#LLM
这篇论文给出了一个很实用的思路：用任务级反馈来动态路由LLM，不用每次调用都做独立决策。在多个基准上同时提升了准确率和速度。
别人用 8 美元的芯片跑大模型，靠的是 Gemma 的分层嵌入技巧。想低成本部署边缘 AI？这个开源项目就是参考答案。
Applied Intuition 的创始人说物理 AI 会比 LLM 更牛，举了机场里卡车司机的例子，视角很接地气。
一个用Claude写Prolog代码并用LPTP证明正确性的实验。有具体的数字和流程，适合对LLM+形式化验证感兴趣的人。
这篇论文用Petri网编排LLM，自动生成并发Rust API的测试用例，比纯LLM生成的更可靠，能挖到深层并发bug。
这篇论文揭示了LLM中一种不易察觉的修辞滥用，并给出了具体测量和缓解方法，适合关注模型文本风格和RLHF影响的读者。
Gary Marcus解释了现在ChatGPT和Claude比两年前强的原因——它们加了层'Harness'变成神经符号系统了。
这是篇讲多智能体LLM安全漏洞的论文，提出ChannelGuard，不额外调用LLM，在Agent间加门控，能防住工具投毒和指令注入，而且实验用了三个不同模型后端，结果很实在。
Meta 砍一半计算单元、减三分之二显存，搞了个专攻推荐系统的定制 AMD 显卡，对大模型反而鸡肋。看看巨头的特殊需求。
这篇论文解决了财务报表欺诈检测的泛化评估问题，用LLM整合文本数据，在CI-FSFD任务上达到SOTA，适合关注AI金融应用和风险检测的研究者。
这篇论文把LLM智能体怎么用在智能电网上讲得很清楚，给出了具体的数字对比，比如EVAgent减少了7.5倍未满足能量，适合做电网AI系统的实践参考。
这篇论文分析了评分RL中信号丢失的普遍问题（57%样本受影响），并提出CriPO自蒸馏方法，在医学和科学基准上效果更好且训练更快。
这篇论文提出了一种在手机上跑大模型的新思路：不加载全部神经元，只算有用的部分。效果不错，内存和计算都省很多，关键是精度没掉。
这篇论文发现Transformer学算术的方式跟人很像，用教人算术的策略来调模型，效果还真不错，想了解LLM推理机制和可解释性的话值得一看。