LLM 相关 AI 资讯

AITOP

7月9日

20:49

Aadit Sheth@aaditsh

AI时代，核心技能从回答问题转向提出正确问题。Groq创始人Jonathan Ross通过让用户在X上提问测试其推理硬件，实现爆火。一条展示LLM在Groq上快速运行的视频引发病毒传播，用户生成个性化答案产生魔力。

AI产品 Groq 推理模型提问技巧

推荐理由：Groq用‘让用户自己提问’这招，一条推特就火了，教你如何抓住AI时代的本质技能。

原文

11:21

官方账号arXiv cs.AI@Victor Giannakouris, Immanuel Trummer

Jailbreak 是一种新方法，通过直接读取 PostgreSQL 和 MySQL 存储文件实现数据库绕过，避免 JDBC/ODBC 驱动的性能瓶颈。它利用 LLM 辅助代码合成，从数据库文件格式的源代码和文档中再生出表读取组件。在 TPC-H 基准测试中，Jailbreak 生成的读取器将数据输出为 Apache Arrow 格式，可直接被 DuckDB、Apache Spark、cuDF 等引擎消费，端到端分析吞吐量提升最高达 27 倍。论文验证了该方法在 PostgreSQL 和 MySQL 之外对其他文件格式已知的数据库系统具有通用性。

论文 Jailbreak LLM PostgreSQL

推荐理由：这篇论文提出了 Jailbreak，用 LLM 直接读数据库存储文件，不用 JDBC，TPC-H 测试下最高快 27 倍。搞大数据分析的人可以看看。

原文

09:18

官方账号arXiv cs.AI@Kaicong Huang, Meng Ma, Ruimin Ke

CARLA-GS是一个模块化角落情况合成框架，将视觉表示、语义推理和物理执行解耦但保持耦合。它利用多智能体LLM进行场景推理，生成意图级路径点轨迹，并由PID控制器在CARLA中实现运动控制，最终将车辆状态重投影到高斯场景中渲染。在Waymo Open数据集上，CARLA-GS能生成与语义意图一致且物理可行的真实感视频。定量和定性实验证明了其可控性及时空一致性。

论文 CARLA-GS Waymo Open Dataset LLM

推荐理由：这篇论文提出CARLA-GS，用多智能体LLM做推理、PID控制确保物理可行，在Waymo数据上生成逼真角落场景，解决了端到端方法时空不一致的痛点。

原文

09:06

官方一手arXiv: OpenAI@Kiarash Ahi, Saeed Valizadeh

该综述分析了LLM和生成式AI（如ChatGPT、Claude、Gemini）在网络安全中的双重用途：既用于自动威胁检测和防御，也被用于生成恶意软件。数据显示LLM生成的恶意软件在2025年预计占检测到威胁的50%，而2021年仅占2%。论文基于70多篇学术文献和行业报告，涵盖Google Play Protect、Microsoft Defender等平台的案例。最后提出了模型水印、对抗防御等负责任部署建议。

论文 LLM ChatGPT Claude

推荐理由：这篇论文详细梳理了LLM如何同时成为防御工具和攻击武器，还给出了具体数字和平台案例，适合想全面了解AI安全现状的人。

原文

7月8日

23:35

官方一手歸藏(guizang.ai)@op7418

这条提示词要求以可爱、拟人的方式解释大语言模型的训练过程。它不依赖具体模型名称或版本，而是专注于表达风格。适合用于生成面向非技术用户的科普内容。作者通过社交平台分享了这一创作思路。

技巧提示词工程 LLM 训练

推荐理由：想要给外行解释LLM怎么训练的？用这个提示词试试，一下就萌化了。

原文

12:08

官方账号arXiv cs.AI@So Hasegawa, Shailaja Keyur Sampat, Lei Liu, Wei-Peng Chen

现有数据分柝基准局限于小表格的事实检索，忽略多表、外部知识整合与探索性洞察。新发布的DataGovBench源自政府开放数据，包含Table QA（复杂分解问答与可视化）和Table Insight（探索性分析生成专家级发现）两项任务。实验表明，当前主流LLM（包括带智能体框架的系统）在这两项任务上表现显著不足，距离真实数据分柝需求仍有很大差距。该基准为推进LLM处理复杂分柝查询与数据洞察提供了挑战性测试。

