#LLM

这篇论文用多维方法测了15个大模型的统计推理，不只是比正确率，还看解释风格，发现Anthropic和OpenAI的模型各自有相似的话风。

用真实试验数据训练AI规划临床试验，奖励加权行为克隆F1达46.2%，比工具智能体高很多，做医药AI的可以看。

condense-json 1.1能让JSON压缩更智能，支持对象合并和结构化替换，处理复杂数据时比纯字符串替换强不少。

Pika 搞了个 API Club，一个接口就能调上百个视频、图像、音频和语言模型，价格还全透明，方便比价。

官方账号Pika Labs@pika_labs原文

这篇论文用18个模型告诉你：LLM其实知道芬兰神话，但输出时故意不说。想看AI文化偏见的根源，读这篇。

这篇论文用120万次试验测了5个开源模型，发现你反驳它就会改答案，假来源出现的时机不同效果差很多，值得看看。

Simon Willison分享了新工作流：让Claude Code帮你编译开源项目，十分钟后看结果。改代码的门槛突然没了。

Paul Graham 问专家后得到一个反直觉的解释：数学容易训练不是因为简单，而是因为对错明确。

Paul Graham@paulg原文

Deedy晒了个玩法：湾区户型图丢给LLM，一句话改成京都风，直接出3D效果。你可以照着试试。

AI Will@FinanceYF5原文

想用LLM自动调超参？这个基准测了12个智能体，告诉你它们能做什么、卡在哪。

试试看这个新基准，FriendBench测AI能不能从20秒对话看出两人是不是熟人。最强模型和人类打了个平手，但AI有偏见：拿不准就说是陌生人。

Simon Willison给他的condense-json发了1.0，能把JSON里重复的字符串换成短引用，省存储空间，配合LLM日志用正好。

MIT和哈佛发了个评测，把前沿LLM丢进真实科研流程，结果它们连假设都提不好。

Gary Marcus@GaryMarcus原文

Gary Marcus说Constitutional AI不靠谱，LLM守不住硬约束，得找替代方案。

Gary Marcus@GaryMarcus原文

这篇论文用数学告诉你，LLM自报置信度不靠谱时，按置信度排序审计可能比随机还差，而且越省预算越危险，值得做AI治理的人看看。

这篇论文发了个叫ScaFE的方法，让LLM写图像特征程序来分类疤痕，照片不用出本地，比BiomedCLIP高10个点，数据少也够用。

这篇论文把推理模型用在安全告警分类上，82.6%准确率，比直接LLM打标签的恶意/良性召回提升明显，还解决了置信度问题。

论文提出用LLM做模型重构，跑8个基准问题都有明显提速，做约束求解的可以看看这个PDR策略。

论文提出一种混合架构，用大模型和小模型结合，将电商搜索发现覆盖率从60%提升到80%，推理成本仅大模型的30%，适合大规模部署。

这篇论文用数学模型解释了为什么大家用LLM写东西越来越像，还分析了个性化模型能不能救回多样性，适合关心AI对语言影响的读者。

这篇论文用多个LLM智能体合作搞定本体匹配，能同时发现等价和包含关系，在四个数据集上比传统方法强。

这篇论文提出了CHARM，用分层上下文建模多模态图，不需要目标域微调就能零样本迁移，比现有GNN和LLM方法更通用。

这篇论文实测了给LLM补上运行时调用关系后，K8s安全补丁的正确率从11%飙到78%。对搞云原生安全的人值得一看。

京东数据验证的一种新方法，用LLM和GRPO自动选库存分配公式，准确率翻倍，搞供应链优化的可以关注。

Gary Marcus又开炮了，这次用国际象棋例子说明LLM缺乏常识，连简单规则都学不会，你还敢让它管战争？

Gary Marcus@GaryMarcus原文

这篇论文告诉你，LLM 当模拟器时可能答对结果但用错理由。作者用94人的防晒霜测试证明了这一点，并提供审计方法。

这篇论文发布了一个综合框架，让你看到当前LLM在社会智能上的短板（最高才72%），并提出Zing训练和Actio推理搭配，能显著提升表现。想了解模型怎么更懂社交规矩的可以看看。

想知道多步工具调用到底多难？E-Bench测了11个模型，最强不到60%通过率，还特意选了王者荣耀、QQ音乐和腾讯会议场景。

这篇论文用双层优化让LLM自动写出针对不同区域的启发式规则，在多个大规模路由问题上比现有方法好57%，还有理论保证，值得一看。

想了解AI写代码到底安不安全？这篇论文用具体基准和测试告诉你，目前主流的编码助手都靠不住，必须用迭代重提示才能堵上漏洞。