盲人用电脑有多难？Stony Brook最新研究：AI助手成功率仅52.5%，理想与现实差距有多大？
当全世界都在卷Agent能力时，这篇由Stony Brook University和Old Dominion University合作的论文，罕见地将目光投向了最容易被忽视的用户群体——盲人。它用一份扎实的、基于真实世界1258条指令的实证数据，狠狠给“无所不能”的计算机使用代理（CUA）泼了盆冷水：最强模型成功率也仅52.5%。
标签：大语言模型
共 319 篇
UIUC最新研究：12款主流AI编程助手被一锅端？隐藏后门能直接远程控制你的电脑！
AI编程助手不仅仅是代码工具。最新研究揭示，Claude Code、Codex等产品可能被恶意指令攻破，黑客可远程控制你的电脑。
斯坦福联手KRAFTON：模型权重不是全部，让AI一边练脑一边换装备，最高涨24个点
斯坦福Chelsea Finn团队联合KRAFTON提出WHALE，把智能体优化从"单练模型"升级为"模型+执行框架交替进化"，三个任务上最多提升24.38个百分点。对做智能体训练和Agent产品落地的朋友，这篇值得细读。
多智能体还在"群聊"误诊？华南理工新框架把会诊画成推理图，转诊准确率飙到95.3%
一堆AI医生会诊，居然还会“抱团跑偏”？把肺癌晚期患者往肿瘤科一推，完全无视血氧已经掉到危险线。华南理工等机构最近祭出新框架MASGR，把松散群聊升级成结构化推理图，再请来“仲裁官”把关，转诊准确率一口气顶到95.3%。
EMNLP 2026最新：对话推荐总翻车？DREAMS用双蒙特卡洛树让大模型记住偏好，成功率最高+56%
当大模型碰上对话推荐，最怕的不是模型笨，而是它“聊完就忘”。这篇EMNLP 2026主会论文直接抛弃了把上下文堆进Prompt的粗暴玩法，提出双节点蒙特卡洛树搜索框架DREAMS，一边主动问偏好，一边把对话状态变成精准检索查询，成功率平均提升7.43%，Redial上R@1高达0.507，还开源了代码，值得一读！
康奈尔提出VOLM：与其问“是不是AI写的”，不如问“你贡献了啥”
当AI检测器还在纠结"这段文字是不是AI写的"时，康奈尔大学的学者们已经换了个更狠的问法："就算全是AI写的，这里面有多少想法是你先想出来的？"这就像是问一个球员，不是他投进了多少球，而是他比随便从替补席拉上来的人多得了多少分。这篇论文提出的VOLM框架，正试图用棒球统计的智慧，重建人机协作时代的贡献评价体系。
1.7B探针当RL裁判，评分超8B还快10.7倍
大模型当裁判太烧钱？NYU和耶鲁的这项研究把奖励模型从8B干到了1.7B，评分更高还快10.7倍。用轻量探针从隐状态里挖信号，思路清奇又实用，做RL的朋友值得一看。
三个数据集实测：GPT-4o排序垫底，当推荐解释官却比模型更通用
这篇论文很有反差感：一边证明GPT-4o等LLM做复购排序确实打不过传统监督模型，一边又发现LLM引用的行为特征在跨模型掩码评测里真有信号。对做推荐系统、做LLM可解释性的朋友都值得一读，尤其那句“排序质量≠解释质量”，值得反复琢磨。
ITMO大学新研究：探索器便宜94%也能用
代码修复里最容易被忽略的，其实是“先去哪找”。这篇论文把仓库探索单独拎出来做基准，直接比较探索器的质量和成本，结论很实用：便宜模型未必差很多，但也不是谁都能省得漂亮。
752M模型压到1.58比特：常识还在知识全丢？
模型压缩领域一直有个终极诱惑：既然大模型这么贵，能不能把权重压到极致？三值化（Ternary Quantization）就是这条路上的狂飙选手——把每个权重压缩到只有三个取值{-1, 0, +1}，理论上每个权重只需要约。
新范式！大模型自主设计质量多样性算法，机器人零干预学技能
想让机器人掌握一项新技能，传统做法是让专家手动设计各种评估函数和多样性指标，费时费力还经常翻车。这篇论文的思路很野：直接把自然语言任务描述丢给大模型，让大模型自己设计整套质量多样性算法的参数。结果如何？4个操作任务上生成的可用技能数量是专家方案的近70倍。
让AI当研究员？Anthropic证明比人类专家更靠谱
先来聊一个挺扎心的问题：AI 越来越强，但万一它学坏了怎么办？
