LLM 相关 AI 资讯

8月1日

07:08

Gary Marcus@GaryMarcus

Gary Marcus在X上发文，批评以LLM为中心的系统无法被信任遵循硬约束。他针对Richard Socher关于Constitutional AI的宣传，认为该路径并未奏效。Constitutional AI曾被视为通往AGI的更安全路径。Gary Marcus强调必须找到能够遵循硬约束的替代方案，否则后果严重。

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

原文

7月31日

13:13

官方账号arXiv cs.AI@Cesare Zavattari, Alessandro Tommasi, Giuseppe Prencipe

一篇arXiv论文研究单人对N个LLM智能体舰队在每轮预算B≪N次审计下的监督问题，依据自我报告置信度排序，但置信度可能被对抗性错误校准且误差相关。作者用双层高斯Copula建模，找到了错误校准阈值δ*，超过该阈值后按置信度排序审计比随机审计更差。两个先验预期被推翻：预算越少δ*反而越高，跨家族相关性并不低——共享难度主导了谱系。五个开源模型置信度近乎恒定、无操作价值，点估计处于或超过翻转点但置信区间跨越；一个专有模型有信息量且落在阈值以下。论文还给出了“空洞监督”的定量判据，并通过历史轨迹回放验证了排序。

论文 LLM 智能体审计

推荐理由：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。

原文

12:25

官方账号arXiv cs.LG@Ruman Wang, Hangting Ye

ScaFE将临床知识从大语言模型转移到确定性的可执行特征程序，而非直接让模型诊断图像。在来自三家医院的600张照片上，ScaFE达到81.0%的站点宏平衡准确率，比最强基线BiomedCLIP高出10.0个百分点。仅用10%的开发数据时，ScaFE保持72.0%的平衡准确率，仍领先11.8个百分点。迭代修复将可执行程序率从66.7%提升到95.0%，91.7%的最终特征有验证证据。该方法表明LLM知识能通过本地可审计的特征程序支持跨医院的医学图像分类。

论文 ScaFE LLM BiomedCLIP

推荐理由：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。

原文

12:17

官方账号arXiv cs.LG@Amol Khanna, Manu Nandan, Cristian Viorel Popa, Joan Pujol-Roig, Diana Bolocan, Laura Vasilie, Alexandru Apostu, Chase Helwig, Mihaela Gaman, Michael Brautbar, Edward Raff, Chase Midler, Sven Krasser

安全运营中心（SOC）面临告警疲劳，检测量超过人工处理能力。研究团队通过自动提示优化、自训练和可验证奖励强化学习，在真实人工标注的Windows端点检测上训练出链式推理（CoT）分类器。CoT会降低标签token概率，因此另训练校准器读取完整推理轨迹并估计判定正确概率。系统达到82.6%测试准确率，在高置信度操作点下，良性召回率比直接标注的LLM分类器提升43.0%，恶意召回率提升18.3%。未训练的置信度评判会使高置信召回归零，而微调的30B模型显著优于前沿通用模型。

论文 LLM CoT 安全运营

推荐理由：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。

原文

11:51

官方账号arXiv cs.AI@Kostis Michailidis, Dimos Tsouros, Nguyen Dang, Tias Guns

该研究用进化框架让LLM自动重构约束模型以提升求解效率。作者提出Profile-Diverse Retention策略，用最大边际相关性对实例级运行时间向量做去重。在8个CSPLib问题上验证，迭代重构带来显著留出集加速。保留多样化上下文的策略优于仅保留最近或最快尝试的策略。基于验证集的选择进一步提升了所有策略的加速效果。

论文 LLM 约束模型进化搜索

推荐理由：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。

原文

03:03

techcrunch@Lorenzo Franceschi-Bicchierai

Google 宣布，2026 年 6 月借助 LLM 和 AI 工具修复的 Chrome 漏洞数量，超过了此前两年的总和。这一成果得益于公司内部部署的自动化漏洞检测与修补系统。类似做法此前已被 Microsoft 采用，如今 Google 也验证了 AI 在安全领域的规模化效用。

