上交大TIPCODER：代码生成前先“审题”，一次生成反超8次采样
还在让代码大模型硬啃题目？上海交大等机构提出的TIPCODER做了个示范：先别急着写代码，让模型根据具体问题"出个主意"，再动笔。就这么一个前置小动作，一次生成的效果反超了Best-of-8的多次采样，平均通过率最高冲到71.10，有点东西。
标签：大语言模型
共 319 篇
让代码AI出题考自己！南洋理工TCS两阶段强化学习方案全解析
考过程序设计竞赛的读者应该都有同感：决定命运的不是“你觉得自己写对了”，而是评测数据有没有精准戳中你代码里藏得最深的bug。
快手与北航新范式：从“挑视频”到“造视频”，广告视频可以现场拍
如果把短视频推荐系统想象成一家大型仓库，算法的工作就是“在仓库里找一件用户最可能喜欢的东西”。仓库越大，推荐越准。可问题在于：算法再聪明，也只能在仓库里挑，不能在用户最想要的那一刻，照着用户的心思现场做一件出来。
三星SEKA-FT：让1.5B基础模型搞定5G根因诊断，准确率直冲94.2%
LLM做5G故障根因分析，最怕的就是一本正经地编证据。三星美研这次把“证据→诊断路径→结论”结构化地塞进微调过程，让1.5B小模型直接干出94.2%准确率。想研究LLM垂直落地与“反幻觉”设计的同学，这篇值得细读。
清华&Z.ai新作：把推理草稿提到正文前，长上下文难题准确率暴涨近3倍？
写代码时如果发现bug，你会不会把错误日志贴到代码最前面，一边看一边改？清华与Z.ai这篇新作就是干这个的：让大模型先自己想一遍，把推理草稿提到长正文前面再来一次，GraphWalks上准确率直接从29.2%飙到81.8%！
视频生成不懂物理？川大新框架用事件链思维，物理正确率暴涨至72.5%
大模型生成视频"看起来美，动起来假"的顽疾有解了。这篇来自四川大学的工作，不去堆算力，而是给视频生成装上"物理事件链"大脑，用可量化的物理公式约束每个中间状态，在PhyGenBench上把物理贴合度均值提升到72.5%，值得做视频生成与世界模型的朋友细读。
代码生成｜代码投毒新攻击：仅污染0.7%语料，让大模型乖乖写出漏洞代码
分东西还要分任务？谁拿了好东西，谁多干了活，算法能分得大家都别红眼吗？一群做理论的人把这事儿掰扯清楚了——给每个参与者不同"权重"时，四校联合研究终于破解了混合了吗哪的难题，首次给出通用的高效分配方法。
ETH&哈佛新基准：AI智能体修复电网不收敛，成功率从82.6%冲到100%
把这个问题再往前推一步：潮流不收敛以后，电网调度员通常要反复“试探”——检查网络结构、分析残差、判断是不是无功支撑不够、猜想某个发电机电压定值压得太低，然后带着假设去跑仿真，不行就换个方向再来。
弗吉尼亚理工提出IntroConformal：让大模型自查"看图说话"，弃权率狂降57%→25%
大模型"看图说话"时编造细节，一直缺乏严格的统计约束。弗吉尼亚理工这篇工作用模型自己的"内心独白"替换外部验证器，照样把错误率控制在数学保证范围内，还顺手把弃权率打了下去。值得所有关注多模态可靠部署的读者一读。
让冻结LLM学会“脑内潜思”：循环潜思维LRT，符号推理暴涨26.7个点
当思维链还在“一字一句”硬凹推理时，这篇论文直接让冻结的LLM在“脑内”用向量打草稿。仅训练1130万参数，就在符号推理上把零样本思维链拉高26.7个点，推理延迟还更低。是时候重新审视“推理必须说出口”这个前提了。
相关系数0.993：这款模拟器让Agent排行榜终于可信了
图1：披露门——五级有序门禁，释放三个深度层级。系统的状态是一扇“门”，而门所释放的是一个“深度”：只有信息深度不高于当前门所放行的层级时，这条信息才有资格浮出水面
首尔大学&UC Berkeley端侧新作：专治手机LLM一切后台驱逐
大模型的"三好学生"人设，一换语言就崩？麦考瑞大学等机构给乌尔都语做了套"文化体检"，人工逐句改造三大经典对齐基准，结果GPT-4o-mini的诚实度直接掉了20个百分点，安全护栏也形同虚设。🤚