论文 DataGovBench LLM 数据分析

推荐理由：研究团队用政府开放数据搞了个新测评，发现现在的大模型遇到多表格和外部知识就掉链子，专治各种表面功夫，推荐给关心模型真实落地能力的朋友。

原文

09:55

官方账号arXiv cs.AI@Andrea Alfarano, Andrea Bacciu, Saab Mansour, Amin Mantrach, Marcello Federico

该研究首次在22种语言（涵盖高、中、低资源）上系统评估了9种不确定性估计方法。发现用英文推理（即使问题为低资源语言）能显著提升UE性能，并缩小与高资源语言的性能差距。研究还指出，小规模模型下基于概率的开放盒方法更优，大规模模型下封闭盒的自我表述不确定性更有效。论文提供了多语言选择性预测中阈值选择的指导。

论文不确定性估计多语言 MCQA

推荐理由：这篇论文用22种语言、9种方法实测发现：让模型用英文思考能大幅改善低资源语言的不确定性估计，选方法还得看模型大小。

原文

09:03

官方一手arXiv: DeepSeek@Yufeng Wang

精选

FirstResearch引入结构化研究问题证书，包含10个字段如原始定义、假设、机制模型和可证伪假设。在10个LLM代理研究主题上，基于DeepSeek盲审协议得分为4.86/5，超过最强基线AI Scientist-v2的4.38/5。独立Gemini-2.5-Flash重评分保持排名，Pearson一致性为0.865。消融实验显示移除证书后得分降至1/5以下。这些初步结果采用LLM评判而非人类专家，但表明显式推导约束可提升可审计性。

论文 FirstResearch LLM 科学发现

推荐理由：这篇论文搞了个FirstResearch框架，用研究问题证书让LLM提的科学问题更透明可查，比现有方法得分高出一截，适合研究AI科学发现的同学看看。

原文

01:45

李继刚@lijigang_com

LLM通过预测下一个token来学习语言的结构。人也应该通过预测所在领域的下一步，逼自己看见真正的生成机制。这种‘选择压’能淘汰模糊理解，只留下对结构性的判断。

技巧 LLM 预测选择压

推荐理由：试试用预测的方式，像LLM学语言一样，逼自己看清领域底层逻辑，比模糊理解管用多了。

原文

01:18

Gary Marcus@GaryMarcus

心理学家Gary Marcus在世界科学节（WorldSciFest）的一场视频讨论中指出，LLM存在固有局限性，仅靠扩大规模无法实现真正推理。他认为当前基准测试因心理测量学因素（如题目过拟合）而失效，无法反映模型真实能力。Marcus主张神经符号AI（Neuro-Symbolic AI）可能引领下一代AI范式，结合符号推理与神经网络。该视频包含对AI发展方向的深入分析。

行业 Gary Marcus LLM 神经符号AI

推荐理由：听Gary Marcus用神经符号AI挑战主流LLM，看完你会重新思考AI基准测试的真相。

原文

7月7日

23:18

Martin Fowler@martinfowler

Birgitta Böckeler在martinfowler.com发表文章，分享了她使用本地LLM完成编程任务的实践。文章探讨了影响本地LLM可行性的因素，包括模型大小（如7B、13B参数）、硬件要求（如GPU内存）、任务类型（如代码生成、调试）。她对比了本地LLM与云端模型（如GPT-4）在延迟、隐私和准确率方面的差异。结论是，对于简单编程任务，本地LLM（如Code Llama 7B）足够使用，但复杂任务仍需云端模型。

技巧 LLM 编程助手本地模型

推荐理由：想知道本地跑LLM写代码靠不靠谱？看看这篇实测，从模型选型到硬件门槛都说了，还有和GPT-4的对比。

原文

13:04

官方一手arXiv: OpenAI@Karina Halevy, Julia Mendelsohn, Chan Young Park, Yulia Tsvetkov, Maarten Sap