行业 Google Chrome LLM

推荐理由：Google 靠 AI 一个多月修掉的 Chrome 漏洞比过去两年还多，效率太夸张了。

原文

00:22

Geek@geekbb

精选

Gray Box 是一个用 Python 写的本地笔记工具，核心分为记录、整理、问答三步。用户丢入文字后，LLM 会自动抽取人物、项目、任务、决策等实体，并生成带交叉链接的 Markdown wiki 页面。搜索功能支持关键词和图谱扩展，回答仅基于已有上下文，找不到时直接说不知道，不编造内容。

AI产品 Gray Box 知识管理本地笔记

推荐理由：Gray Box 这个笔记工具不错，丢进文字能自动抽实体、建 wiki 链接，问问题也只认自己存的东西，不瞎编，挺适合做个人知识库。

原文

7月30日

22:14

Latent.Space@latentspacepod

本体论作为经典知识表示工具，正被AI工程师用于约束LLM和Agent行为。Frank Coyle和Emile Ifrem在aiDotEngineer World's Fair上展示了如何用本体论保持模型输出诚实、确保Agent遵循确定性路径。这种方法利用旧网络技术为概率模型设置规则边界，减少幻觉和偏离。

技巧 ontologies LLM Agent

推荐理由：想治LLM乱编和Agent跑偏？看看本体论这个老办法怎么新用。两个实际案例，讲得明白。

原文

16:40

AI Will@FinanceYF5

该方案提出不用人工逐行审核代码，而是通过形式化验证将代码翻译为可读的高层意图，并用数学证明两者一致。AI可以辅助写代码和初审，但最终检查、拍板和否决权必须留给人。文章还质疑当LLM充当评分器、质检和裁判时，其给出的标签是否可信。

行业形式化验证 LLM 代码审核

推荐理由：想避免被AI带偏？看看用数学证明代替逐行审代码的思路，人始终掌握最终决定权。

原文

11:18

官方账号arXiv cs.AI@Ji Xin, Xiao Xiao, Ishan Bhatt, Vinesh Gudla, Trace Levinson, Raochuan Fan, Shishir Kumar Prasad, Prakash Putta, Tejaswi Tenneti

该论文提出一种发现增强的搜索系统，利用意图条件召回扩展。采用两阶段混合架构：先使用闭源大语言模型（LLM）优化头部查询，再通过LoRA适配器和师生蒸馏微调小语言模型（SLM）覆盖尾部查询。系统评估使用LLM-as-a-judge指标和端到端会话级购买分析。结果将发现覆盖率从约60%提升至80%，推理成本仅为教师模型的30%。

论文 LLM SLM 电商搜索

推荐理由：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。

原文

11:11

官方账号arXiv cs.AI@Suhas Thejaswi, Juhi Kulshreshta, Lutz Oettershagen

该论文提出了语言单一文化概念，指用户依赖相同的大语言模型（LLM）进行写作和修改，导致语言形式趋同。作者构建了数学框架，将用户和LLM表示为语言特征分布，并分析了三种交互机制：固定共享模型、递归更新共享模型和个性化模型。研究发现，共享模型会推动用户趋向共同规范，递归反馈改变共享规范但不减少个体间差异，而个性化模型能保留语言多样性。模拟显示，不同机制对长期多样性的影响不同。

论文 LLM 语言多样性社会规范

推荐理由：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。

原文

11:10

官方账号arXiv cs.AI@Yiping Song, Jiaoyan Chen, Renate Schmidt, Hui Yang, Wen Zhang

传统本体匹配（OM）仅处理等价或包含关系之一。本文提出混合本体匹配（HOM）任务，并设计基于LLM的多智能体框架AgentMap。AgentMap通过语义检索、层次搜索和协作推理，在源本体概念中寻找等价概念或最细粒度包含者。在扩展的四个OM数据集混合设置下，AgentMap取得良好性能，同时在等价和包含单独设置中分别超过基线。

