答案泄露让蒸馏掉16.2分，最新论文警告
这篇论文专门盯住一个很阴险的问题：正确答案提前露给模型，训练数据就“看起来都对”，但学生模型还是会被带歪。它不是在讨论玄学，而是用一比特实验把锅精准甩给“答案可见”。
标签：大语言模型
共 319 篇
Qwen3.5-4B实证：RLVR界不再是空话
这篇论文最狠的地方，不是把RLVR讲明白了，而是第一次把“训练得不错”推进到“理论上也站得住”。更有意思的是，它不是空谈定理，而是拿出一条Progressive RLVR流水线，把压缩、蒸馏、量化一起拧上，真把泛化界做到了能看、能算、还能落地。
4B参数搞定视频理解？VideoChat3把算力省下来了
一个模型把细粒度动作、长视频问答和直播流主动响应都装进去了，还只用4B参数。更关键的是，模型、代码、训练策略和数据集全开源，社区终于不用对着“半遮半掩”的视频大模型干瞪眼了。
7B蒸馏干翻72B？这篇金融推理新方法有点狠
金融问答最怕什么？不是题难，是模型一本正经地把账算错。本文直接把“自然语言讲道理”换成“可执行程序讲道理”，再用执行验证筛掉假把式，7B学生竟然能把72B教师按在地上摩擦，思路很硬，结果也很硬。
DeepSeek边缘芯片109.4TFLOPS/W：三招压榨每一比特
DeepSeek 这回不只是把模型跑快，而是把“怎么在边缘设备上少算、少搬、少耗电”拆成了三把硬核手术刀。MIPS、MBLM、DAPPM 三招一套打下来，才有了 28nm 上 109.4 TFLOPS/W 这个挺扎眼的数字。
数学推理新方法：CANON在无标签场景涨分12点
无标签训练最怕什么？怕信号太稀，怕算力太贵。CANON偏偏把“多数投票”变成了每个token都能学的监督信号，结果是：更省算力，推理还更准。
CHI 2026新作：ExpressionCueLens拆解AI伴侣拟人化，跨文化差异一眼看懂
这篇论文最有意思的地方，不是又造了一个“拟人化”词典，而是把AI伴侣的社交媒体讨论拆成了能落地分析的十类表达。Reddit和小红书的差异也很直接：一个更像叙事复盘，一个更像情绪直播，文化和平台习惯真的会把“AI像不像人”这件事带偏。
Meta新方法：长上下文TTT最高提15%
长上下文不是“塞得进去就行”，关键是得知道该学哪几段。Meta 这篇 S-TTT 直接把问题掰开：先让模型自己挑证据，再拿这些证据做测试时训练，随机乱抽的那套终于被按住了。
PhysClaw-0：语言纠错让机器人采数据省84%人力
机器人采数据最怕“同一个坑反复踩”。PhysClaw-0把一次纠错变成后面都能复用的规则，省人力还不丢数据质量，属于很会过日子的机器人系统。
微软TRACE新作：Qwen3-4B长程搜索飙到35.6
长程智能体最怕的不是不会搜，而是搜了半天，最后谁也没记功。TRACE把这件事掰开揉碎，逐轮算账，适合想搞懂长程RL怎么训得更稳、更快的人。
函数调用也要算“把握”：Apple新论文给出两招改造
函数调用最怕的不是答错，而是答错还直接执行，后果可能比胡说八道严重得多。本文第一次把“不确定性评估”系统搬到函数调用场景里，结果很反常识：复杂的多采样并没有天然赢过简单单采样，反而是“会挑 token”的改造更实用。
清华SCALECUA把电脑智能体拉到68.7%，开源模型新纪录
这篇论文最值钱的不是单点技巧，而是把电脑智能体最卡脖子的三件事一次打通：题不够、采样不准、训练太慢。清华团队把可验证任务合成、前沿采样和视觉上下文分割拼成一条流水线，直接把开源模型推到 68.7%。