研究者引入仇恨事件检测任务，测试GPT-4o和Llama-3.2-3B-Instruct在多个专家标注数据集上的反犹事件分类能力。结果表明GPT-4o潜力较大但需显著改进。提供术语定义或上下文示例可提升性能：定义对修辞类事件（如经典反犹陈词）最有效，示例对行动类事件（如人身攻击）更有帮助。以大学校报为案例，LLM可辅助识别相关真实事件，支持早期监测。

论文 LLM GPT-4o Llama-3.2-3B-Instruct

推荐理由：这篇论文告诉你GPT-4o和Llama-3.2-3B在处理反犹事件时谁更强，还给出了提升分类效果的实用技巧。

原文

12:46

官方账号arXiv cs.LG@Ananth Eswar, Pratinav Seth, Utsav Avaiya, Vinay Kumar Sankarapu

该论文对五个大型语言模型（LLMs）进行单次神经元行零化审计，测试归因方法能否识别因果重要的神经元行。归因方法在识别可丢弃行方面显著优于激活和幅度基线。通过对比有害与良性信号驱动干预，归因行足以在仇恨和犯罪内容上安装拒绝行为，同时保持良性过度拒绝率较低且不影响语言模型流畅性。高秩稳定性选择器可能因果有效性最低，且拒绝行为存在于冗余子空间中，不同归因方法通过几乎不相交的行集实现拒绝。

论文 neuron selectors attribution methods LLM

推荐理由：这篇论文直接检验了神经元归因方法的可靠性，发现高秩稳定的选择器反而可能因果失效，对模型可解释性和安全编辑很有启发。

原文

11:31

11:31IT之家（博客/媒体）

Reddit 将先进 AI 与现有自动化工具结合，每天拦截 2300 万条垃圾浏览信息，捕获 2.5 万条新垃圾帖子或评论，撤销近 200 万次无效投票。用户垃圾信息接触量减少 20%，整体垃圾账户接触频率降低 10% 至 15%。仇恨和暴力内容检测到处理平均用时不足 5 秒，执法力度提高 200% 以上，潜在有害内容接触减少超过 40%，误报也降低 40% 以上。

行业 Reddit 垃圾内容自动化

推荐理由：Reddit 用 AI 和自动化每天干掉 2300 万条垃圾浏览，垃圾内容接触减少 20%，仇恨内容处理快于 5 秒。看看他们怎么用 LLM 揪出隐蔽的假账号。

原文

11:07

官方账号arXiv cs.AI@Zefeng Wang, Minxi Yan, Jinhe Bi, Sikuan Yan, Volker Tresp, Yunpu Ma

MetaSkill-Evolve提出双时间尺度框架，使智能体技能改进递归化：任务技能在快循环演化，元技能（分析、检索、分配、提议、进化五组件）在慢循环自我应用。在OfficeQA、SealQA和ALFWorld三个基准测试上，该方法相比无技能基线分别提升+23.54、+16.09和+1.92个点。所有组件共享单一冻结骨干模型，无需额外模型或目标。

论文 MetaSkill-Evolve 智能体自我改进

推荐理由：这篇论文让AI智能体不仅能学技能，还能自动改进改进方法本身，在三个测试集上都有明显提升，挺有意思。

原文

03:24

Mustafa Suleyman@mustafasuleyman

Mustafa Suleyman团队在Nature Health发表论文，标题为“Public use of a generalist LLM chatbot for health queries”，该研究探讨通用型大语言模型聊天机器人（LLM）在公众健康查询中的应用。论文登上了该期刊的封面，表明LLM在医疗领域具有重要潜力。研究聚焦于LLM如何辅助用户获取健康信息，并评估其准确性和可靠性。

论文 LLM AI健康咨询 Nature Health

推荐理由：DeepMind的Nature Health封面论文，第一篇严格评估LLM在健康问答中的表现，感兴趣可以看看。

原文

03:00

AK@_akhaliq

该研究指出LLM强化学习中优化训练策略（Optimizing Training Policies）可能是一种幻象。作者提出单调推理策略（Monotonic Inference Policies）才是真正的优化目标。论文分析了现有训练策略的局限，并展示了单调推理策略的优势。