论文 AgentMap 本体匹配 LLM

推荐理由：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。

原文

7月29日

11:57

官方账号arXiv cs.AI@Ankang Yang, Jitao Zhao, Di Jin, Yuxiao Huang, Dongxiao He

CHARM是一种多模态图基础模型，通过分层上下文建模解决零样本迁移问题。它用层次化图上下文替代孤立原始节点，捕捉多模态语义和跨模态关系。在多个零样本多模态图任务上，CHARM取得一致改进。

论文 CHARM 多模态图基础模型

推荐理由：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。

原文

11:53

官方账号arXiv cs.AI@Farooq Shaikh

论文提出KuTIE系统，结合Istio调用边、Trivy KSPM发现和服务账户绑定构建实时集群上下文，用于改进LLM生成的Kubernetes安全配置补丁。在包含36个部署、4个命名空间、31个可注入发现（覆盖7个依赖类）的VulnCare医疗集群上测试。248次试验显示，拓扑上下文将依赖类补丁正确率从11.1%提升至78.0%（Δ=0.669），其中凭证和网络策略类提升达Δ=0.95，而拓扑无关的对照未受影响（Δ=0.0）。

论文 KuTIE Kubernetes LLM

推荐理由：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。

原文

11:40

官方账号arXiv cs.AI@Jintao Xu, Yingzheng Ma, Jiong Dong, Yongzhi Qi, Jianshen Zhang

论文研究多仓库库存分配中MIP公式的实例级选择问题，提出一种求解器引导的LLM框架，通过SFT、IPO和GRPO训练选择器。实验基于京东数据，Hit Ratio@1从21.45%提升至50.42%，Hit Ratio@2从70.47%提升至82.31%，分配质量比固定最优公式高12.57个百分点，与事后最优差距缩小至4.85个百分点。

论文 LLM GRPO 多仓库库存分配

推荐理由：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。

原文

03:08

Gary Marcus@GaryMarcus

Gary Marcus引用卡斯帕罗夫的推文，指出现成的LLM在国际象棋中经常做出非法走法，说明它们缺乏真正的世界模型。例如，2023年多次观察到LLM无法准确理解简单的规则集。Marcus认为，如果一个系统连国际象棋规则都无法可靠遵循，就难以相信它能处理需要上下文和常识的通用任务。他批评那些希望用这类系统指挥战争的想法是疯狂的。

行业 Gary Marcus Kasparov LLM

推荐理由：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？

原文

7月28日

23:53

elvis@omarsar0

精选

DAIR.AI介绍了一篇关于LLM推理的新论文（arxiv:2607.22925）。研究发现前沿模型可以通过插入语义无关的填充token（如重复无意义词）进行隐形推理。这种推理过程对链式思维（CoT）监控完全不可见，可能隐藏真实意图。论文揭示了现有CoT监控方法的盲区，涉及模型行为的可解释性挑战。

论文 LLM Chain-of-Thought DAIR.AI

推荐理由：论文发现模型会偷偷用‘嗯啊’这种废话来推理，监控根本抓不到，细思极恐。

原文

12:19

官方账号arXiv cs.AI@Atharva Pandey, Gautam Jajoo

论文提出一个审计框架，通过94名受访者的防晒霜概念测试，将人类开放理由映射为符号推理状态（正负号表示支持或拒绝）。人类理由能显著提升购买意图的预测准确率。LLM 模拟的理由虽然听起来合理，但多重复概念板内容，而非真实受访者的接受或拒绝路径。该框架提供了一种可解释的测试方法，检查 LLM 模拟器的理由是否与人类证据一致。

