RAG修复古籍：韩国团队让GPT-5.1在命名实体恢复上惨败
历史文档像一本被水泡过的《永乐大典》，人名地名糊成一片，传统MLM模型只能干瞪眼。韩国国立江原大学的团队祭出大招——ARI让大语言模型学会“翻书查资料”，用RAG精准找回那些被岁月抹去的名字。在朝鲜王朝实录的修复中，ARI-32B（Qwen3 32B微调版）在命名实体恢复上直接把GPT-5.1按在地上摩擦，效果翻倍。这不仅是个技术活，更像是在帮AI配一副“历
标签：大语言模型
共 340 篇
多伦多大学新基准：AI在复杂任务中准确率暴跌33%，上下文管理是致命短板
最近大家都在追怎么让AI“长记忆”，但你有没想过：就算记忆再长，记错关键计算的中间结果、或者被无关干扰冲昏头脑，照样白搭？多伦多大学联合Vector Institute的新工作ArbiGraph，就用一套可验证的任务图，精准拷打了语言代理在复杂流程中的“上下文管理”能力。结果有点扎心：Qwen3.5-27B单做一题数学题94.5%正确，但放进带分支的依赖链里
GPT-4.1“扮演”美国选民：8/9州预测正确，医疗意见准确率0.94，但偏见暗藏！
继2026年6月推送“AI投资天团”之后，龙哥又挖到一篇角色模拟领域的硬核评估论文——GPT-4.1扮演美国选民预测大选，8/9州全中！还能预测你对孩子打疫苗的态度（准到94%）。但别急着欢呼，深入一看，偏见比数据更顽固。这篇工作把角色模拟的“高光”和“暗面”一起扒了个干净，值得每一位关心AI可控性的同学细读。
72B参数大模型当导师，无需人工标注，概念学习零门槛
手术台上，医生盯着质谱仪实时反馈的代谢数据，问AI“为什么判断这里是肿瘤？”——以前只能得到一个黑盒概率。现在皇后大学团队让AI学会自己发现代谢概念，甚至能用知识图谱解释“看到了异常的氨基酸信号”。关键是不需要人工标注概念，这招解决了质谱分析的一大痛点。方法新、实验实、还给出术中案例，值得关注。
告别离散判分：连续概率评分让LLM验证准确率提升至86.5%，零微调超越专用模型
验证是AI的隐藏瓶颈！斯坦福伯克利这篇最新论文，提出LLM-as-a-Verifier，用连续评分取代离散判分，并沿三个维度缩放验证能力。无需训练就在代码、机器人、医学四基准拿下SOTA，GitHub已获近600星。想了解如何让Agent更可靠？这篇值得细读。
GeoThreat来了：遥感LVLM可控攻击成功率飙升
遥感LVLM看着挺靠谱，但能被一张加了微小噪声的图片骗得认错地物？GeoThreat做到了，攻击成功率飙到88%，比之前最好的方法高出46%。这篇工作不仅是攻击，更是对遥感领域LVLM鲁棒性的警钟。
WPI携手ChatGPT-5.6：奇环香农容量下界刷新，C7超3.258
一篇让数学界看到AI潜力的工作：用ChatGPT-5.6找到了比传统启发式更大的独立集，把C7香农容量下界又推高了那么一丢丢。数字虽小，意义不小——LLM正在学会做真正的数学发现。尽管本地搜索算法和模拟退火苦战三月未果，LLM仅靠对话就突破了关键壁垒。这种"聊天式科研"的范式，会不会成为未来的新常态？
FORGE-plus来了：LLM给机器人定力上限，压不坏还会修
机器人装配里最容易翻车的，不是“不会做”，而是“太用力”。这篇工作把LLM从“嘴强王者”变成了会给力控设预算、会看力信号选恢复动作的监督器，思路非常工程化。
这篇论文把智能体拉回工程：契约、护栏、审计全补上
智能体这波最热闹的地方，不是“会不会做题”，而是“能不能放心交活”。这篇论文直接把话挑明：没有契约、护栏、审计和责任边界，智能体再聪明也只是实验室里的热闹。
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。
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。