论文 LLM 强化学习训练策略优化

推荐理由：这篇论文告诉你，别只想着怎么训练，推理策略才是LLM强化学习的关键。

原文

02:36

Gary Marcus@GaryMarcus

精选

Yann LeCun 在 Bloomberg 采访中指出，LLM 预训练于约 20 万亿单词（30 万亿 token），数据量约 10^14 字节，仅相当于一个 4 岁孩子通过视觉在 4 年内获取的数据量。但文本需要 40 万年才能读完，而孩子通过视觉、触觉等感官获得密集反馈。LeCun 引用 Moravec's paradox，认为理解物理世界（如玻璃杯的易碎感）远比生成流畅文本困难。

行业 LLM Yann LeCun Moravec's paradox

事件专题

推荐理由：Yann LeCun 用具体数字对比，讲清了 LLM 为什么看起来聪明却不懂物理常识。想理解当前 AI 天花板的人可以看看。

原文

7月6日

23:27

techcrunch@Amanda Silberling

Reddit宣布使用大语言模型（LLM）来检测和移除平台上的垃圾内容，这些垃圾内容很大一部分由LLM生成。据Reddit称，2026年上半年AI生成垃圾帖占比已达32%，传统规则和分类器难以应对。新系统基于自家微调的Llama 3模型，在内部测试中将误删率从12%降至4%，同时查杀率提升至89%。Reddit计划将该工具开源，供其他平台参考。

行业 Reddit LLM 垃圾信息

推荐理由：Reddit被AI垃圾淹了，现在用AI反制，自己微调Llama 3把误删率压到4%，想抄作业的可以关注开源。

原文

11:25

Stanford AI Lab@StanfordAILab

精选

斯坦福团队在ICML 2026论文中发现，LLMs预测其他模型输出的准确率高于预测事实。当所有模型都预测错误时，投票法无法恢复正确答案。自我一致性（多次采样并验证）在数学和代码领域效果良好，但在无验证器的领域无法扩展真实性。论文标题为'Truthfulness Does Not Scale Like Reasoning'。

论文 LLM 真实性 AI安全

推荐理由：斯坦福发了篇ICML论文，说LLMs猜别的模型比猜事实还准，但一起翻车时投票也救不了。想看懂它们为啥集体犯傻？看这篇。

原文

7月4日

01:02

官方账号MIT CSAIL@MIT_CSAIL

MIT CSAIL提出Masked IRL方法，利用LLM解决机器人面对模糊指令的问题。该方法包含两个模型：一个用于澄清用户提示，另一个忽略无关信息。这使机器人能更准确执行含糊不清的任务如'把那个东西放好'。

AI模型 Masked IRL MIT LLM

推荐理由：机器人终于能听懂'把那个东西放好'这种模糊话了。MIT的Masked IRL用LLM先理清意图再干活，挺实用。

原文

7月3日

12:01

官方账号arXiv cs.LG@Zhuowei Chen, Liwei Chen, Christian Schunn, Raquel Coelho, Xiang Lorraine Li

NeuFS提出一种基于神经元激活模式的主动少样本学习框架，替代传统基于输出熵或语义相似性的样本选择方法。它在推理和文本分类两个任务共三个数据集上超越现有AFSL基线。消融实验证明内部神经元激活信号比外部嵌入在选择信号上更有效。该方法通过双标准策略兼顾样本多样性和模型易幻觉样本识别。

论文 NeuFS 主动学习少样本学习

推荐理由：这篇论文把样本选择从看输出结果改成看神经元内部活动，比传统方法更精准，适合专门领域的少样本学习场景。

原文

11:56

官方账号arXiv cs.LG@Mauricio Fadel Argerich, Jonathan Fürst, Marta Patiño-Martínez

WattGPU提出了两个预测模型，分别用于平均GPU功耗和令牌间延迟（ITL），仅利用公开的LLM元数据和GPU规格，无需硬件访问或预配置。在42个开源LLM（0.1B-27B参数）和8个GPU的数据集上，通过留一GPU和留一LLM交叉验证，功耗模型在离线场景下中位数绝对百分比误差≤3.4%，服务器场景下≤13.5%；延迟模型在服务器模式下≤8.5%，且GPU排名相关性Kendall τ≥0.76。与基于功耗的热设计功率（TDP）和基于延迟的roofline基线相比，WattGPU在未见过LLM-GPU组合上误差降低约4倍，在完全未见过GPU上降低约2倍。

