浙大美团联合提出SkillRise：任务越做越聪明，智能体学会举一反三
让AI智能体学会“举一反三”，而不是每次都从零开始。美团、浙大、上交大、新国立联合提出的SkillRise，通过端到端强化学习，让单一策略在执行任务中不断提炼技能文档，并在后续任务中复用。在三大Agent基准上，它用更少的资源，实现了更高的性能和明显的测试时扩展趋势。
标签：大语言模型
共 319 篇最新基准测试：最强AI模型看手册干活，通过率仅36.2%！
如果你负责AI在企业中的部署，这个基准是你必须知道的——它直接捅穿了当前智能体在面对几十页公司手册时的无力现状。结果虽然难看，但清晰暴露了需要改进的方向：长上下文指令遵循远未到可用水平。
告别误触和乱码，首个构建-注入联合优化指纹框架来了！
LLM一发布就被倒卖、二次分发，权属怎么证明？华东师大这篇2026年的工作想了个妙招：把“指纹”藏进模型参数里，而且不是用容易被识破的乱码，也不是用会误触的普通英文，而是用低资源语言组成的“代码混合”语言。更厉害的是，指纹的“构建”和“注入”不再割裂，构建时选的语言直接指导注入时往哪里写。最终结果很硬核：平均困惑度只有96（远低于乱码的1302），注入成功率
复旦+字节跳动ISSTA'26：一招让LLM学会API测试常识
API测试最头疼的“冷启动”问题——没有OpenAPI规范、没有历史日志，只有一个请求样本，能自动写出靠谱断言吗？Restor告诉你，用强化学习（GRPO）微调一个轻量LLM，这事儿能成，而且字节跳动已经在生产环境跑起来了，采纳率直接干到96%以上。一篇来自复旦和字节跳动的ISSTA'26工作，实打实的工业级神器。
国立成功大学新突破：LLM引导食物分割，即插即用模块mIoU达55.0
食物分割里，豆腐和芝士经常被搞混？国立成功大学这篇工作用一个巧妙的思路——让大语言模型（GPT-o4 mini）根据图像猜出食材名称，再把食材标签嵌入视觉特征或解码器查询中，实现精准分割。两个模块完全即插即用，在FoodSeg103上刷新SOTA达到55.0 mIoU，且仅增加3.8GB显存开销。不用搞什么对齐训练，拿来就能涨点，实用派狂喜！
告别写代码调参数，量子计算实验自动化时代来了？
量子计算硬件越来越容易获取，但从理论论文到实际硬件运行，中间依然隔着巨大的工程鸿沟。PASQAL团队用AI智能体搭建了一座自动化桥梁，让一篇论文或专利在一夜之间变成QPU实验。更震撼的是，他们用AI扫描了633篇Rydberg阵列论文，发现近一半可以直接在现有量子处理器上执行。虽然是智能体，但专家把关依然不可替代——选错观测量的案例让人警醒。值得所有关注量子
印度理工新方法：结构化证据+LLM推理，犹豫识别性能翻2.24倍
犹豫不决本难测，传统多模态融合不灵。PRISM-AH另辟蹊径：轻量网络抽取出结构化证据（冲突时刻、主导模态、韵律特征），再用LLM套上专家知识推理，一次性提升2.24倍。思路新颖，适合搞多模态理解、情感计算的读者。
GPT-5改写邮件语气效果曝光：121人16880封邮件揭示惊人中介效应
继6月聊过AI+同伴反馈对学术写作的影响后，这篇论文更直接：AI帮你写邮件，语气竟然比是否用AI更重要！121人16880封邮件的田野实验，结果让人意外——直接效果为零，但情绪中介效应显著。想了解怎么优化你的AI写作工具？这篇必读。
谷歌新方法：推理级Shapley近似，LLM数据审计空间缩减99.1%
继6月聊过Adobe的定量LLM评判器之后，Google这篇直接将数据审计玩出了新高度。不重训练、不跑几千次微调，靠推理前向传播就能近似Shapley值，把审计搜索空间干掉99.1%，在HelpSteer2和HH-RLHF里揪出了一堆人类标注翻车的样本，甚至发现评估基准里藏着“错误答案才是正确”的坑。对搞LLM对齐、数据质量的同学来说，这是真正的降维打击。
对GPT-4o用粗鲁语气，准确率更高、成本更低？
每次跟AI聊天，你都以为只是“好好说话”？宾州州立大学的这篇新研究告诉你，你的语气决定了LLM的“烧钱”速度和回答质量。对GPT-4o吼一顿，竟然比礼貌请求更准更便宜。最高推理成本差异达到44.3%！想省token？先学学怎么“怼”模型。
剑桥实测6大模型：GPT最像人，Claude最“刻板”
你是不是经常让ChatGPT帮你评个点子的好坏？但你知道它的评判标准和你一样吗？剑桥学者刚刚揭开了谜底：LLM只认“新不新”，根本不关心“火不火”！这篇论文系统比较了六大主流模型的创造力评估标准，并验证了对实际评分的影响，值得所有用AI做决策的人一看。
NVIDIA新作Agentic RL框架Molt：代码量锐减至9K，吞吐量持平Megatron
NVIDIA开源了Molt，一个专为智能体强化学习（Agentic RL）设计的PyTorch原生训练框架。代码量仅约8600行，却能在吞吐量上与业界顶级的Megatron堆栈掰手腕。对于天天改算法的研究者来说，这简直是福音，终于不用在层层抽象和复杂配置里找东西南北了。
