论文

这篇论文展示了如何将主动学习和模型剪枝结合，无需额外计算成本就能获得稀疏模型，解决了主动学习在大规模架构上的计算瓶颈问题。

VSCP方法解决了3DGS的不确定性量化问题，在保持高覆盖率的同时显著减少计算量，提升渲染效率。

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。

PHER解决了表格数据特征变换的三个关键局限，代码已开源在GitHub，适合做表格数据预测的研究者和工程师。

这篇论文揭示了Transformer内部工作原理，展示了如何直接读写模型组件，对理解模型机制很有价值。

清华团队提出CoGe-GCD，解决GCD方法难以泛化到新组合的问题，代码已开源。

研究人员提出CompassOPD解决跨家族模型蒸馏效果差的问题，比标准方法提升推理准确率5.5点。

欧盟AI法案实施后，AI文本水印无法验证的问题被研究，实测发现水印效果存疑且检测困难。

这篇论文提出了一个新框架，让多模态大模型通过对比学习超越表面模仿，在VQA等任务上表现更好。

新系统让AI助手共享用户记忆，GPT-4o等模型个人化分数提升2-4分，响应速度提高15-61%。

AgentAudit能全面评估AI智能体表现，发现任务完成表现相似但信任度差异巨大的模型，比传统通过/失败基准更精准。

清华团队发现预防性转向依赖主动适应而非静态防御，提出新方法提升模型安全性。

AutoTrans能自动将RISC-V安全断言从一种架构翻译到另一种，比人工翻译快且准确，解决了LLM翻译的幻觉问题。

这篇论文提出了CST方法，能让循环模型在超出训练长度128倍的情况下仍保持良好性能。

这篇论文提出ERPO方法，解决了代码生成中TTRL的奖励信号问题，在编程基准测试中大幅提升性能。

这篇论文揭示了神经网络训练中学习率与权重衰减的精确相互作用规律，能直接控制训练过程。

求是引擎用DeepSeek-v4pro-preview模型在AstaBench测试中表现优异，完成率是官方最佳记录的3.3倍。

斯坦福团队提出程序图，让LLM智能体像知识图谱一样组织行动知识，能自动优化决策流程。

NOAH模型能处理医疗图像、时间序列、数值信号等多种医疗数据，实现患者状态预测和反事实干预模拟。

微软新框架让测试和修复各司其职，Qwen模型组合在代码修复任务上突破72%成功率。

MeClear解决了LLM智能体长交互中的记忆污染问题，通过智能清理冲突记忆，显著提升任务完成率。

研究人员提出了S3KG评估方法，能更准确衡量大模型在问答任务中的上下文理解能力。

这篇论文揭示了机器遗忘评估中的BatchNorm伪影问题，用10张无标签图片就能恢复大部分被掩盖的准确率。