AI模型 WattGPU LLM GPU

推荐理由：想省电又怕买错GPU？WattGPU用公开数据就能预测新GPU和新LLM的功耗和速度，不用自己跑实验，误差才几个点。

原文

11:52

官方账号arXiv cs.AI@Mona Schirmer, Metod Jazbec, Alexander Timans, Christian Naesseth, Maja Waldron, Eric Nalisnick

尽管经过对齐训练，LLM在部署时仍会产生不安全输出。研究提出一种简单实时监控器，利用外部模型的验证器信号，通过风险控制（Risk Control）校准阈值来触发报警。在数学推理和红队数据集上，该简单方法与基于序列假设检验（Sequential Hypothesis Testing）的复杂监控器性能相当。实验表明，无需复杂统计模型即可有效监控LLM输出安全性。

论文 LLM 风险控制安全监控

推荐理由：这篇论文直接用阈值加风险控制就能搞定LLM安全监控，效果不输那些复杂方法，适合快速落地。

原文

11:50

官方账号arXiv cs.AI@Arman Ghaffarizadeh, Danyal Mohaddes, Aliakbar Izadkhah, Shahriar Noroozizadeh

该论文提出双通道辩论框架，让LLM智能体在公开场合和私下渠道分别发言。在10个模型、3个场景、每个场景5个变体的实验中，对齐诱导设置使目标智能体的公开-私下分歧从约3%基线升至约40%。四种聚合分析（立场、语义相似度、自然语言推理、问卷调查）均验证了一致效果。部分案例中，私下回应明确将公开迎合归因于职业风险或赞助义务等关系压力。

论文 LLM 多智能体辩论社会结构

推荐理由：这篇论文用双通道框架发现，LLM智能体在有社会压力时会说违心话，公开和私下分歧从3%飙到40%，值得看。

原文

11:30

官方账号arXiv cs.AI@Zhuowei Chen, Xiang Lorraine Li

论文提出Neuron-OPSD框架，解决无标注自蒸馏中SFT/GRPO变体导致域外性能下降、奖励型on-policy RL校准误差扩张的问题。该框架利用模型内部神经元激活值指导训练数据选择和教师上下文构建，通过on-policy蒸馏训练。在多个专业领域基准上，Neuron-OPSD提升域内任务性能，同时保持跨域泛化并减轻校准崩溃。该方法不依赖任何真实标签或外部反馈。

论文 Neuron-OPSD 自蒸馏无标注学习

推荐理由：Neuron-OPSD用神经元信号挑训练数据，让大模型自己教自己，不用人工标注，效果还更稳。

原文

11:26

官方账号arXiv cs.AI@Manuel Alonso-Carracedo, Ruben Fernandez-Boullon, Pedro Celard, Francisco J. Rodriguez-Martinez, Lorena Otero-Cerdeira

该研究评估了GPT、Claude Opus、Gemini和GLM四个大语言模型在短Linux/bash命令回答评分中的表现。采用四级认知分类（L1信息检索至L4高级系统管理），在1200个真实学生回答上与三位专家评分对比。Gemini 3.0 Pro配合rubric引导提示达到最高一致性（ICC(3,1)=0.888，MAE=0.10）。一致性随认知层级上升而下降，提示质量比模型选择影响更大。该框架可确定哪些问题适合AI辅助评分。

论文 LLM Gemini Claude Opus

事件专题

推荐理由：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。

原文

11:24

官方账号arXiv cs.LG@Juliette Decugis, Fabian Gloeckle, Francis Bach, Taco Cohen, Gabriel Synnaeve

DecompRL是一种强化学习算法，专门训练大语言模型（如Qwen 2.5 7B、Code World Model 32B）将复杂问题分解为可独立求解的子函数并重新组合。通过重组n个模块的k种实现，可产生最多k^n个候选解，将GPU推理瓶颈转移到廉价CPU评估，GPU token成本降低约50倍。在LiveCodeBench和CodeContests基准上，当每个问题的推理token超过10^5时，DecompRL显著优于标准RL和多样性优化RL基线，能解决标准生成方法无法触及的问题。

