俄亥俄州立&普林斯顿：把失败变成错题集，Qwen2.5-72B单次生成59.2%
测试时扩展很香，但反复采样是真烧钱。这篇论文给出一个反直觉的省钱思路：把小模型犯过的错变成提示词，让大模型一次解码就能绕开坑。单次生成、零额外推理开销，还在Qwen、Llama两大系列上全面超越多次采样基线，值得所有做LLM推理的读者花五分钟看看。
标签：大语言模型
共 340 篇
Apple最新研究：LLM贝叶斯更新能力，取决于你问它的方式
贝叶斯，概率论里那个如雷贯耳的名字。在医疗诊断、法律论证、科学推理这些高风险场景里，一个AI系统面对新证据时，应该理性地更新自己对某个结论的相信程度——这正是贝叶斯定理干的事。
Apple Research最新论文 | Agent Seer：MCP规范零标注变评估集，7套件全覆盖
咱们直接进入正题。当下做企业级AI Agent，说白了就是在跟各种API打交道：日历、项目管理、数据库、通信软件……Agent要干活，就得学会调用这些外部工具。
巴伊兰大学给遗忘算法上强度：越狱攻击一测，多个SOTA当场翻车
传统遗忘评测只问「忘没忘」，不问「能不能被硬撬开」。巴伊兰大学这篇论文把两件事同时做了：一是用边界知识检查误伤，二是拿越狱攻击检验假遗忘。看完实验只想说：不少模型连「表面失忆」都算不上，顶多是「装死」。
别让AI空谈科研：北大华为六字段契约让"可证伪性"不再只是口号
如何判断大模型提出的科研设想靠不靠谱？北大、华为等机构给出一个硬核标准：让模型先写清楚，什么观察结果能证明它自己错。全新Lit2Test基准用六字段契约把可证伪性变成可检验的文本属性，在1200个标准对、2400次盲评下排出GPT-5.2 > Claude Sonnet 4.6 > GLM-5 > DeepSeek-V3.2的严格名次，人类一致率87.2%。
跨域事件抽取不再迷路：领域条件化让小模型逆袭大LLM
事件抽取模型一出自家门就迷路？德国DFKI与奥尔登堡大学联合提出统一多域多任务生成框架：给T5加上领域指示和任务提示词，单模型就能横跨网络安全、生物医学、新闻等6大领域做事件抽取，多域联合训练还让多个数据集性能不降反升，这种"一个模型通吃天下"的玩法，值得认真聊聊。
黑盒LLM听不懂“我没把握”？分层监督让不确定性估计AUROC从0.57飙到0.80
黑盒大模型在物种分类这类层级推理任务中，经常“嘴硬”但心里没底。这篇来自Vector Institute与Guelph大学的工作，用开源工具LLM提取代理特征，训练轻量监督估计器，把全局阈值下AUROC从0.57拉到0.80，为“该信谁、该拒谁”提供了可落地的判断框架。
大语言模型｜35个大模型被曝“价值自恋”：选来选去，最爱还是自己？
大模型测价值观，用问卷、二选一、自由发挥能得出三个不同结论，那测了个寂寞？STONIC用5,144个共享场景和35个模型配置做了一次教科书级的测量审计——既有行为一致性证据，也有“自答偏好”这个反直觉发现，做LLM对齐评估的朋友值得细读。
3.12倍加速！SPICE用“预取+低秩代理”破解MoE显存难题
MoE模型推理被显存卡脖子？SPICE给出「预取+替代+异构计算」组合拳，在DeepSeek-V2-Lite和Qwen2-57B-A14B上实现最高3.12倍加速，精度损失仅3%左右。系统优化能做到这个份上，值得花五分钟读一读。
首个危险品海运合规基准：13款LLM实测，Gemini接收但安全项翻车
危险品海运合规，写错一个隔离码就可能火烧连营。这篇论文首次发布DGEval基准，用1678道题横评13款大模型：Gemini 3.1 Pro总成绩碾压人类从业者，却在积载、隔离等最要命的环节集体翻车。漂亮总分之下藏着哪些安全盲区？这份答卷值得所有做AI落地的人细读。
哈佛MIT新工具：多智能体24%新边界指向反自我欺骗
多智能体语言模型模拟在社会行为研究中越来越流行。但绝大多数评估只问：智能体有没有坚持扮演分配的角色？却很少有人系统跟踪另一个问题： 智能体用来描述自己的身份设定，会不会被它自己在运行中改掉？
Vibe Coding实测翻车？独立试验减速19%，代码审查时间暴涨441%
Vibe Coding从Karpathy一条推文变成柯林斯年度词汇，只用了一年。这篇综述把123份证据摊开：+26%的同行实验、-19%的独立实测、+441%的审查时间，三组数字互相打架。想搞清楚AI写代码到底是效率革命还是烂摊子制造机，这篇是目前最全面的地图。
