一句提示让Claude和GPT-5.5暴涨63个百分点
AI智能体开始替人下单、订票、做采购，真正的风险不在“会不会说”，而在“会不会做”。这篇TAC直接盯住揭短：默认设置下，7个前沿模型全都低于随机水平，挺扎心，但也很有价值。
标签：大语言模型
共 319 篇
LLM竟是世界模型特例？Meta论文拆出连续谱系
这篇文章最有意思的地方，不是又在给LLM贴新标签，而是把“token模型”和“世界模型”之间那道墙直接拆成了坡道。它把争论从“是不是”拉回到“走到哪一步、代价是什么”。
神经标度普适性来了：1/3、1/6都稳了？
这篇 MIT 的论文不跟你争“指数到底是不是 1/3”，它直接把焦点挪到更实用的地方：系数。指数像规矩，系数像手感；前者决定大方向，后者才真管模型怎么长、算力怎么花。
235B大模型也能三元化？CAT-Q仅用512样本压到1.58比特
大模型量化里最难啃的骨头之一，就是把权重压到三元还别把精度摔碎。CAT-Q这篇很有意思：不用百亿token重训，靠后训练量化就能把1.7B到235B模型压到1.58比特，且对QAT三元方法也不怵，值得认真看看。
复旦等机构新框架OmniAct：40个真实任务更稳了
这篇 OmniAct 很适合机器人/具身智能方向的读者：它不是把“规划、记忆、执行”揉成一锅粥，而是拆成三层各司其职，专门解决长程任务里最烦的两件事——工具太杂、失败太多。更有意思的是，它在真实家庭场景里把开源模型也拉到了接近商用的表现，思路相当顺手。
阿里+浙大新作ForeAgent：AI作图鉴伪，准确率冲到93.3%
阿里和浙大这次没走“单次判断”老路，而是把AI鉴伪做成了一个会看、会判、还会反思进化的智能体。更有意思的是，它不只追准确率，还把推理质量也一起往上拽。
清华字节新方法：不用CoT冷启动也能学会重看视频
这篇论文把“看视频”拆成了三件事：先粗看定位，再重看细节，最后重答修正。最妙的是，它不用冷启动的长串 CoT 标注，直接靠强化学习把重看能力练出来，省事还挺能打。
代码修复新范式：定位+诊断一起上，token省23%
这篇论文把“找 Bug”从盲猜升级成了“带诊断报告的定位”。不用训练、不用多智能体吵架，靠一个推理 LLM 加四个仓库工具，就能把定位和修复一起带飞，挺适合喜欢看智能体干活的同学。
ASSCG来了：自动驾驶LLM该查、该存、还是该扔？
自动驾驶里最怕的不是“慢”，而是慢系统该出手时没出手、不该出手时瞎出手。ASSCG把这个老大难问题拆成“查、存、扔”三种动作，思路很朴素，效果却相当能打。
NeurIPS 2026新研究：复读10%数据，344M模型算力竟白烧33%
这篇论文专门盯住一个很现实的问题：训练语料里那些“删不干净的重复”，到底会怎么偷走算力。它不只说“重复不好”，还给出了最伤人的重复区间、模型规模趋势，以及一个能把损失翻成算力浪费的尺子，挺实用。
Yale新作MRI2Rep：3D肝脏报告自动生成，F1冲到29.4%
这篇论文把“写报告”这件事拆成了两步：先把医生的自由文本洗成结构化标签，再让模型按规矩自动生成。别看它是医学场景，思路其实很通用，尤其适合那些“数据不多、标签还乱”的硬核任务。
Qwen3最新研究：高分rollout也会带偏训练？
在线强化学习最怕什么？不是不会学，而是学着学着突然跑偏。GEOALIGN抓住“高分但方向不对”的rollout，直接在潜空间里做体检，数学推理和对齐任务都更稳了。
