#LLM

BLOOM-WILT让大模型安全审计更高效，在Qwen3.5-4B测试中行为诱导率翻倍，还推翻了原有模型安全排名。

OpenAI等公司AI临床笔记系统存在信息遗漏问题，新方法能更准确检测遗漏内容。

研究者提出LLM自我建模评估基准，用合成数据提升模型自我认知能力，但不构成真正的内省。

PAC方法解决了LLM多任务RL中任务分配问题，结合优势信号和实际奖励增益，提升训练效率。

OpenAI兼容API的令牌计数能识别共享标记化堆栈，但不能单独用于确定模型家族关系，Qwen 3.8和DeepSeek V4变体测试低于阈值。

这篇论文用几何方法追踪LLM推理轨迹，能提前发现错误路径，提升任务成功率还降低token成本。

这篇论文教你如何用模型检查方法自动验证LLM生成的解释是否可靠，比随机测试发现更多问题。

这篇论文展示了如何用LLM做可追溯的主题分析，工作流程透明，还能保护隐私。

研究人员提出PAC-LLM框架，解决了混沌系统长期预测难题，在短期观测条件下也能准确预测。

这篇论文教你如何在不确定模型性能的情况下，科学分配LLM工作负载，帮你节省AI预算。

多智能体系统交接时边界信息容易丢失，明确约束可大幅降低隐私泄露风险。

LLMODE解决了LLM处理不规则时空观测的难题，通过双源门控交叉注意力将外部时空证据注入冻结LLM。

MIT和哈佛研究人员提出智能体技能的完整生命周期架构，解决LLM智能体在复杂任务中的可靠性瓶颈。

CNY让LLM自主决定何时扩展邻居获取证据，解决了传统方法静态上下文的局限，在TAG推理任务上表现更好。

研究人员发布了TIDE-Bench基准，专门测试LLM在复杂对话SQL中的意图理解能力，发现现有模型在链式识别和意图漂移处理上仍有明显不足。

GABLE用大语言模型模拟人类行为变化，比传统移动数据预测更准，还能提前评估政策效果。

这篇论文揭示了代码世界模型中拓扑与可达性的关系，以及错误修复和缓解的具体方法。

OpenAI一年前提出的CoTs安全策略为何在Hugging Face事件中被忽视？

Amjad Masad@amasad11 个信源在谈原文

新方法让Muon优化器在LLM预训练中跑得更快，尤其擅长沿着平坦方向加速训练。