#LLM

这篇论文把跨会话交接讲透了，给出最小充分交接的比特需求和高斯线性回归的精确结果。做长会话AI应用的值得看看。

这吐槽太精准：vibe coding 带来 50 家公司，衍生出网关公司，现在网关的网关都有人做。看完就懂。

Suhail@Suhail原文

这篇用探针方法拆开了LLM一本正经胡说八道的原因：模型内部其实知道自己不知道，但嘴硬不肯说泛话。

这论文搞了个 CAPRI 工具，管 LLM 改 Isabelle 证明，能查它有没有动不该动的地方。12 个失败证明跑 180 次，修复率直观看得很清楚，想用 LLM 做形式化证明的可以看看。

这篇论文讲怎么用RAG和LLM把技术文档自动变成知识图谱，用在反应堆诊断上，跑得还稳，搞可靠性的可以看看。

想搞LLM自动修bug的可以看看，CausalRepair用双切片把上下文搞干净了，修复数比ReinFix多，成本还低。

这篇论文用SAE潜变量集做相似度度量，发现它并不比稠密嵌入更贴近人类概念判断，搞可解释性的人值得看看这个反直觉结论。

如果你在做低比特量化，ReRound用扩散模型解决RTN的中点模糊，3/4比特下比RTN更准，还不用校准数据，值得看看。

论文提出Workflow Cards，把工作流执行记录变成人和AI都能读的摘要，比直接查数据库答案质量高一倍，做AI文档的可以看看。

如果你做推理模型，这个框架能解决置信度评分在复杂任务上失效的问题，用时间不对称性挑出真正靠谱的答案。

KGCaRe把知识图谱和RAG结合，复杂条件问答比普通RAG更准，多个模型上都赢了，代码也开源了。

想知道AI能不能当靠谱的社交裁判？这篇用34个模型和198个人类实测对比，结论挺有意思。

想用最少实验搞清楚因果机制？MDA 把 LLM 和贝叶斯结合，自动设计实验、发现模型，物理化学生物三领域都刷新了纪录。

不用额外验证器，靠候选池内部共识就能挑出好CAD模型，几何指标还更准，省事又有效。

这篇论文讲怎么用LLM自动造认知决策场景，还验证了复杂度靠谱，做AI评估或心理学实验的可以看看。

想测LLM的地理常识？这个新基准GeoBenchLLM用12个数据集考了主流模型，结论是模型越大、推理越强，GitHub上可跑。

Gary Marcus转推吐槽LLM有根本硬伤，被推理和智能体流水线盖住了，观点挺犀利，看看你认不认。

Gary Marcus@GaryMarcus原文

LeCun出来聊长期研究和LLM了，说AGI还得靠新概念，他看好世界模型，跟主流scaling路线唱反调。

官方账号Yann LeCun@ylecun原文

TYTAN这篇论文教系统自动看懂数据库结构，不用手写语义层，测试里百分之百跑通，挺实在。

MicroEvo用LLM引导芯片微架构设计搜索，比NSGA-II质量高36.2%，效率提升10倍多，代码已开源。

这篇论文让LLM当对话对手，跟人聊几轮就能把阴谋论信念聊下来，比干看事实清单管用，效果还能延续一两个月。

Paul Graham说，想让LLM写代码更省token，就换更抽象的语言，连前缀表示法它也不怕。

Paul Graham@paulg原文

这篇论文把 chiplet 和 LLM 两个热点合在一起聊硬件安全，既有攻击面分析也有防御方案，做芯片安全的值得看看。

用LLM预测足球比分？论文把Dixon-Coles和LLM结合成可审计管道，英超前150场Top-3精确率从26.7%提到30.7%，还说了哪里没用。

想不靠人工标注就给模型打分？这篇论文用数学定理把理性检验变成可计算惩罚，还给了三个现成公式。

有人问哪些公开基准能看出模型真实差距，帖子下已有回复在讨论，想看别人怎么选评测可以参考。

Suhail@Suhail原文

编译器漏掉的优化，LLM 能补上？SeGaBench 测出最强模型在 93% 用例上拿到性能提升，挺有意思。

这篇论文用HIVE工具对比语音和键盘输入的扰动，发现语音转写对模型影响更大，键盘错字反而扛得住。想知道输入方式怎么影响LLM表现可以看看。

这篇arXiv研究测了13个模型：把关键词大写能集中LLM注意力，但准确率不一定提高，交替大小写还会拖累成绩。

这篇论文把197个终端界面应用打包成基准，拿4个大模型和随机点击对比，发现随机探索还挺能打，但大模型单次操作效率更高。他们开源了tuicov和tuibot，想测TUI的可以试试。

这个基准测的是医疗分诊模型会不会乱建议，结果发现简单加提示词远远不够，做医疗AI的人都该看看。