#LLM

Pragmatic Engineer 博主 Gergely Orosz 说了句大实话：现在面试都默认你会用 LLM 写代码，不想用 AI 的工程师等于主动放弃 99.9% 的公司机会。

Gergely Orosz@GergelyOrosz原文

用 LLM 给医学在线课程作业打分，再用真人评分校验，研究流程写得挺细，做教育或医学内容评估的可以参考。

npj Digital Medicine@Amir Bahmani原文

想用 LLM 智能体做黑盒优化的可以看看，五个领域统一评测，还拆了哪些设计选择真有用、哪些是伪收益。

这篇论文研究了LLM价值对齐的泛化预测，用激活状态表示比文本描述效果好9倍，还能评估多价值目标的鲁棒性。

把 LLM 和电池领域规则结合做 SoH 预测，误差最多降 37.3%，做电池管理方向的研究者可以看看。

arXiv 上新出的 PHRBench，测 18 个模型怎么在推理途中纠正幻觉前提，还发现提示特征能预测能否翻盘，做评测的可以看看。

arXiv 上的新论文，教长期智能体把过往推理经验压成一个轻量策略，实验里把 DeepSeek 的推理 F1 从 0.789 拉到 0.868，做智能体记忆的可以看看。

Nature 子刊发的实证研究，看普通人怎么拿 ChatGPT 这类模型解读自家心电图，交互数据很真实。

npj Digital Medicine@Shenda Hong原文

新加坡国立和 collaborators 出的一篇论文，教模型从一堆论文里提炼新研究点子，训练加检索两条路分开验证，做科研 AI 的可以看看思路。

用 LLM 扮演不同类型的学生，让教师模型通过强化学习直接优化学生成绩，教学得分从 52.5% 拉到 79.2%，做 AI 教育的可以看看。

给智能体加水印，工具改名或观察被改写后老方法基本失效，SBW 把检测率拉到 0.9 以上，还坦白了没防住的攻击。

用多智能体加RAG写甲亢病历，能把事实幻觉压得很低，做医疗文本生成的可以看看。

npj Digital Medicine@Gang Chen原文

levelsio 想在葡萄牙用带 LLM 的 Alexa+，可惜还没上线，看看大家有没有绕过地区限制的办法。

Pieter Levels@levelsio原文

用大模型分析慢性疼痛患者的讲述，把口语叙述变成可量化的认知指标，还验证了效度，医疗 AI 方向可以看看。

npj Digital Medicine@Paul Geha原文

做芯片验证的朋友可以看看，这篇用 SQLite 加多智能体把波形调试从手动翻日志变成自然语言查询，150 条查询准确率 95% 以上。

做自我进化 agent 的可以看看：不用改算法，套个统计检验就能让系统自己判断什么时候停止迭代，省 91.6% 的 token 还不掉点。

写给数值计算背景的人看的 LLM 综述，从 QR 算法一路讲到 Transformer 里的矩阵方法，能把两个领域的桥接讲清楚。

论文测了 4 个模型、2.2 万条标签，发现 LLM 在监管规则上判断不可靠，还给出 CoVer 这个修复方案，做合规验证的值得看看。

PaSS 不训练模型，用 INLP 在推理时把人格拆成多维子空间来放大或抑制某种特质，在 MATH-500、GSM8K 上验证比单方向激活导向更细。

多智能体协作大多在信息全局可见的假设下测，这个基准专门测每个 agent 只能看到局部信息的情况，还开源了代码，做多智能体系统的可以拿来自测。

Gary Marcus 用掷骰子和 rand() 函数抬杠，讽刺“随机性等于意识”的说法，顺带点名众议员 Lieu，挺好笑又说到点子上。

Gary Marcus@GaryMarcus原文

Maluuba 那帮人出来创业了，说 LLM 规划能力不行，改做能推演公司决策后果的世界模型，思路挺不一样。

rohanpaul_ai@rohanpaul_ai原文

把复杂任务拆成图后该派给哪个模型干？这篇论文给出了一套边执行边验证的在线调度方法，成本延迟降了 3 倍多。

一篇把 LLM 智能体用在自然灾害分析上的论文，亮点是让智能体自己判断该用哪种科学方法，还配套了 141 个实例的基准，代码开源可以直接跑。