工审批构成的显式工作流（ExplicitWorkflows）。
千亿参数的基石：预训练基础模型(PFMs)跨模态演进全解析
深度学习的演进史上，很少有技术能像如今的大模型这样，在短短几年内彻底重塑整个行业的底层逻辑。过去，研究人员习惯于针对单一任务从零开始训练模型；而现在，整个AI界都在拥抱一种全新的范式：“预训练+微调”。
告别Prompt玄学！ACDL：首个定义Agent动态上下文的标准语言
在构建复杂的大语言模型系统中，开发者常遭遇一个幽灵般的工程难题。看似相同的系统架构，实际运行时的智能表现却大相径庭。这种差异的根源，往往隐藏在系统与模型交互的上下文结构中。随着多步推理和工具调用的普及，提示词早已不再是静态的文本。它变成了一个随着时间线动态演进、不断累积历史信息的复杂组合体。
揭秘大模型“挑食”法则：11PB海量预训练数据如何精准提纯？
当前大语言模型的惊人突破，无一例外地建立在海量无监督文本的“投喂”之上。仅以知名的CommonCrawl为例，其包含了自2008年以来抓取的超2500亿个网页。这些未经雕琢的原始数据总量高达惊人的11PB，并且每月还在以数十亿的速度膨胀。然而，将所有可获取的数据毫无保留地塞进神经网络，真的是一...
大模型为何总盯“废话”？全景解析Transformer注意力沉没(AS)的4大利用范式
当我们在跟大语言模型对话，或者让视觉模型识别图像时，它们的注意力真的都放在你精心准备的提示词或核心物体上吗？事实并非如此。研究人员发现了一个极其反直觉的现象：无论模型多么先进，它们总是会将海量的“注意力”倾注在毫无语义信息的“废话”上。
打破上下文瓶颈：7B模型狂砍8倍Token，记忆管理匹敌GPT-4o
当前，各大AI厂商都在疯狂内卷大语言模型的上下文窗口长度，百万级Token的输入似乎已经成为前沿模型的标配。然而，仅仅给模型塞入海量的上下文，它就真的能完美处理长周期的复杂任务吗？
告别记忆污染！GAM分层图记忆让Agent长程推理提升86%
当前的大语言模型虽然能在单次对话中对答如流。但一旦进入长期交互，它们常常会陷入“记了新的，忘了旧的”的窘境。现有的记忆系统大多采用统一流式更新。这意味着每一次日常闲聊的噪音，都可能直接污染已经建立的核心知识库。如何让Agent既能快速吸收新信息，又能稳固保持长期记忆？
谷歌Gemini 1.5硬核解析：挑战1000万Token上下文，解锁多模态推理新极限
大模型领域的“军备竞赛”正从参数量向上下文窗口急剧转移。当业界还在为几十万Token的窗口欢呼时，谷歌丢出了一枚重磅炸弹。该研究正式推出了Gemini1.5系列模型，最高支持令人咋舌的1000万Token的上下文。这意味着什么？它能一口气吞下长达107小时的音频数据。
HarnessBridge：重塑Agent交互，Token骤降90%还能涨点
随着上下文窗口越来越长，大模型在长周期任务中依然常常迷失。它们要么被历史交互中堆积如山的无效信息淹没，要么陷入死循环，疯狂消耗宝贵的API额度。过去，为了解决这个问题，开发者们通常会手写一套复杂的脚手架（Harness）代码。这些脚手架负责截断上下文、重试错误、解析输出。
吞吐量飙升3倍！I-DLM破局并行解码，媲美同级自回归质量
大语言模型的世界一直被逐字生成的自回归机制统治。虽然扩散模型承诺了令人兴奋的并行生成前景，但它们在文本质量上始终无法与自回归模型抗衡。为什么扩散模型在图像领域大杀四方，在文本生成领域却总是“差一口气”？