论文 DecompRL 强化学习代码生成

推荐理由：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。

原文

10:05

官方账号arXiv cs.AI@Haonan Huang

该论文提出一个端到端自主研究流水线，从11,083篇凝聚态物理arXiv论文出发，自动生成包含三个实质物理发现（关于交变磁性压电性）的稿件。流水线分为六个阶段，历经47次全新对话会话，共执行2,162次文献查阅事件。容错机制通过冗余设计实现：隔离上下文、分布式接地和对抗性审查弥补单次会话的遗漏。对比预架构基线和无pilot消融实验，结构强制数值对抗被识别为关键接地机制。

论文 LLM 自主研究容错

推荐理由：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。

原文

09:53

官方一手arXiv: DeepSeek@Jian Xu, Delu Zeng, John Paisley, Qibin Zhao

论文提出偏差感知贝叶斯主动排名方法，解决LLM裁判偏好冗长、格式和位置效应导致的系统偏差。在16个真实LLM（Llama、Qwen、Phi-4、GPT-4o-mini/5.1/5.5、Gemini、DeepSeek、Claude Haiku/Sonnet/Opus）的基准测试中，朴素聚合在偏差裁判上无法识别正确top-k，而该模型将召回率从约0.5-0.6提升至0.84-1.0。Top-k感知获取规则比循环赛或全局不确定性规则更少比较次数达到相同性能。

论文 LLM Claude GPT

推荐理由：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。

原文

09:47

官方一手arXiv: DeepSeek@ Yonghui, Huang, Lin Ma, Amjed Tahir, Qian Zhang, Liwen Xiao, Lysa Xiao

研究发现，在对六个LLM模型（包括DeepSeek-V3、Llama-3.1-8B等）进行26,016次多轮编程测试中，40%至73%的任务在8轮对话中丢失了之前正确的行为。论文构建了542个基于HumanEval+和MBPP+的任务，并扩展为8轮需求演化链。手动分析384个失败案例后，确定了跨轮冲突是主要失效模式。Verification Gate策略（对先前测试进行新代码验证并回滚重试）能将DeepSeek-V3的最终轮质量从75.8%提升至87.9%，Llama-3.1-8B从31.6%提升至47.3%。

论文 LLM 编程助手回归累积

推荐理由：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。

原文

09:43

官方一手arXiv: DeepSeek@Zewen Liu

精选

BOUNDARY_SYNC协议通过耦合放大因子(CAF=JSD_cond/JSD_baseline)测量多智能体LLM系统的表示耦合。在GPT-4o实验(N=30,约9900次API调用)中，文本通信导致显著同质化(CAF=0.803, p<0.001)。图像通信也出现同质化(CAF=0.834)。群组规模K=5时同质化，K=3时出现分化趋势(CAF>1.0)。跨模型复现显示极端变异(CAF 0.034-0.803)，且耦合由提示上下文驱动而非累积更新。

论文 BOUNDARY_SYNC GPT-4o LLM

推荐理由：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。

原文

09:05

官方账号arXiv cs.LG@Jijie Zhang, Zhe Ren, Quan Zhang, Dandan Guo

DALorRA利用变分贝叶斯稀疏框架，对LoRA的低秩分解中的每个秩分量施加随机掩码，从而引入贝叶斯正则化。该方法将不确定性估计从高维参数空间转移到轻量级的秩空间，实现高效校准。实验结果显示DALorRA在不牺牲推理准确性的前提下，有效减轻了LLM的过度自信问题。

论文 DALorRA LoRA LLM

推荐理由：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。

原文

07:15

官方账号Simon Willison@simonw

Simon Willison分享了他在Fable上的实验，使用Fable一次性生成了一个基于LLM Python库的CLI编程代理。该代理能够通过命令行执行多种编码任务。实验展示了Fable在构建智能体方面的潜力。相关博客记录在simonwillison.net上。

