Google新方法：先想清楚再分类，F1最高涨10.5%
这篇论文最有意思的地方，不是又造了一个更强的分类器，而是先承认一件事：很多视觉概念根本没法一上来就说清。Google把“边界样本+概念梳理”做成了一个可交互流程，专门治那种人和模型都容易吵架的主观概念，挺实用。
标签：大语言模型
共 319 篇
RUMBA来了：俄语长记忆基准把模型短板照得很清楚
长期记忆这件事，很多模型平时看着挺聪明，一到多会话、跨时间、隐式时间表达就开始露馅。RUMBA把俄语场景拆成三轴诊断题，直接告诉读者：到底是忘了、算错了，还是时间没看懂。
Token级协同推理来了：PyroDash把大模型调用压到1.9%
小模型先冲，大模型只在关键节点接力，这套思路最值钱的不是省钱，而是把“什么时候该求助”这件事训练成了模型自己的本能。PyroDash还把奖励直接对齐到真实推理成本，适合真想落地的人看。
VLDB 2026新作Auto-Fill：1%成本补齐表格空缺
表格缺失值预测看似是“补空”，本质却是“别乱猜”。这篇论文最有意思的地方，不是把模型堆大，而是把任务拆成三种能力，再用校准和弃权把自信管住。
TINY_SCHILLER来了：德语小模型一行代码就能开训
德语小模型最烦的不是训练，而是“先把文本弄成能喂给模型的样子”。这篇工作直接把席勒戏剧做成单文件、可分词、可微调、可一键加载的语料，主打一个零摩擦。
Meta AI新基准GAMUT：长文评估不只看对错
最扎心的不是模型答错，而是它把该说的全漏了。Meta AI 这篇 GAMUT 直接把“事实完整性”拆成可评估的结构问题：先写清答案该包含什么，再把它变成机器能稳稳打分的二进制清单。
ACL 2026新研究：LLM最爱把哪些价值观认错？
大模型会不会“懂价值观”，先别急着谈对齐，先得看它能不能把价值标签认准。本文把这个前置问题拆成精确识别、排名恢复和定向混淆三层，结果很扎实，也很适合拿来给评测补课。
Thinker-Talker双流架构：低延迟翻译更稳了
流式语音到语音翻译最烦的不是“会不会翻”，而是“能不能边听边翻还不崩”。这篇论文的狠活在于：只用约2k小时配对数据，就把长篇流式S2ST做到了很能打的水平，而且还把读写策略和语音生成拆开，思路很干净。
OVOD-Agent：无大模型也能做视觉推理？
开放词汇目标检测最尴尬的地方，不是“看不见”，而是“看见了却只会机械对词”。这篇论文把检测器改造成会做视觉推理的轻量代理，还尽量不把系统搞成大模型重灾区，思路很对路。
TOFU也翻车了：无oracle认证有极限
机器遗忘最怕的不是“忘不掉”，而是“看起来忘了，实际上还记得”。这篇论文直接把评估体系拉回现实：别只盯着训练探针，得看它是不是能恢复到匹配重训的分布。
NTU新方法：教学视频评估从“通用分”变成“因材施教”
教学视频越来越像“内容生产流水线”，但评估这件事仍然很费专家。EduPanel把视频、课程要求和学习者画像一起拉进来，做成三智能体评估器，结果居然能逼近人类专家，还能反过来帮专家提分。
GPT-5.5、Claude、Grok、Gemini医疗安全测试：评判者一换，排名就变
医疗AI最怕的不是答题难，而是信息少还硬装懂。这篇论文最狠的地方在于：它不仅测模型，还把“谁来打分”也拉进了实验，直接揭开评测里的偏差黑箱。