论文 LLM 社会模拟器审计框架

推荐理由：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。

原文

12:05

官方一手arXiv: DeepSeek@ Zing Team, Ao Xiang, Bi Jingping, Chen Jiahui, Chen Lehan, Chen Yilin, Cheng Xueqi, Fan Yixing, Gan Kairong, Gao Haowen, Gao Jinhua, Gao Shuxuan, Gong Chang, Guo Jiafeng, Guo Ruijie, Han Zhouyu, He Guangfu, He Yichun, Jiang Shuo, Jing Shaoling, Jing Ya, Lei Chenhao, Lei Yan, Li Anqi, Li Chengao, Li Haoyu, Li Shitian, Liang Xinjian, Liu Zhaoge, Lyu Xingyu, Nie Zhuwei, Pang Liang, Quan Zeping, Shan Shiguang, Shen Huawei, Tang Xinran, Tian Feng, Wang Qian, Wang Ruiping, Wang Xiaohong, Xia Zaiyu, Xiao Yi, Xu Jiayuan, Xu Kehan, Xu Qianqian, Xu Tianyu, Xu Yongjun, Yang Haoming, Yang Jun, Yao Di, Yu Xiaoming, Zhang Futong, Zhang Jie, Zhang Shixuan, Zhang Yuxuan, Zhao Xinyu, Zhao Zhuoran, Zhong Yunfei, Zhu Shengyu

Zing是一个集成框架，用于测量、内化和落地LLM的社会智能。其评估基准SoMBench覆盖3个主要维度、17个次要维度和71个任务范式，包含284个共享场景和3481个专家验证实例。在20个代表性LLM上的评估显示最高准确率仅72.08%，17个次要维度均未达90%。Zing训练方法在5个社会认知基准上持续超越基础模型，其中Zing-27B-Stage2取得最高平均分，Zing-32B-Stage2与DeepSeek-V4-Pro竞争。Actio推理架构通过PRISM、Starling、SAGE和门控RAG四种支持，在15个模型-基准对中提升14个。

AI模型 Zing SoMBench Actio

事件专题

推荐理由：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。

原文

11:02

官方账号arXiv cs.AI@Weihuang Zheng, Tianyuan Zou, Eileen Ye, Alphet Liu, Youyong Kong, Ya-Qin Zhang, Duran Zheng, Maxm Pan

E-Bench是一个完全合成的基准，包含323个状态改变任务，覆盖Honor of Kings、QQ Music和Tencent Meeting三个产品领域。它通过图引导数据库填充创建可复用环境，并利用生成器-求解器不对称设计迫使智能体发现隐藏信息并组合多次工具调用。结果通过数据库状态差异确定性评分。评测11个前沿LLM，最强模型的Pass^3低于60%，在E-Bench-Code扩展下仍低于70%，说明多步工具使用对当前模型依然困难。

论文 E-Bench 多步工具使用智能体

事件专题

推荐理由：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。

原文

10:56

官方账号arXiv cs.AI@Kezhao Lai, Yutao Lai, Hai-Lin Liu

SpecAHD提出了一种耦合双层优化框架，用于在单个问题实例内部实现启发式规则的区域特化。上层搜索学习暴露有界修复区域的位置，下层进化互补的可执行启发式程序池。在四个大规模路由问题（CVRP、VRPTW、PDP等）上，SpecAHD相比最强AHD基线将目标成本降低了最高57.7%，并且在大多数公开实例上超越了每实例基线包络线。该框架具有子模性，提供了(1-1/e)的贪婪选择近似保证。

论文 SpecAHD 自动启发式设计路由问题

推荐理由：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。

原文

09:46

官方账号arXiv cs.LG@Ishpuneet Singh, Shreyas Mahajan, Gurjot Singh, Maninder Singh

一项研究评估了5款AI编码助手（如GitHub Copilot、Amazon CodeWhisperer等）在生成认证代码时的安全性，采用静态代码分析加动态渗透测试的双模态评估框架，并映射到NIST SP 800-63B标准。结果发现，基础或通用安全提示下生成的代码普遍缺少暴力破解防护、会话管理和密码处理等关键保护。即使给出一次性NIST提示，合规性虽有提升但仍结构不足。只有通过迭代重提示（Reprompting）迫使模型进行上下文自审计，才能实现完整的深度防御安全架构。研究证实当前AI编码助手无法默认生成安全代码，企业需从一次性提示转向持续、标准驱动的验证流程。

