#LLM

用LLM别想一步到位，得懂业务。老手的经验，新手值得看。

elvis@omarsar0原文

Fable 这个 LLM 自己找到了一个复杂数学猜想的反例，比很多基准测试中的题目难得多，值得关注。

elvis@omarsar0原文

这篇论文测了11个开源模型做漏洞结构化的效果，Gemma-4-31B和Codestral-22B组队挺有意思，做安全情报的可以看看F1分数。

这篇论文从信息瓶颈角度讲清楚了多智能体系统在什么时候比单智能体更有优势，还通过18个实验验证了弱模型受益多、强模型受益少。

这篇综述把LLM智能体怎么用在5G/6G网络上讲清楚了，覆盖架构、协议和标准化，做通信AI的可以看看。

想看看AI能不能做商业案例分析？这个新基准直接给模型打分，结果挺有参考价值。

想快速搭LLM或RAG应用？这份列表精选10个开源无代码工具，每个都标了许可证和适用场景，省得你一个个试。

官方一手marktechpost@Michal Sutter原文

Simon Willison 用 Fable 5 搓了个小工具，专门高亮 LLM 文章里那些“无废话、无填充”的套路句，一共 10 种模式，对付一眼 AI 文很好用。

这篇论文用大量模拟数据告诉你，当前AI基准里的IRT方法可能不可靠，尤其模型少项目多时，别盲目信排名。

这篇论文提出 Deep Interaction，让你可以直接改推理步骤的错误，不用推倒重来。实验说 STEM 任务上纠错成功率涨 25%，token 还省 40%，挺实用的方法。

这篇论文用原子动作来编舞，比直接生成连续动作更可控，效果也更自然，做AI舞蹈生成可以看看。

这篇论文深挖了一个漏洞：计划评估器可能因为计划含糊就给高分。他们用数学证明并在26条路线上验证了。搞LLM安全或评估的值得一读。

这篇论文用因果干预把LLM的内部报告拆解成抵抗压力和更新证据两个维度，在测试中做到满分，比一般对齐方法更扎实。

这篇论文告诉你：给代码自动取名时，先写摘要再命名比直接硬猜更靠谱。他们用DeepSeek做评估，效果比传统指标好十倍。

想测AI的记忆系统到底靠不靠谱？这个新基准MemOps把记忆拆成6种操作来测，比只看最终答案准多了，搞记忆研究的必读。

这篇论文解决了自进化AI的一个核心漏洞：没有可靠指标怎么办。他们让指标和技能一起进化，在多个基准上验证了有效性，还能防作弊。值得研究Agent自改进的人读一读。

这篇论文用Elenchos框架测了LLM的溯因推理，发现模型能发现异常但猜不准具体改了啥，挺有意思的。

DeepMind 这篇论文告诉你，别被路由器的漂亮数字骗了——模型都答一样或乱分配，路由就是摆设。

elvis@omarsar0原文

想了解LLM怎么学会自我反思？这篇综述盘点了最新进展，包括怎么测量和提升元认知，对研究AI透明度很有参考。

这篇论文验证了旧的教学反馈分类协议是否还能用，发现即使用最新的LLM也不一定有优势，选什么模型看预算就行。

这篇论文用具体实验证明，多智能体系统里单独检查每个智能体的信息根本不够，分布式后门能让所有局部检查都正常，但组合起来就成攻击了。

这篇论文用10个真实bug和5个流行LLM测试了它们能否直接从业务需求写测试断言，发现效果还行但差异大。如果你想了解LLM在自动化测试中的实际能力，这篇值得看看。

一篇论文搞了个模块化框架，用沉思原则来评估和提升LLM在心理健康领域的对齐，还能套用到其他领域。

论文用实验告诉你，4比特量化的LLM最靠谱，比8比特还稳，想省资源又想要可靠性可以照这个选。

这篇论文提出了一种更聪明的掩码方法，解决了PPO和DPPO在方向判断上的不一致，让LLM强化学习训练更稳定高效。

LlamaIndex 创始人聊数据策略：别费劲训练模型，把数据做成上下文技能更划算。

Jerry Liu@jerryjliu0原文

这篇论文找到了一个用LLM做观点摘要的新路子，能省下不少token，还能保留不同人的真实观点，比常规摘要方法更靠谱。

这篇论文提出了WAG方法，能精准定位LLM中那些一旦改动就会崩掉的关键参数，比传统重要性指标更灵敏，还顺手解决了专家分配、遗忘、量化等实际问题。