MIT新作：7步解数独的流推理模型
这篇论文最有意思的地方，不是又造了一个“更会猜答案”的模型，而是把离散流模型硬生生改造成了会自我验证、会自我修正的推理器。数独上 7 次前向传播到 99.2%，还把 OOD 难题一起带飞，值得细看。
标签：大语言模型
共 319 篇
GeoCodeBench来了：3D视觉代码，GPT-5也只拿36.6%
这篇论文很像给大模型出了一张“3D几何博士资格考试卷”。它不只看模型会不会写代码，更看它能不能把论文读对、把几何语义守住，结果相当不客气：最强模型也没过四成。
NVIDIA新作：双塔扩散语言模型提速2.42倍
NVIDIA这篇不是简单给扩散语言模型“加速”，而是直接把上下文表示和去噪职责拆开，思路很工程，也很务实。30B 混合架构上还能保住 98.7% 质量、提速 2.42 倍，这种结果值得认真看。
EcoTable来了：自然语言驱动数据湖集成，准确率提升30%还省5倍成本
这篇论文最值钱的地方，不是又造了一个“更聪明的表格模型”，而是把数据湖集成从“先定好数据库再说”改成了“用户想问什么，系统就围着问题去组装表”。EcoTable用轻量模型先缩小搜索空间，再让LLM只盯着最可能的连接路径，最后还能把变换和并行执行串起来，思路很工程，结果也很实在。
腾讯中山大学新方法：复杂指令不再乱序
自回归视频最怕的不是慢，而是“顺序一乱就全乱”。TempAct 把规划和执行拆开，再用分层强化学习去训，专治复杂时间指令下的语义混淆、提示切换失灵和误差传染，思路很像给视频模型配了个会排兵布阵的总指挥。
多伦多大学EPFL新方法：TRL让推理更像人话
这篇论文最有意思的地方，不是把推理分数再往上拱一拱，而是盯住了一个更现实的问题：模型变强了，弱模型和人却未必跟得上。TRL用“接力式” rollout 把单挑能力和协作可读性尽量绑在一起，思路很工程，也很像真业务会遇到的坑。
过渡级监督来了，LLM Agent记忆更可信了？
LLM Agent 的记忆最怕什么？不是“装不下”，而是“记错了还会一直记”。TRUSTMEM盯住每一次记忆更新的覆盖、保留和忠实度，把训练信号从终点前移到每个过渡步，专治长期记忆里的“慢性病”。
AMD新方法HPP：34K帧视频也能程序化调试
长视频最怕的不是“看不懂”，而是“看得懂一点点，却被海量冗余帧淹没”。HPP把感知和推理解耦，让编码型大模型像程序员一样分层探测视频，思路很硬核，成本也更像工程方案而不是玄学。
SemEval-2026新方法：单标记分类把代码检测提到0.789
这篇论文把“AI写没写代码”这件事，硬生生压成了一个单标记生成问题。看起来很朴素，结果却在OOD榜上拿到0.789，和基线0.305相比，差距有点像“会做题”和“连题目都看不懂”。
EMNLP 2026新方法Epi2Diff：靠推理片段预测题目难度，SAT平均提升8.1%
题目难度不只是“题面难不难”，更像是“解题过程有多折腾”。这篇论文把大模型推理轨迹拆成认知片段，再去预测人类会觉得题有多难，思路挺对路。
EMNLP 2025新研究：LLM群体决策竟分两派，结果差15%
这篇 DeepMind 新论文不只是在问“LLM像不像人”，而是在问“像人的代价是什么”。它把群体决策里的镜像与掩蔽讲得很清楚，实验设计也足够扎实，读完能直接理解为什么人机对齐不能只盯着单人问答。
RLM-Cascade：API省45.8%，p50还快1.83倍
这篇论文最有意思的地方，不是“又做了个路由器”，而是把推测式解码从 token 级搬到了响应级，还能跨模型、跨厂商、跨架构跑起来。更狠的是，在真实 agentic coding 负载里，成本、延迟、质量居然一起往上走，工程味很足。
