#NLP

ESPO方法让提示更短更准，在Qwen3 GSM8K上从15%提升到91.4%，比GEPA短47%还更准。

这篇论文把隐喻解释的评估从单一打分拆成六个维度，还发现人类分歧是有规律的，做NLP评估的可以看看。

一篇讲怎么测AI长期影响的论文，用社会科学的方法补NLP的短板。适合做AI安全和行为研究的人读。

这篇论文很实在，直接指出LLM-as-a-Judge在多语言场景下不靠谱，只找出33篇相关研究还一堆问题。做NLP评估的朋友建议看看。

这篇论文展望了智能体电商的未来：AI买家花几分钱买真实的商品历史数据，而不是听推荐。把注意力从对话流畅度拉回到信息验证上，值得关注。

多智能体系统终于有了统一的置信度评估方法，做NLP系统可靠性或智能体协作的团队可以直接参考协议设计，提升系统可信度。