EMNLP 2026最新：对话推荐总翻车？DREAMS用双蒙特卡洛树让大模型记住偏好，成功率最高+56%
当大模型碰上对话推荐，最怕的不是模型笨，而是它“聊完就忘”。这篇EMNLP 2026主会论文直接抛弃了把上下文堆进Prompt的粗暴玩法，提出双节点蒙特卡洛树搜索框架DREAMS，一边主动问偏好，一边把对话状态变成精准检索查询，成功率平均提升7.43%，Redial上R@1高达0.507，还开源了代码，值得一读！
标签：大语言模型
共 340 篇
康奈尔提出VOLM：与其问“是不是AI写的”，不如问“你贡献了啥”
当AI检测器还在纠结"这段文字是不是AI写的"时，康奈尔大学的学者们已经换了个更狠的问法："就算全是AI写的，这里面有多少想法是你先想出来的？"这就像是问一个球员，不是他投进了多少球，而是他比随便从替补席拉上来的人多得了多少分。这篇论文提出的VOLM框架，正试图用棒球统计的智慧，重建人机协作时代的贡献评价体系。
KakaoBank新基准：财报电话会“言不由衷”AI听不出，语音回避检测F1最高仅58.5
当CEO在财报电话会上闪烁其词，AI能听出他声音里的“虚”吗？KakaoBank等机构构建的双标签基准DualEvasion揭示：大模型在文本回避检测上接近人类，但语音自信度检测最高F1仅58.5，距离人类表现差距巨大。
1.7B探针当RL裁判，评分超8B还快10.7倍
大模型当裁判太烧钱？NYU和耶鲁的这项研究把奖励模型从8B干到了1.7B，评分更高还快10.7倍。用轻量探针从隐状态里挖信号，思路清奇又实用，做RL的朋友值得一看。
三个数据集实测：GPT-4o排序垫底，当推荐解释官却比模型更通用
这篇论文很有反差感：一边证明GPT-4o等LLM做复购排序确实打不过传统监督模型，一边又发现LLM引用的行为特征在跨模型掩码评测里真有信号。对做推荐系统、做LLM可解释性的朋友都值得一读，尤其那句“排序质量≠解释质量”，值得反复琢磨。
ITMO大学新研究：探索器便宜94%也能用
代码修复里最容易被忽略的，其实是“先去哪找”。这篇论文把仓库探索单独拎出来做基准，直接比较探索器的质量和成本，结论很实用：便宜模型未必差很多，但也不是谁都能省得漂亮。
752M模型压到1.58比特：常识还在知识全丢？
模型压缩领域一直有个终极诱惑：既然大模型这么贵，能不能把权重压到极致？三值化（Ternary Quantization）就是这条路上的狂飙选手——把每个权重压缩到只有三个取值{-1, 0, +1}，理论上每个权重只需要约。
新范式！大模型自主设计质量多样性算法，机器人零干预学技能
想让机器人掌握一项新技能，传统做法是让专家手动设计各种评估函数和多样性指标，费时费力还经常翻车。这篇论文的思路很野：直接把自然语言任务描述丢给大模型，让大模型自己设计整套质量多样性算法的参数。结果如何？4个操作任务上生成的可用技能数量是专家方案的近70倍。
让AI当研究员？Anthropic证明比人类专家更靠谱
先来聊一个挺扎心的问题：AI 越来越强，但万一它学坏了怎么办？
GPT-4o当裁判，Qwen2.5答得更靠谱，背后其实是一张评分表
奖励信号怎么给，才能让大模型在开放域问答里真正学会“有理有据、条理清晰”？苹果这篇最新论文把笼统的偏好打分换成了多维评分细则，效果直接涨了6.5%。路子够巧，值得一读。
机器翻译也玩推理？Qwen3-8B拆句查证，BLEU/COMET双涨
继大模型推理能力在数学、代码领域大杀四方之后，法国索邦大学与SYSTRAN团队把「思考」带进了机器翻译：让模型先从检索到的相似示例里精准切出可复用的平行片段，再动笔翻译。实验覆盖6种语言16个领域，BLEU、COMET与MetricX全面超越传统k-shot与草稿式推理，思路清奇且落地性强，值得每一位NLP从业者细读。
少花10倍算力！ASIL让开源小模型操作软件涨14个点
当Claude Code、Codex在代码世界里大杀四方时，GUI软件依然是智能体的"最后屏障"。上海交大与BIGAI提出ASIL，用结构化JSON观测+语义化代码动作替代截图点击，让GPT-5.4在380个任务上拿下81.6%的成功率，而同样的任务截图控制只有6.6%。一句话操作就能完成截图控制15次点击都完不成的活，这可能是智能体交互的一次范式革命。
