LLM 相关 AI 资讯

论文11:26

大语言模型自动评分Linux/bash考试：四级认知分类方法

想用AI批改Linux命令作业？试试Gemini 3.0 Pro加评分rubric，人机一致性高达0.888。

#LLM #Gemini #Claude Opus #自动评分

事件专题

arXiv cs.AI@Manuel Alonso-Carracedo 等 5 人2 个信源在谈原文

论文 Agent 与开发者11:24

DecompRL: 用强化学习学习模块化代码生成，解决更难的编程问题

这篇论文教你用强化学习把难题拆成小模块再拼起来，Qwen和Code World Model上测试比传统RL省50倍算力，还能解原本解不出的题。

#DecompRL #强化学习 #代码生成 #LLM

arXiv cs.LG@Juliette Decugis 等 5 人原文

论文10:05

端到端自主研究：从物理文献到论文的容错LLM流水线

这篇论文展示了一个真正端到端的自主科研代理，从读论文到写论文全自动，还能发现新的物理现象，值得科研人员看看。

#LLM #自主研究 #容错 #计算物理

arXiv cs.AI@Haonan Huang原文

论文09:53

Bias-Aware Bayesian Active Top-k Ranking with LLM Judges

用贝叶斯方法修LLM当裁判时的废话偏好和位置偏差，实测召回从0.5拉到接近1，比直接投票靠谱多了。

#LLM #Claude #GPT #DeepSeek

arXiv: DeepSeek@Jian Xu 等 4 人原文

论文 Agent 与开发者09:47

多轮LLM编程对话中的回归累积问题研究

这篇论文揭示了多轮编程时模型容易忘掉之前写对的东西，甚至四成以上任务会翻车。他们发现一个验证门控策略能显著改善，值得做AI编程工具的人看看。

#LLM #编程助手 #回归累积 #DeepSeek-V3

arXiv: DeepSeek@Yonghui 等 7 人原文

论文精选09:43

BOUNDARY_SYNC: 测量多智能体LLM系统中通信引起的表示耦合

这篇论文用BOUNDARY_SYNC协议发现LLM智能体交流越多想法越趋同，对设计多智能体系统很有启发。

#BOUNDARY_SYNC #GPT-4o #LLM #多智能体

arXiv: DeepSeek@Zewen Liu原文

论文09:05

DALorRA: 贝叶斯稀疏低秩适应用于LLM不确定性估计

DALorRA让LLM微调不再过度自信，用稀疏低秩适应提升校准，还不损失推理能力。

#DALorRA #LoRA #LLM #不确定性估计

arXiv cs.LG@Jijie Zhang 等 4 人原文

技巧 Agent 与开发者07:15

Simon Willison用Fable一次生成CLI编程代理

Simon用Fable一次就写出了个CLI编程助手，基于他写的LLM Python库，挺酷的。

#Fable #LLM #CLI #编程助手

官方账号Simon Willison@simonw原文

产品 Agent 与开发者精选06:54

llm-coding-agent 0.1a0 发布：基于 LLM 的编码代理

Simon 用他的 LLM 库搞了个编码代理，能读写文件、跑命令，还支持 TDD 开发流程，很实用。

#llm-coding-agent #LLM #编码代理 #Simon Willison

官方账号Simon Willison’s Weblog原文

行业03:11

LLM token 是思维的卡路里

这个比喻很形象，帮你一秒理解token的本质。

#LLM #token #比喻

李继刚@lijigang_com原文

论文11:15

MPLM：消息传递机制实现高效LLM推理

这篇论文解决了LLM推理的计算瓶颈，用消息传递代替长链条，在数独和SAT上效果显著，对关注推理效率的人值得一读。

#MPLM #推理模型 #消息传递 #并行推理

arXiv cs.LG@Xuecheng Liu 等 4 人原文

论文11:08

