#大语言模型

美国政府明确表态支持OpenAI，认为AI训练不侵犯版权，与纽约时报诉讼立场对立。

Julien Chaumond@julien_c11 个信源在谈原文

这篇论文揭示了大模型在多选题中不一致回答的内部机制，通过StateSwap技术证明了不同表述方式会激活不同内部状态。

研究人员提出本体对齐集成框架，通过投票融合不同技术，在多个基准测试中超越单一对齐器性能。

OpenEuroLLM团队开源了预训练研究，揭示了学习率和批量大小如何随模型和数据规模变化。

gpt-5.6-sol单次查询就能生成与专业方法相当的运筹算法，无需人工调优。

大企业内部AI使用真实数据，揭示高级员工如何更聪明地使用AI，以及培训效果有限。

Gary Marcus 指出，网红热议的技术可能只是传统算法，而非大模型。

Gary Marcus@GaryMarcus原文

微信自己下场做模型了，叫WeLM，主打省资源，想看看它跟其他开源模型比有啥不一样的可以关注下。

Geek@geekbb原文

想测 AI 到底懂不懂人心？这个基准用阿瓦隆桌游把心智理论拆成细粒度任务，28 个模型都栽了。

这篇论文提出RAIL，把干预选择当成在线学习问题，让模型在有限预算下学到更有效的rollout，适合做RL后训练的人看。

ORACLE开源了：一个模型按偏好向量调模拟电路，不用重训；2000个用例上比现有方法快20-104倍。

这篇arxiv论文把扩散模型和大语言模型在医学影像里的应用讲得挺清楚，还介绍了基础模型怎么建，适合想了解医疗AI技术路线的人。

想搞清深度模型怎么给出靠谱置信度？这篇把贝叶斯、Dropout、集成、单次前向等方法全梳理了一遍，还讲了各自局限，适合入门和选型参考。

这篇论文提出了DataOrchestra，能针对每个数据样本定制清洗流程，在多个模型和基准上都有提升，还节省算力。

谷歌官宣Gemini 4开练，号称最大规模训练，想看看它能做到多强吗？

官方账号Logan Kilpatrick@OfficialLoganK3 个信源在谈原文

图灵奖得主萨顿批评大模型“弱小不可靠”，阶跃星辰印奇却押注AGI就在眼前，两种观点直接碰撞，值得一看。

想了解怎么让扩散大模型跑得快？这篇综述把加速方法分了三个维度，还给了评测框架，搞推理优化的值得看。

金融欺诈检测的老大难问题有了解法：Semantic Pareto-DQN 不用重采样，直接多目标优化，既能抓到欺诈又少误拦正常交易。

这篇论文提出了一种新方法，可以在模型回答之前就预测它的置信度，比传统方法更准更省计算成本。

DiscoPER能自己挖掘数据规律，在生态基准上检出率接近90%，比传统因果方法好用多了。

这研究把脑机接口的数据量从2000句干到2.2万句，用MEG+深度学习+LLM直接解码脑信号，实打实进步。

AI Will@FinanceYF5原文

这篇论文给Transformer的提示调优、微调等技术找到了数学理论，解释了为什么注意力机制能压缩信息。

这篇论文做了个巴西电商的属性提取系统，用LLM加提示工程比传统NER强不少，还公开了葡萄牙语数据集。

这篇论文用CoT推理帮医学图像分割识别病理不同的病变，比只看像素的旧方法靠谱得多，尤其是处理边界模糊的情况。