CORTEX来了：3D胸部CT推理首次变成可验证结构
这篇工作最有意思的地方，不是又做了一个医疗问答集，而是把“医生怎么想”这件事拆成了能检查、能打分、能复核的结构。对3D胸部CT来说，这比只看最终答案靠谱多了。
标签：大语言模型
共 322 篇
英特尔CAT-Q来了：512样本把大模型压成1.58位
CAT-Q把“训练到位才能三元化”的老路，改成了更省钱的后训练方案。512个校准样本，就想把1.58位大模型做得又稳又准，思路很硬。
ACL 2026新法：摘要模型被投毒后还能恢复？
这篇论文很实用，专治“摘要模型表面正常、背后作妖”。白盒能顺藤摸瓜找出毒样本，黑盒还能只靠模型行为做审计，最后连被污染的摘要习惯都能拉回来，属于防御论文里少见的“检测+修复”双保险。
ICML 2026新发现：RL工具调用竟能压到一个神经元？
这篇论文把“RL到底把工具调用能力藏在哪儿”这件事，直接追到跨编码器里的单个特征上了。更有意思的是，它不仅能定位，还能在推理时把能力拧出来，甚至让基础模型也跟着“蹭到一点”。
阿里开源百万级SAE：Qwen3黑箱被拆开了？
这篇论文最有意思的地方，不是“又训练了一个SAE”，而是把Qwen3的内部表示拆成了能看、能评、还能直接干预的特征字典。更妙的是，它不只讲“重构得像不像”，还真的拿拒答行为做了因果干预，实用味很足。
清华协和新模型RaDaR：32B也能做罕见病诊断
罕见病最怕的不是治不了，而是来得太晚。RaDaR把自由文本、合成数据和推理增强揉成一套开源方案，还做了随机医生辅助试验，终于不是“纸上谈兵”的医疗大模型了。
复旦等提出ICWM：先探一探再控制
这篇论文把机器人“换视角就失忆”的老毛病，改写成一个系统辨识问题：先随机探一探，再把这段互动当上下文喂给模型。简单粗暴，但很对路，仿真和实机都给出了不错的增益。
告别人工脚手架！Spiral端到端训练模型自己搜索和聚合，递归自聚合效果惊艳
很多模型训练时只学顺序推理，一到测试却靠人工搭脚手架（并行采样+投票）来提分，中间有个巨大的“训练-测试”鸿沟。斯坦福这篇Spiral颠覆性地用集合强化学习，让模型边训练边学会如何搜索和如何聚合，把整个推理过程端到端打通了。效果非常硬核，4B模型推理效率吊打传统方法11倍，不愧是Chelsea Finn和Noah Goodman团队的新作！
生成AI老“画”不对？浙大新方法GAZER：让自回归模型在生成中“自纠错”，无需重新训练！
生成AI经常“画不对题”？这可能是顶尖模型也无法避免的“语法错误”。浙大联合山大的GAZER，不走寻常路，它不重训模型，而是在生成过程中，让模型自己扮演“质检员”，通过多模态大模型“复盘”草稿，发现错误后“回炉重造”，简单一招就让图像和视频生成的语义对齐效果显著提升。同类工作中，GAZER切中了核心痛点，非常值得一看！
中国电信&西安交大最新SOTA！InteractiveAvatar：实时流式生成，视频头像也能听懂你的话
能让数字人听懂你说话的“套路”来了！InteractiveAvatar不仅能把语音转成视频，还能理解“看一下手表几点了”这种复杂意图，并做出相应动作。在长达数分钟的无限流式生成中，画面一致性还吊打一众对手，实时推理速度更是达到26.68 FPS。
RIKEN新解：LLM数据溯源“捷径”还是“精确制导”？BM25+影响力函数99%一致？
LLM输出的“灵感”到底是从训练数据里“原样照搬”还是“高维加密”后释放？日本理研牵头的新研究首次给数据相似度（BM25）和数据影响力（KFAC）的排名关系画了张精准的“等高线图”。发现一个反直觉事实：影响力函数能更一致地预测相似度的结果，反过来则不行——这意味着“先BM25粗筛，再影响力精排”的混合方案，可能是大模型可解释性工具箱里的黄金搭档。
北大最新基准HOLMES：LLM高阶逻辑推理平均仅50.64%，最佳模型也才59.54%！
我们评估模型推理能力，还在用“答没答对”来一锤定音？北大等机构的最新研究HOLMES告诉你，答案对了，但推理过程可能全是“捷径”！这个首个面向高阶逻辑推理的真实世界基准，无情地揭露了GPT-5.4、DeepSeek、Qwen等一众顶级大模型，处理起需要“规则打架”、“跨范围组合”的现实问题时，表现有多拉胯。是时候关注推理过程的“忠信度”了。