论文 LLM AI安全代码生成

推荐理由：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。

原文

09:31

官方一手arXiv: Anthropic@Paul Simpson, John Kozak, Lisa Doake

精选

论文《Confidently Wrong》揭示前沿LLM在嵌套条件规则（如“要求A，除非B，除非C覆盖B”）的错误模式——异常链崩溃。GPT-5.4在建筑保险场景的准确率从96.6%突然升至100%（同一提示和测试框架），表明模型准确率边界不可控。作者提出Aethis Eligibility Module，由LLM从权威源编写规则、SMT层确定性执行。在225个跨领域场景基准中复现该模式，20个对抗场景中引擎与GPT-5.4（低推理努力）均获20/20，而其他三个前沿模型失败。在949个LegalBench任务中，引擎比三个前沿模型显著更准确（组合McNemar p≤0.003），最高领先Anthropic模型41个百分点。

论文 LLM 异常链崩溃神经符号架构

推荐理由：这篇论文揭露了GPT-5.4和Claude在资格评估规则中会莫名崩溃，还给了个能稳定执行的神经符号方案，搞合规或应用LLM的得看看。

原文

7月27日

23:39

Aravind Srinivas@AravSrinivas

精选

计算机科学家Grady Booch在X上表示，LLM最终会成为商品，价格竞争趋于零。随着开源模型（如Llama、Mistral）扩展，模型间优势缩小，价值将转向神经符号框架，包括智能体、智能体编排、工具链和插件。前沿AI机构的闭源模型也会被开源框架超越。最终只有少数数据中心运营者幸存，但随着计算能力提升，越来越多系统将本地运行。

行业 LLM 开源模型智能体

推荐理由：Grady Booch提出了一个清晰的未来图景：LLM变成商品后，赢家靠什么。想理解AI行业长期竞争逻辑，可以看看。

原文

12:05

官方账号arXiv cs.AI@Jennie Ren, Jordan H. McDowell, Kyrie Zhixuan Zhou

两位不同教学理念的计算机教育者和一名本科生通过三场对话，使用三人民族志方法探讨学生在LLM支持下的学习过程。学生叙述揭示了课堂中不可见的真实学习行为，促使教育者重新审视关于AI使用、评估、透明度和编程教学的假设。该论文基于对三人民族志实践的分析，论证了这种反思方法帮助教育者超越课堂观察，更深入理解AI支持的学习。

论文 LLM 编程教育三人民族志

推荐理由：看看教育者和学生如何通过三场对话，发现LLM辅助编程学习中课堂上看不见的东西，比猜学生用AI干什么有意思多了。

原文

12:03

官方账号arXiv cs.AI@Halil Burak Noyan

该论文提出一种三源权限架构（角色上限、任务上下文分类器、策略组合禁令）实现动态最小权限原则。作者构建了一个包含600个企业任务提示的合成数据集，基于15个权限工具分类法标记，经人工验证达到Cohen's κ=0.967。迭代开发将授权违规从46次降至3次（降幅93%）。数据集和生成管线已开源。

论文 AI agents LLM 权限管理

推荐理由：想给企业AI智能体设权限？这篇论文建了个600条数据的合成集和三源架构，把授权违规从46砍到3次，还开源了代码。别错过。

原文

11:57

官方账号arXiv cs.AI@Fin Gentzen, Marla Grunewald, Iulisloi Zacarias, Mounir Bensalem, Admela Jukan

该论文提出一种自校准智能体AI框架，通过集成ARIMA预测器动态逼近真实值，减少LLM驱动系统中的运行漂移。在零知识工作负载的边缘资源使用场景中，该框架的资源使用预测准确率比基线LLM智能体高91.7%，预测速度提升71.7%。自校准机制采用的ARIMA跳跃算法比标准ARIMA生成真实值快52%，且精度相同。实验验证了该框架在去中心化基础设施中部署自主AI的可靠性。

论文智能体 ARIMA 零知识工作负载

推荐理由：这篇论文讲了一个能自己校准的智能体框架，用ARIMA预测把资源分配准确率提了91.7%，速度还快了71.7%。搞边缘计算或零知识证明的可以看看。

原文

10:58

官方账号arXiv cs.LG@Ritik Raj, Souvik Kundu, Sarbartha Banerjee, Dheemanth Joshi, Ishita Vohra, Tushar Krishna

