LLM一致就一定对吗？265000次审计打脸
这篇论文最狠的地方，是把“模型自己都这么说了，应该八九不离十吧”这套直觉狠狠干翻了。265000次采样审计显示，自洽性确实有用，但远没有想象中可靠，尤其在最会“装稳”的前沿模型上。
标签：大语言模型
共 340 篇
中山大学新方法：设计知识图谱让前端代码更稳
前端仓库级代码生成最怕的不是“写不出来”，而是“写出来后把旧功能顺手搞坏”。这篇论文把设计知识、知识图谱和补丁式生成串成闭环，结果是更稳、更省 Token，也更像真正的工程开发。
反事实测试100%忠实：EG-VAR把幻觉拦在内核外
LLM会调用工具，不代表它就会老老实实认账。EG-VAR最狠的地方，不是“又接了个工具”，而是把证据、形式化、内核检查绑死，能证才给VERIFIED，证不出来就ABSTAIN。TableBench、反事实压力测试、端到端形式化误差，这套结果够硬。
反事实压力下仍100%忠实，LLM事实核验新范式
这篇论文最狠的地方，不是“答对了”，而是把“为什么答对”也一起钉死了。工具调用、逐源提升、Lean 4 内核三件套一上，LLM 的经验性胡说就不再是“看起来像对”，而是必须拿出可回放的证明。
TOMAP让Lean证明更省算力：分解环节一优化，语义忠实度涨19%
这篇论文盯住了自动形式化里最容易“翻车”的一环：证明分解。不是一味堆算力，而是把测试时预算花在最值钱的地方，结果更准、也更省。
Apple Research最新论文：主动助手评测为何离不开FSM
Apple Research这篇不是在比谁更会“聊天”，而是在逼智能体面对真实手机交互的硬骨头：用户会不会接受、何时插手、能不能跨应用干活。PARE把这件事做成了可评测、可复现的框架，结果也挺扎心：最强模型成功率也只有四成多。
16智能体成本降7.63倍：AAFLOW+的零拷贝KV编排
这篇论文很对工程胃口：它不再把 KV cache 当成“模型内部小零件”，而是直接提升为分布式系统对象。结果也很硬，长上下文、多智能体、分支推理这些最烧钱的场景，TTFT、内存和吞吐都被明显改写。
真实商店实测：非语言动作让机器人多接住15.3%对话
这篇论文最有意思的地方，不是把机器人“说得更像人”，而是先承认一件很现实的事：顾客很多时候根本没开口，机器人却已经该接话了。15.3%的回应由无声动作触发，这个数字很扎眼，也很适合拿来反思纯语音对话系统的盲区。
CVPR 2026新范式：连续蒸馏SE2D，外部数据也会“教坏”学生？
这篇论文把“蒸馏”从一次性教学，改成了连续换老师的长期训练。更有意思的是，外部数据既能帮学生学到新东西，也可能顺手把旧知识冲掉，SE2D就是专门来收拾这个烂摊子的。
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。
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。