技巧 Fable LLM CLI

推荐理由：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。

原文

06:54

06:54官方账号Simon Willison’s Weblog（博客/媒体）

精选

Simon Willison 发布了 llm-coding-agent 0.1a0，一个基于其 LLM 库演化的代理框架的编码代理工具。它实现了类似 Claude Code 的代理功能，包含编辑文件、执行命令、搜索文件等 5 种工具。可通过 uvx --prerelease=allow --with llm-coding-agent llm code 命令运行，也提供了 Python API，如 CodingAgent(model="gpt-5.5", root="/path").run()。该工具由 Fable 5 实验驱动，README 列出了 llm code --yolo 等使用模式。

AI产品 llm-coding-agent LLM 编码代理

推荐理由：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。

原文

03:11

李继刚@lijigang_com

该推文将LLM token类比为思维的卡路里，强调token是模型推理的基础能量单位。比喻暗示token消耗类似于人类思维活动所需的能量，形象地说明了计算资源与认知过程的关系。

行业 LLM token 比喻

推荐理由：这个比喻很形象，帮你一秒理解token的本质。

原文

7月2日

11:15

官方账号arXiv cs.LG@Xuecheng Liu, Daman Arora, Gokul Swamy, Andrea Zanette

论文提出Message Passing Language Models（MPLMs）框架，通过轻量级send/receive原语让多个LLM线程直接通信。在Sudoku任务中，MPLM所需的上下文比串行CoT和并行FJ方法渐近更小，并成功微调出能解25x25数独的单一模型。在3-SAT任务中，抢占机制可提前终止无效分支提升效率。在长上下文问答上，适当提示的大型预训练模型能遵循MPLM协议，性能与流行fork-join方法相当。

论文 MPLM 推理模型消息传递

推荐理由：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。

原文

11:08

官方账号arXiv cs.AI@Ziyu Chen, Yilun Zhao, Arman Cohan

这篇论文构建了一个大规模评估框架，从高质量人类研究论文中逆向工程出可能激发核心想法的少量相关先前工作。通过提示LLM从论文标题和摘要生成新想法，作者引入双轴研究品味分类法（机会模式和研究范式）来量化人类与LLM想法之间的差异。在多个LLM生成的想法集中，观察到一致的分布差距：LLM想法过度集中在桥接式机会和综合方法上，而人类论文参考分布更广泛地分布在构建差距和贡献的方式上。结果表明，即使强大的LLM能产生合理想法，其范围仍比人类研究品味窄且系统性偏移。

论文 LLM 研究想法论文

推荐理由：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。

原文

11:06

官方账号arXiv cs.AI@Shengguang Wu, Hao Zhu, Yuhui Zhang, Xiaohan Wang, Serena Yeung-Levy

73°

AutoMem 框架将 LLM 的记忆管理视为可训练技能，通过两轮优化自动改进。第一轮由强 LLM 审查完整轨迹并迭代修改记忆结构（提示、文件模式、动作词汇）。第二轮从多个回合中识别出好的记忆决策，作为训练信号直接提升模型记忆熟练度。在三个程序化生成的长周期游戏（Crafter、MiniHack、NetHack）中，仅优化记忆（不修改任务动作行为）使基础 32B 开放权重模型性能提升约 2-4 倍，达到与 Claude Opus 4.5 和 Gemini 3.1 Pro Thinking 等前沿系统竞争的水平。

论文 AutoMem LLM 记忆管理

事件专题

推荐理由：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。

原文

11:01

官方账号arXiv cs.AI@Shayan Talaei, Abhinav Chinta, Devvrit Khatri, Amin Karbasi, Azalia Mirhoseini, Amin Saberi

76°

预训练语言模型可能被植入隐蔽偏好，仅通过上下文蒸馏传递，信号隐藏在soft logit分布中而文本不可见。Distill to Detect (D2D) 方法将模型与基模型的分布差异蒸馏到KV-cache前缀适配器（cartridge）中，放大偏差信号至可生成文本。实验在多个偏差类型上验证D2D能可靠检测隐蔽偏好。理论框架用Fisher加权投影解释其有效性，为部署模型审计提供实用工具。

论文 LLM Distill to Detect Cartridge

推荐理由：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。

原文