Fraunhofer研究所新作：用「概念流树」替代扁平瓶颈，信息泄露减少40%！
概念瓶颈模型(CBM)一直在“可解释性”与“信息泄露”间走钢丝——模型学会用“车门”、“挡风玻璃”来识别猫？Fraunhofer研究所这篇论文用“层次化决策树”把概念空间拆成多个局部子空间，让每个预测只走自己的专属路径，从根本上堵死了信息泄露的后门！效果还跟平铺直叙的CBM不相上下。
标签：大语言模型
共 340 篇
CVPR 2026接收！QR-Prompt把残差变提示，少样本增量学习性能飙升
少样本增量学习（FSCIL）一直是个“鱼和熊掌”都想兼得的难题，既要记住旧知识，又要快速学会新类别。CVPR 2026的这篇QR-Prompt，把VLM的残差特征做成“小纸条”，既稳定又灵活，在三个基准数据集上都刷了新SOTA。对于搞小样本、增量学习的朋友，这篇是必读品了。
FlashRT开源：27倍加速，边缘AI推理告别“重计算”，秒变“快照恢复”
当机器人每次重启都要重算大模型，或边缘设备LLM冷启动慢到怀疑人生，这篇论文给出了天才解法：把整个推理的“当时状态”像游戏存档一样快照，下次直接读档。FlashRT通过“执行状态胶囊”，让低延迟、小批量的边缘AI服务延迟狂降27倍，并在LLM、TTS、机器人策略上统一了这套机制。简单说，就是让AI推理变得像按快门一样快。
西北大学&亚马逊AGI最新研究：让大模型学好“纠错”，推理能力暴涨，4B模型打趴8B！
让大模型第一步就做对，这要求有点高。但如果允许它错几次，再一步步修正呢？ 西北大学联手亚马逊AGI提出的REVES框架，精准点出了当前“测试时扩展”技术的核心瓶颈——训练与推理的“步数”不匹配。它巧妙地通过把“接近正确”的错解转化为修正样本，用单步强化学习高效地训练模型学会自我纠错，在代码、数学上全面领先，还用4B模型在圆球填充任务上追平了8B系统的SOTA
仅用7%成本就吊打全场？北卡大学提出TIMEPROVE，让长视频问答学会“先找证据再说话”
长视频问答一直是个“贵”且“难”的活儿——处理一小时视频，光视觉token就超200万。北卡大学夏洛特分校的TIMEPROVE，提供了极其优雅的解决思路：先用轻量级的动作检测模块“侦察”出关键证据片段，再只把这些精挑细选的短片段送给VLM做“终审”。结果准确率涨了7.3%，VLM调用次数锐减75%，推理成本暴跌93%！这简直就是给LVQA这个“烧钱”领域的一
告别黑箱审计：CODE-AUGUR如何让LLM的安全判断变得可验证、可复用
继2026年6月聊过AI智能体安全评估之后，这次新加坡国立大学团队带来更猛的干货：不是让LLM当黑盒猎头，而是让它把“觉得安全”的判断写成可执行的断言，再用模糊测试来挑战这些断言。结果？在DARPA的AIxCC基准上比顶尖智能体多发现34%-63%的漏洞，还挖出了22个真实世界的0-day！这才是AI安全审计该有的样子。
40%任务效率提升！重庆大学提出ExS2D：零双臂数据训练双臂机器人
想让家里的扫地机器人帮你搬桌子？想给它找俩搭子？这篇重庆大学的新研究带来一个“骚操作”：让你的单臂机器人不用练习，直接点亮“双打”天赋。不需要昂贵耗时的双臂演示数据，它们通过一个精巧的层次化框架，就让机器人自己学会左右开弓。一句话总结：白嫖单臂数据，通吃双臂任务。🤚
告别Sora幻觉，数据视频进入可编辑时代
做汇报还在手动敲PPT、剪GIF动图？港科广的DataMagic直接端到端解决：上传表格+一句话，自动生成带配音、动画、配乐的数据故事视频。新引入的DVSpec规范确保图表和数据的绑定关系一清二楚，再也不用担心AI“算错”数字。更香的是，这还是个“能编辑的视频”，直接划界面改图表、抠文本，甚至指点AI加新镜头，整个数据呈现流程变得前所未有的丝滑。
港科大新研究：只更新10%Token，推理能力飙升15%，告别盲目探索！
训练大模型就像带兵打仗，胡子眉毛一把抓只会越训越乱，熵塌陷了解一下？港科大的这篇论文发现了其中的“关键少数”——那些在分布上偏离群体平均的Token才是决定推理方向的决策节点。这套方法原理漂亮，效果更惊艳，只更新10%的Token反而吊打全量训练，是RLVR领域的一股清流。一起来看！
阿里最新研究：让LLM学会“连点成线”，长期部署任务成功率飙升76%！
大模型做agent已不新鲜，但让它在真实场景长期部署、边工作边学习、自己积累经验，才是终极形态。阿里CoD论文用强化学习端到端训练LLM学会“连点成线”的元能力，任务序列里第四个任务成功率从28%干到76%，还跨域泛化到没见过的任务上。
罗格斯大学最新研究：SSD让自回归图像生成速度狂飙13倍，复杂度从O(n²)降到O(n)！
从2026年6月的PathSpec到1月的COOL-SD，加速自回归图像生成的方法层出不穷，但都难逃1D序列的束缚。罗格斯大学这篇SSD彻底打破常规，让模型用“二维视野”同时看上下左右，把复杂度从O(n²)降为O(n)，实现13倍加速，这波操作属实惊艳！
上海交大最新研究：多设备智能体执行失败，真的不用全局重规划？
多设备协同的AI智能体，一张发票报销就能牵扯出手机、电脑、多个在线系统。一旦CPU烧了、网络崩了，传统方案就是粗暴“全部重来”。上海交大这项研究告诉你，根本不需要！分层恢复，小毛病本地解决，大毛病再上全局判断，这才是智能体该有的“情商”。