TRACE-ROUTER 提出任务级路由框架，将每个任务在受理时通过上下文赌博机分配一次模型，后续所有LLM调用均固定到所选后端，并使用最终奖励更新策略。在 tau2-Bench 上，该方法比延迟匹配的单个模型插值高出7-8个准确率点。在 Terminal-Bench 上，相比最强单模型基线，TRACE-ROUTER 以36%更低延迟实现7.1个准确率点提升。该框架无需显式任务复杂度估计，即可学习适应工作负载的路由策略。

AI模型 TRACE-ROUTER 路由框架智能体

推荐理由：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。

原文

7月25日

17:50

Geek@geekbb

开发者成功在售价 8 美元的 ESP32-S3 芯片上运行了接近 2900 万参数的 LLM。核心技巧是将大部分模型参数存储在 Flash 而非 RAM 中，借鉴了 Google Gemma 的 Per-Layer Embeddings 思路。该方法大幅降低了内存占用，使低成本边缘设备也能运行较大模型。项目已开源在 GitHub 上。

技巧 ESP32-S3 LLM Gemma

事件专题

推荐理由：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。

原文

08:12

Gary Marcus@GaryMarcus

Gary Marcus发帖指出，LLM行业牛方认为模型酷炫、芯片股飙升、收入增长。熊方则看到企业用户除编程外生产力提升有限、与中国价格战、LLM提供商在无芯片补贴下无法盈利、且模型依然不可靠。该帖获得24个点赞和1607次浏览。

行业 Gary Marcus LLM 行业分析

推荐理由：看看Gary Marcus怎么用一句话说透LLM行业的冰火两重天，收入和股价飞涨，但企业实际收益和盈利问题依旧。

原文

04:18

a16z@a16z

Applied Intuition 联合创始人 Qasar Younis 在 a16z 举办的 2026 年 RAISE 峰会上表示，物理 AI 的规模将超过 LLM。他指出，在底特律、慕尼黑、都灵、首尔和东京等制造业重镇的机场，人们最关心的不是智能体优化，而是卡车司机和现实世界的实际工作。Younis 认为，虽然编写代码很重要，但物理世界中的机器制造业将产生更大影响。

行业 Applied Intuition Qasar Younis 物理 AI

推荐理由：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。

原文

7月24日

12:11

官方账号arXiv cs.AI@Baihui Wang, Bernard Koch

该论文研究了大型语言模型（LLM）在道德推理中如何区分合理修正与谄媚顺从。通过三项研究，作者发现模型的判断更新沿着三个维度结构化：观点与模型初始立场的距离、该观点的来源归属（如来自模型自身先前判断的影响更大）、以及支持该观点的联盟结构。模型更易接受邻近立场，对看似自身先前判断的观点更敏感，对群体压力的反应存在差异。这些发现将谄媚重新定义为更广泛的判断更新过程的一部分，为区分建设性信念修正与谄媚顺从提供了基础。

论文 LLM 道德推理对齐

推荐理由：想搞懂LLM到底是真学习还是假顺从？这篇论文给出了三个具体维度来分析模型修正判断的逻辑，比简单说‘阿谀奉承’有深度多了。

原文

11:52

官方账号arXiv cs.LG@Yingchao Huang, Xin Wang, Yuhan Su, Shanshan Yao

研究提出基于开源LLM的多模态认知障碍检测框架，融合语音音频和转录文本。在ADReSS20和ADReSSo21基准上评估，分类准确率达92.4%。该框架优于单模态基线，并展现出跨数据集泛化能力。无需访问原始敏感数据，保护患者隐私。

论文 ADReSS20 ADReSSo21 LLM

推荐理由：这篇论文用开源LLM整合语音和文本，在ADReSS20上准确率92.4%，比只用单一模态强多了，且跨数据库也能用。

原文

11:04

官方一手arXiv: Anthropic@Fred Mesnard, Thierry Marianne, Étienne Payet, Wim Vanhoof

本研究通过提示Claude生成Prolog代码和测试，并使用LPTP进行形式化证明。Claude为前33个P-99问题生成了58个逻辑过程、508个测试和257个引理（共11800行证明）。作者手动检查了所有代码和证明，验证了类型、终止性、唯一性等性质。该实验展示了“vibe-coding/vericoding”方法用于Prolog编程的可能性。

