论文

MIT团队推出代理式数据破解技术，让AI代理在回答问题时顺便结构化数据，大幅降低推理成本。

TASPO解决了智能体政策优化中的监督-信用差距问题，让特权信息只重新分配行动间的信用，不改变整体更新方向。

ZJU团队推出AutoSciRub，让AI研究代理先定标准再执行，在多个基准测试中显著提升研究质量。

发现大模型推理失败不等于能力缺失，用简单方法就能恢复被掩盖的内部逻辑。

OpenAI等公司AI临床笔记系统存在信息遗漏问题，新方法能更准确检测遗漏内容。

研究者提出LLM自我建模评估基准，用合成数据提升模型自我认知能力，但不构成真正的内省。

这篇论文展示了对比强化学习通过动作块建模获得显著性能提升，揭示了动作块携带更多目标信息的新机制。

研究人员提出PLC-DPO，能校正噪声偏好数据，在57个测试单元中胜率超DPO 5个百分点。

这篇论文揭示了角色扮演越狱如何绕过AI安全机制，找到了具体的安全防护目标。

PAC方法解决了LLM多任务RL中任务分配问题，结合优势信号和实际奖励增益，提升训练效率。

OpenAI兼容API的令牌计数能识别共享标记化堆栈，但不能单独用于确定模型家族关系，Qwen 3.8和DeepSeek V4变体测试低于阈值。

MIOH基准帮你看清多模态模型在复杂视觉推理中的真实表现，GPT-5和Gemini-2.5-Pro也不例外。

这篇论文用几何方法追踪LLM推理轨迹，能提前发现错误路径，提升任务成功率还降低token成本。

BiG-SURE能帮你评估黑盒大模型的不确定性，无需访问模型参数，简单实用。

MIT学者发现合成数据能偷偷给AI注入偏见，即使数据本身看起来完全无害。

这篇论文教你如何用模型检查方法自动验证LLM生成的解释是否可靠，比随机测试发现更多问题。

SNU MLLab团队发布Q-Strata，解决了MoE模型混合精度量化的难题，比现有方法性能更好。

AdaPath 解决了生物医学知识图谱问答中的路径查找难题，在复杂查询中表现优异。

CHAP框架解决了生成检索的语义鸿沟问题，通过层次语义对齐和残差级联生成，提升个性化检索效果。

这篇论文展示了如何用LLM做可追溯的主题分析，工作流程透明，还能保护隐私。