Measuring the Gap Between Human and LLM Research Ideas

这篇论文用一套严谨的方法测出了LLM和人类科研人员在脑洞上的真实差距，发现LLM的想法集中但套路化，和人比还是有明显偏差。

#LLM #研究想法 #论文 #人类

arXiv cs.AI@Ziyu Chen 等 3 人原文

论文73°11:06

AutoMem：将记忆管理作为可训练技能自动化学习

想让你家 32B 模型在长任务上干翻 Claude 和 Gemini？试试 AutoMem——不动任务行为，只优化记忆管理，效果翻倍。

#AutoMem #LLM #记忆管理 #长周期任务

事件专题

arXiv cs.AI@Shengguang Wu 等 5 人2 个信源在谈原文

论文76°11:01

Distill to Detect：通过Cartridge蒸馏暴露LLM隐蔽偏见

Arxiv新论文发现LLM隐蔽偏好很难查，D2D方法把隐藏偏差放大到文本可见，适合做审计工具。

#LLM #Distill to Detect #Cartridge #AI安全

arXiv cs.AI@Shayan Talaei 等 6 人原文

论文10:14

基于RAG的多模态大学聊天助手开发研究

这篇论文介绍了一个大学多模态聊天助手，用RAG把幻觉从31.7%压到6.6%，还能处理图片提问，代码也开源了。

#RAG #多模态 #LLM #FastAPI

arXiv cs.AI@Md Abu Hanif Shaikh, Abdullah Al Shafi原文

论文10:41

RLMF：强化学习与元认知反馈使LLM忠实表达不确定性

这篇论文提出了RLMF方法，让LLM学会说“我不知道”，比普通RL方法效果提升63%，解决了模型过度自信的问题。

#RLMF #LLM #元认知 #模型校准

arXiv cs.AI@Gabrielle Kaili-May Liu 等 5 人原文

论文10:40

LLM读取表格时易犯数据引用错误：测量与减少

论文系统测量了LLM读表格犯数据引用错误的频率，还训练了个4B批评模型能查出这些错，推理准确率提升12%。适合做表格推理的开发者看。

#LLM #表格数据 #数据引用错误 #批评模型

arXiv cs.AI@Yuqing Yang 等 8 人原文

论文政策与合规10:34

PolicyGuard：从组织政策到神经符号合规审查引擎

Paper提出PolicyGuard，能把公司政策转成可执行的规则，用LLM和符号逻辑做合规审查，比纯端到端更透明、好维护。

#PolicyGuard #合规审查 #神经符号 #文档分析

arXiv cs.AI@Sameer Malik 等 3 人原文

论文09:28

InterFLOPBench: LLMs浮点错误分类F1超0.88

这篇论文搞了个InterFLOPBench，专门测LLM找C语言浮点bug。Qwen 3和Gemini 2.5等模型表现最强，F1超0.88。写代码的必看！

#InterFLOPBench #LLM #浮点错误 #基准测试

arXiv: DeepSeek@Lisa Taldir 等 5 人原文

论文15:16

不确定性感知的LLM决策算法研究

这篇论文教大模型在不确定时怎么选策略，辅导学生或写评审都管用，贝叶斯方法比保守方法更聪明。

#LLM #贝叶斯决策 #共形预测 #不确定性量化

arXiv cs.LG@Nico Daheim, Iryna Gurevych原文

技巧 Agent 与开发者14:55

解码流程三步：Conformer→Aligner→LLM端到端训练

看看这个解码思路：Conformer干识别，Aligner对齐，LLM重构，全端到端，比人工规则强。

#Conformer #Aligner #LLM #解码流程

AI Will@FinanceYF5原文

论文13:54

WorldEvolver：自进化世界模型提升LLM智能体规划

WorldEvolver通过三种记忆模块让智能体的世界模型在测试时自我进化，在ALFWorld和ScienceWorld上预测准确率最高，下游成功率也领先其他方法。

