让AI学会货比三家？普林斯顿这个基准至今无人超越
这篇被引1300+次的开创性工作，来自普林斯顿大学。WebShop用118万件真实商品和1.2万条人工指令，把“语言智能体”的评测从玩具级任务搬进接近真实的电商场景——AI要自己读懂需求、搜索商品、挑选项、下单。更难得的是，训练好的智能体能零样本迁移到真实Amazon和eBay，是语言grounding方向绕不开的经典基准。
标签：大语言模型
共 319 篇
浙大开源24小时心电基准：GPT-5也翻车，微调后准确率99.7%
24小时动态心电（Holter）是诊断心律失常的金标准，但多模态大模型在超长时序信号面前几乎“失灵”。浙大等团队开源Holtercare-Bench基准与Holtercare-23K数据集，用信号-视频-文本三模态对齐，让GPT-5、Qwen3-VL等模型首次系统性接受“心电马拉松”考验——微调后时序定位准确率飙到99.7%，差距比想象中更大。
汤森路透最新基准：10个法律大模型最高仅0.46分
想象一个场景：你打算从一家创业公司跳槽去竞争对手那里，拿起手机问AI：“公司能强制执行我的竞业限制协议吗？”它几乎秒回：“竞业限制协议在合理范围内一般可执行，但需结合具体条款判断。
单次采样效果优于PPO/GRPO厦大&南洋理工新方法大涨15个点
智能体强化学习正处在大模型后训练的核心位置，但PPO太贵、GRPO又存在信用分配短板。本文提出SAPO，用一条自回归流同时搞定策略与价值估计，在ALFWorld和WebShop上比PPO/GRPO平均涨15.1/12.1个百分点，还省掉独立critic、提速33.2%。一句话：值估计的便宜和单采样的高效，这次全都要。
告别一步梯度短视！中科大让LoRA全面反超只需多走64步
微调大模型，LoRA 省显存但总差口气？中科大新方法 LoRA-GA² 表示：只盯一步梯度确实容易“短视”，多走几步、看看真实的微调轨迹，GLUE 直接反超全量微调，显存还一分不多花。
CVPR 2026南大&字节新作：AI终于记住你会变的口味，个性化暴涨22.4%
你的AI助手能记住你三个月前说过"最近改喝零度可乐"这种小事吗？还能看出你最近压力大、回答时自动把语气调到安静模式？南京大学和字节跳动这篇CVPR 2026工作，把"长期记忆+动态人格对齐"做成了完整框架，在自建基准上把GPT-4o都赢了，值得一看。
大语言模型｜不用人肉标注！这套框架从VR对话里自动挖出团队协作「暗涌」
团队协作研究终于不用「一刀切」了。这篇工作把晚期分块、变点检测和LLM辅助标注串成一条可追溯流水线，在30场VR协作实验中验证：阶段边界检测与交互行为对齐，适合做VR训练、人机协作和沟通分析的朋友读一读。
0.75还是0.50？越南高考凸性评分给大模型评测上了一课
大模型评测几乎都在用“对错”代替“官方评分”，越南2025年高考的凸性评分直接把这种替代打回原形。本文用632道真题和百万考生真实分布，把模型放进人类排名里比了一次，结果让人捏把汗。
哈佛最新开源：147万份百年报纸，榨出163亿token公共数据集
这可能是今年最"考古"的AI基础设施工作：哈佛联手波士顿公共图书馆，把1795到1930年的147万份报纸扫描件，变成163亿token的干净文本。更难得的是，整套流水线设计成工作站级硬件就能跑，租服务器全程只要约2.5万美元——相比云端OCR动辄几十万美元的报价，这性价比简直离谱。对做数据工程、LLM预训练和数字人文的人来说，这篇值得细读。
乔治梅森大学新框架：o1-preview效果亮眼GPT-4o，医疗问答准确率飙升
这就是社区问答（Community Question-Answering，简称CQA）平台面临的真实困境。
CAD场景揭秘：可解码信息为何无法驱动LLM行为
本期亮点在于用参数化CAD约束当“探针”，把“可解码、可生成、可影响、可控制”四个层次拆开审计。结果相当扎心——大模型能线性解码几何约束，生成和应用却掉链子。想搞清楚“模型知道≠模型做到”的差距，这篇值得读。
给LLM“乱打分”上保险！混合RL框架证明：奖励塑形不改变最优策略
这篇论文干了一件很“较真”的事：当大家都在用LLM给强化学习当“教练”时，它用数学证明了只要奖励塑形方式得当，教练再怎么“瞎指挥”，也改变不了最终的最优策略。不管是做LLM Agent还是RL的读者，都值得看看这份理论保障。