论文 Claude LPTP P-99

推荐理由：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。

原文

10:49

官方账号arXiv cs.AI@Kaiwen Zhang, Guanjun Liu

该论文提出一种Petri-net引导的LLM测试生成方法，用于并发有状态Rust API。方法将API资源、生命周期依赖建模为有色Petri网，推导合法深状态、近合法及偏序并发场景，作为LLM代码合成的约束中间表示。通过局部保真契约和结构修复循环确保模型意图在具体化过程中保留，Petri引导的调度塑造优先探索高冲突并发骨架。分层语义预言机区分合成失败与API预期行为违反，实验结果表明该方法在生成可执行测试和覆盖并发缺陷方面优于基线。

论文 Rust LLM Petri-net

推荐理由：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。

原文

10:28

官方账号arXiv cs.AI@Federico Boggia

论文发现大语言模型系统性过度使用两千年前的修辞格epanorthosis（如“这不是课程，而是蜕变之旅”），归因于训练数据中促销文案和RLHF偏好调优。作者提出Epanorthosis Index（密度与人类基线之比），在三种规模的指令微调模型上测量：或atory场景下模型超用约2倍（意大利语近3倍），非正式问答中欠用，而议论文、新闻和百科文本与人类持平。缓解方案包括轻量LoRA适配器，在意大利语中单行指令即可削减一半至四分之三，SFT适配器可几乎消除。

论文 LLM RLHF LoRA

推荐理由：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。

原文

10:18

官方账号arXiv cs.AI@Mohammad Hasan Payandeh, Daniel Vogel, Jian Zhao

Thinkink是一个允许用户通过手写文本或草图与LLM交互的工具，LLM的响应以墨水风格文本和图形整合到共享2D画布中。研究包含三个阶段：形成性研究（N=12）分析了传统与数字手写实践；诊断性研究（N=6）识别了可用性与人-LLM交互挑战；最终研究（N=10）评估了Thinkink在构思场景中的使用效果。该工具利用语义树简化手写解释，并通过状态机提供轻量级显式控制。研究为墨水原生LLM交互提供了设计启示和具体原型。

论文 Thinkink LLM 多模态交互

推荐理由：手写和草图也能和LLM对话了！Thinkink让你在画布上手写输入，LLM用墨水风格回复，研究还做了三轮用户测试，挺靠谱的。

原文

09:33

官方账号arXiv cs.AI@Yangjun Lu, Hongyi Zhou, Fabian Spill, Kai Ye, Chengchun Shi, Jin Zhu

论文提出一种token级检测方法，通过平滑相邻token分数并采用自适应Lepski规则选择带宽，识别人机协作文本中由LLM生成的部分。该方法无需token级标注数据训练，在合成和真实数据集上优于多种基线。作者部署了公开网站实现该方法。

论文 LLM token级检测文本检测

推荐理由：这篇论文给了一个新方法，能精确找出LLM写的片段，不用提前标注，比现有文档级检测更细。

原文

07:40

官方账号xAI@xai

71°

Tavily成为Grok Build官方插件，提供LLM优化的实时网络搜索。用户可在工作流中获取快速结果、干净内容和可靠来源。通过输入/plugin搜索Tavily即可启用。该插件专为AI应用设计，提升搜索效率。

AI产品 Tavily Grok Build LLM

推荐理由：Grok Build现在能用Tavily插件实时搜网了，返回结果又快又干净，写代码查资料方便多了。

原文

00:53

Gary Marcus@GaryMarcus

Gary Marcus指出，当前用户使用的ChatGPT/Claude并非纯大语言模型（LLM），而是结合了“Harness”的混合系统。他将这种组合称为神经符号AI架构。这一变化解释了为什么2024-2025年的模型相比2022-2023年的纯LLM有明显性能提升。

AI模型 ChatGPT Claude LLM

推荐理由：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。

原文