#WorldEvolver #LLM #世界模型 #智能体规划

arXiv cs.AI@Xuan Zhang 等 4 人原文

论文精选13:46

DOPD：双重同策略蒸馏方法提出，解决特权幻觉问题

这篇论文提出了一种新蒸馏方法DOPD，通过分令牌监督解决特权幻觉，在LLM和VLM上效果都更好，适合关注模型压缩的研究者。

#DOPD #LLM #VLM #蒸馏

arXiv cs.AI@Xinlei Yu 等 16 人原文

论文13:41

探究LLM代码漏洞检测中的认知启发

想知道LLM有多容易受骗吗？这篇论文用实验告诉你，LLM检测漏洞时跟人一样有认知偏差，改个上下文就能让它放跑97%的漏洞。

#LLM #代码漏洞检测 #认知启发 #光环效应

arXiv cs.AI@Asif Shahriar 等 5 人原文

论文11:41

PromptGNN-sim：GNN与LLM深度融合框架用于文本属性图学习

这篇论文给出了一个让GNN和LLM真正协作的新思路——用图结构信息去构造提示词，再反过来优化图模型。实验扎实，覆盖6个数据集，比现有融合方法都强。

#PromptGNN-sim #GNN #LLM #图学习

arXiv cs.AI@Zhifei Hu, Alexandra I. Cristea原文

模型 Agent 与开发者10:11

LLM的奇怪特性：越大越通用，编程和伦理建议都受益

LLM越大越全能，编代码和讲道理一起涨——但写小说可能反而会翻车，挺有意思的。

#LLM #模型通用性 #规模定律 #多任务学习

Ethan Mollick@emollick原文

论文多源确认10:10

LLM作为调查替代品的品味偏差研究：系统正偏与结构缺失

这篇论文揭示了用AI模拟人类文化品味时的三个致命缺陷：过度喜欢、关系缺失和社会偏差。做市场调研的人最好先读一读。

#LLM #文化消费 #硅样本 #调查偏差

事件专题

arXiv: OpenAI@Xiangyu Ma 等 4 人10 个信源在谈原文

模型17:55

用户评价FunASR：性价比超Whisper，配合LLM修复可解决精度问题

有实测用户说FunASR比Whisper更值，精度不够时加个LLM就能补上，做中文语音识别可以试试。

#FunASR #ASR #语音识别 #LLM

Yangyi@Yangyixxxx原文

行业13:48

LLM UI/UX第三次重大变革：智能体协同系统

K神提出了新的LLM交互思路，作者已经用Pi搭建了能按群组定制的智能体系统，对企业协作很有参考价值。

#Pi #智能体 #LLM #协同

岚叔@lufzzliz原文

技巧 Agent 与开发者11:57

LLM默认使用React的倾向降低了？Simon Willison的观察

Simon Willison分享了一个省事小发现：现在LLM写前端默认React少了，你少写一句提示词。

#Simon Willison #LLM #React #前端开发

官方账号Simon Willison@simonw原文

行业12:58

Gary Marcus 在金融时报称规模化无法解决AI准确性根本问题

Gary Marcus 在金融时报上警告AI泡沫，说超大规模投资可能是历史最大失误之一，值得一读冷静一下。

#Gary Marcus #Financial Times #LLM #AI泡沫

Gary Marcus@GaryMarcus原文

行业11:54

Gary Marcus警告AI泡沫破裂后硬件贬值风险

别被AI乐观派忽悠了，Gary Marcus用铁路和航空的类比讲清了泡沫破裂后硬件可能迅速贬值的现实，值得一看。

#GaryMarcus #AI泡沫 #LLM #硬件贬值

Gary Marcus@GaryMarcus原文

论文11:34

OpenRCA 2.0 基准：用步骤级因果标注揭示 LLM 根因分析缺陷

这篇论文搞了个新基准 OpenRCA 2.0，用 PAVE 协议给每一步因果关系打标签，发现 LLM 猜对根因容易，但连对因果路径很难——这比只看结果靠谱多了。

#OpenRCA 2.0 #PAVE #LLM #根因分析

arXiv cs.AI@Aoyang Fang 等 10 人原文

论文11:07

基于语言的数字双胞胎用于老年人认知辅助

这篇论文用LLM给老人建了个能聊天的数字分身，在I-CONECT数据上比普通GPT更准地模拟真实对话和预测认知评分，可能帮助早发现轻度认知障碍。

#LLM #Digital Twin #I-CONECT #cVAE

arXiv cs.AI@Mohammad Mehdi Hosseini 等 3 人原文

论文10:59

Prompt Injection in Automated Résumé Screening with LLMs: Single and Multi-Injection Settings

想知道你的简历能不能骗过AI筛选？这篇论文用数据告诉你提示注入在什么时候有效、什么时候没用，还能看出公平隐患，做招聘和求职的都该看看。

#提示注入 #简历筛选 #LLM #AI安全

arXiv cs.AI@Preet Baxi 等 4 人原文

论文10:44

可能的回答何时正确？LLM序列概率与正确性研究

论文搞清楚了啥时候模型觉得对就真的对。它告诉你别光看概率，同一问题重复问，概率高不一定准，做解码或自一致性时可参考。

#LLM #sequence probability #correctness #decoding

arXiv cs.LG@Johannes Zenn, Jonas Geiping原文

论文09:53

LLM应用于外国维和任务威胁评估

这篇论文展示了LLM在维和任务威胁评估中的实际应用，与人类判断高度一致，实用性强。

#LLM #威胁评估 #OSINT #PINPOINT

arXiv cs.AI@Gerhard Backfried 等 4 人原文

论文精选04:42

LLM文档问答幻觉率研究：最佳模型在32K上下文仍有1.19%编造

别以为用文档就能让LLM老老实实回答，1.19%的幻觉率也是定时炸弹，尤其长上下文风险更高。

#LLM #幻觉 #文档问答 #上下文长度

Gary Marcus@GaryMarcus原文

行业02:25

Paul Graham：不用LLM写作如同选择跑步而非乘车

Paul Graham 用一个跑步举重的比喻，解释了为什么有人不用AI写作不是傻，而是个人选择。挺有意思的观点。

#Paul Graham #LLM #AI写作 #观点

Paul Graham@paulg原文

行业02:24

Paul Graham：未来不靠LLM写作会是异类但非怪癖

Paul Graham聊LLM写作潮流，说不用反而可能才是聪明人，和Google Maps类比很有意思。

#Paul Graham #LLM #写作 #AI写作

Paul Graham@paulg原文