新加坡理工大学：电池健康预测加语义双引擎，误差最高降37.3%
电动车车主最怕的一件事，不是充电排队，而是电池"悄悄地"不行了。手机用两年续航肉眼可见地缩水，电动车开五年续航打折，储能电站跑几年之后调度策略得跟着改，这些现象背后都指向同一个量：电池健康状态（State of Heal。
标签：大语言模型
共 340 篇
哥伦比亚大学提出LEVER：定理证明成本降34%，解出率96%
证明这东西，对只是及格线。数学家还挑它短不短、纯不纯、找起来贵不贵。哥伦比亚大学这篇LEVER，把这几件事直接写进搜索目标，成本降了三成多，解出率反而从80%升到96.3%。
智能体翻文件总漏关键表？MIT用双层经验一次补齐
想象一个干了十年的财务顾问，面对杂乱报表，他翻完一遍后脑中会留下便签：“这张表够用”，“那份文件跳过”。下次再来任务，他按便签取该看的东西，既快又准。
麻省理工学院韩松团队推理能力编织：准确率提升同时少用9.6%令牌
论文基本信息 原文标题： Lightning Weave: Improving the Accuracy-Efficiency Frontier of Reasoning Models through Capability Composition 首次公开： 2026年9月14日（按 arXiv 首次公开时间换算为北京时间） 署名单位： 麻省理工学院、英伟达
上海AI实验室Atria Dawn：用可验证经验训练科研智能体，并复盘769项人机协作任务
论文基本信息 模型名称： Atria Dawn Preview 原文标题： Atria Dawn: The Dawn of Agentic Superintelligence — On the Evolving Roles of Human–AI Collaboration 署名单位： 上海人工智能实验室、复旦大学 首次公开： 2026年9月14日（arXi
华盛顿大学大模型偏好后训练：输出Token最多减少39.84%
论文方法： 长度优化低秩后训练方法（LOCUS） 原文标题： LOCUS: Task-Aware Low-Rank Post-Training for Token-Efficient Language Generation 第一署名单位： 华盛顿大学 具体领域： 大模型偏好后训练 首次公开： 2026年9月10日（arXiv v1） 原论文： htt
上交大TIPCODER：代码生成前先“审题”，一次生成反超8次采样
还在让代码大模型硬啃题目？上海交大等机构提出的TIPCODER做了个示范：先别急着写代码，让模型根据具体问题"出个主意"，再动笔。就这么一个前置小动作，一次生成的效果反超了Best-of-8的多次采样，平均通过率最高冲到71.10，有点东西。
让代码AI出题考自己！南洋理工TCS两阶段强化学习方案全解析
考过程序设计竞赛的读者应该都有同感：决定命运的不是“你觉得自己写对了”，而是评测数据有没有精准戳中你代码里藏得最深的bug。
快手与北航新范式：从“挑视频”到“造视频”，广告视频可以现场拍
如果把短视频推荐系统想象成一家大型仓库，算法的工作就是“在仓库里找一件用户最可能喜欢的东西”。仓库越大，推荐越准。可问题在于：算法再聪明，也只能在仓库里挑，不能在用户最想要的那一刻，照着用户的心思现场做一件出来。
三星SEKA-FT：让1.5B基础模型搞定5G根因诊断，准确率直冲94.2%
LLM做5G故障根因分析，最怕的就是一本正经地编证据。三星美研这次把“证据→诊断路径→结论”结构化地塞进微调过程，让1.5B小模型直接干出94.2%准确率。想研究LLM垂直落地与“反幻觉”设计的同学，这篇值得细读。
清华&Z.ai新作：把推理草稿提到正文前，长上下文难题准确率暴涨近3倍？
写代码时如果发现bug，你会不会把错误日志贴到代码最前面，一边看一边改？清华与Z.ai这篇新作就是干这个的：让大模型先自己想一遍，把推理草稿提到长正文前面再来一次，GraphWalks上准确率直接从29.2%飙到81.8%！
视频生成不懂物理？川大新框架用事件链思维，物理正确率暴涨至72.5%
大模型生成视频"看起来美，动起来假"的顽疾有解了。这篇来自四川大学的工作，不去堆算力，而是给视频生成装上"物理事件链"大脑，用可量化的物理公式约束每个中间状态，在PhyGenBench上把物理贴合度均值提升到72.5%，值得做视频生成与世界模型的朋友细读。
