北京理工大学新方法：让模型“说实话”再追求精准
这篇论文把一个很现实的问题挑明了：多模态大模型不是不会说细节，而是细节一多就更容易“翻车”。GRANFACT、层级评测和RP-DPO三件套，正好把“说得更细”和“说得更准”这对老冤家拎到台面上狠狠干一架。
标签：大语言模型
共 319 篇
DeepSeek教Qwen7B做题：蒸馏后准确率涨4.76%
这篇论文不玩虚的，直接拿 DeepSeek-R1 教 Qwen2.5-7B 做数学题，结果不是“玄学提升”，而是能稳定涨分，还顺手把“推理长度一缩水，准确率就掉”这件事讲明白了。对想做小模型蒸馏、数学推理和本地部署的人，都挺有参考价值。
Cornell新方法SPS：状态和预测分家更强
Transformer 一直把“记忆”和“预测”塞进同一条链路里，像让一个人一边背台词一边写剧本。康奈尔这篇论文直接把两件事拆开，结果是更低损失、更好泛化，而且推理几乎不涨成本，思路很硬。
百度北大新作：ECHO把长程RL的记忆与信用打通
长程智能体最烦的不是“想不起来”，而是“想起来了却不知道该把功劳算给谁”。ECHO把记忆选择和信用分配绑在一起，思路很工程，也很实用，尤其适合做搜索、工具调用和深度研究的Agent训练。
RiVER来了：无标准答案也能训大模型，ALE提分9.4%
这篇论文最有意思的地方，不是又把一个榜单刷高了，而是把“没有标准答案”的优化题，硬生生改造成了可训练的强化学习环境。原始分数不靠谱、频繁样本会抢戏，RiVER都给它摁住了。
Cohere与LG CNS新作：111B模型只改三步，韩英智能体更会推理还省显存
这篇论文最有意思的地方，不是把模型从头再训一遍，而是拿一个已经后训练好的111B多语模型，靠三步适配把“会说话”升级成“会办事”。更关键的是，它把韩语回答、英语推理、工具调用和单卡部署这几件原本互相打架的事，硬是捏到了一起。
上海交大蚂蚁新方法：连续推理狂飙32%
多模态大模型最烦的，不是不会想，而是训练时偷看答案、推理时却只能裸奔。AMVL直接把这个“作弊窗口”堵上，用双向KL同时管住先验和后验，思路很硬，实验也够实在。
Pocket FM新作Magnet：100页故事幻觉少一半
Pocket FM这篇不是单纯“让模型会写故事”，而是把“角色怎么想、世界发生了什么、下一步该往哪走”拆成一套闭环系统。更关键的是，Atlas 还专门负责抓长篇里的情节打脸，终于不是只会写，连自查也安排上了。
Thermal-Det来了：零样本热成像检测，AP最高提升到0.372
热成像检测最烦的不是“看不见”，而是“看见了也不知道它叫什么”。这篇 Thermal-Det 直接把开放词汇、语言引导和跨模态蒸馏塞进热成像里，还真把零样本检测做出了像样的结果，属于能落到真实场景的那种活儿。
CVPR 2026新作CIGMA：剪掉“坏头”，ViT背景依赖直降88%
这篇论文最有意思的地方，不是“又做了一个剪枝”，而是把ViT到底在看什么这件事，往因果层面往前拽了一步。它不靠重训，直接定位并切掉那些专门走背景捷径的注意力头，思路很狠，实验也够硬。
音乐大模型别只看准确率：这套体检把“真懂”测出来了
这篇论文最狠的地方，不是分数有多高，而是它把“高分幻觉”拆得很难看：二元问答能蒙混过关，真到区分相近乐器、长上下文和时间定位时，很多模型立刻露馅。对做音频大模型评测的人来说，这篇更像一份体检单。
LLM不只会写代码，还能修内存？MOA给出答案
内存优化最烦的不是“找不到问题”，而是“找到也修不完”。MOA把这事拆成三段：先从 profiling 里挖出反模式，再自动长出静态检查器，最后批量生成补丁，挺像给性能工程装了一条流水线。
