#大语言模型

医生和做医疗 AI 的人都该看看：这篇 npj Digital Medicine 论文用动态提示词让 LLM 读病历预测癌症患者结局，方法直接可用。

npj Digital Medicine@Hui Lin原文

这是篇关于如何解决大语言模型强化学习不稳定问题的论文，作者提出了一个叫“分数中心化”的新方法，在实验中效果不错，对做相关研究的人可能有参考价值。

这个方法挺实用的，专门针对金融文档处理，能自动批准更多字段，减少人工审核，提升效率。

这是篇关于大模型内部工作机制的论文，作者发现了一种新发现的神经元功能，可能会帮助理解模型的行为模式。

朋友，这个研究挺有意思，作者不是直接教模型怎么拒绝有害指令，而是反过来，用一些故意有误导性的问题来训练模型，让它学会“留个心眼”，这样在遇到真正的安全威胁时可能更不容易被绕过。

这篇论文提出了一种新的模型蒸馏方法γOPD，它通过引入折扣时间信用分配来平衡长时程监督和优化稳定性。实验表明，该方法在数学和代码推理任务上，比现有方法有更稳定的提升效果。

这个方法挺有意思，不用改模型权重就能移除特定知识，在DeepSeek和Gemma上效果还不错，感兴趣的可以看看。

朋友推荐：新开发的K-Bench基准专门用来测试AI在处理高风险心理健康对话时的表现，能帮你了解不同模型在应对自杀、自残等场景时的能力差异。

朋友间推荐：新研究发现了大语言模型绕过安全监控的漏洞，方法挺有意思，值得看看。

朋友A对朋友B说：刚看到个挺有意思的论文，叫MoARa，是DeepSeek团队搞的，专门针对大语言模型训练优化，能让训练速度提升37%，时间缩短34%，挺实用的。

朋友A发现了一种新方法，能让像Pythia-2.8B这样的模型生成更短的回答，而且效率很高，只改了很少的参数。

护理领域有了专用大模型EviNurse，能提供循证护理决策支持，比通用医疗AI更专业。

npj Digital Medicine@Weijie Xing原文

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AI模型如何应对用户质疑，不同模型在权威转移和坚持原主张上的差异很有意思。

ACE让MoE模型能智能跳过冗余专家，无需重新训练就能提升效率，在Qwen3.6-35B-A3B上效果显著。

这篇论文揭示了大模型预训练中知识获取的关键机制，解释了为什么数据多样性重要。

OpenAI新研究揭示OPD只需少量数据就能接近全数据效果，算法效率比数据量更重要。

研究将LLM与本体排序器融合，提升罕见病诊断准确率，同时保留可追溯的证据链。