母语推理只掉3个点？Apple最新多语言GRPO实证
Apple Research出品，一份覆盖9个模型、11种训练语言、最多23种训练变体的大规模 GRPO 多语言实验。它用数据回答了「非英语推理训练到底行不行」这个老问题，还挖出了跨语言迁移背后的隐藏退化风险。做多语言强化学习或推理模型训练的同学，这份图谱值得收藏。
标签：大语言模型
共 319 篇
3B模型苹果芯片连挂5个bug，修复后agent任务完成率0%→30%
这年头能见到一篇"把大模型跑不起来的原因逐条列清楚"的论文，真不容易。研究者把Nanbeige4.2-3B在Apple Silicon上五个独立bug连根拔起，还顺手给出分块预填充方案让上下文扩展2.7倍，干货密度极高。想在Mac上玩agent模型的同学，这份排雷报告必须收藏。
Meta FAIR新作：AI科研智能体装上"预算管家"，2/3算力追平24小时成绩
AI科研智能体缺的不是想法，而是算力。本文提出研究偏好模型（RPM），相当于给智能体装了个“预算管家”：在花GPU之前，先让LLM当评委挑选最有潜力的候选方案。AIRS-Bench上，用不到三分之二的算力就能追上无引导基线24小时的成绩，思路清晰，落地性强。
五大AI角色围着人转：港科大把智能体开发从狂飙拉回正轨
AI编程智能体越跑越远，需求漂移、过程黑盒、发布甩锅怎么办？港科大（广州）提出的AppLooper，用多智能体协作+版本绑定证据链把整个开发流程钉死，让每一次变更都有据可查、有人负责。值得所有关心AI编程落地与可问责性的读者一读。
中科大新框架：跨表推理成功率暴涨6.9%，表格Agent告别"摊大饼"
表格处理向来是大模型的"老大难"：好好的二维表格，硬被拍扁成Markdown字符串，跨表联动全靠蒙。中科大这篇最新研究提出SheetCompass，用层次关系图还原表格的空间结构，配合多智能体协作推理，三大基准全面超车——这波操作，属实有点东西。
佛罗里达大学用GPT-4o指挥PET去噪：闭环多智能体，双指标超基线
PET（正电子发射断层成像）是肿瘤、神经和心脏疾病诊断中重要的分子影像手段，能无创显示体内代谢活动。但PET天生有痛点：光子符合计数有限，图像信噪比低。
UC Berkeley新基准Vero：最强AI写证明，43个代码仓库只通关27个
AI生成的代码，你敢直接上生产吗？单元测试过了不代表没bug，仓库级形式化验证才是终极保险丝。UC Berkeley等机构提出Vero，要求智能体在一个多模块Lean 4代码仓库里同时写实现和证明，结果最强配置只通关27/43——答案藏在仓库级一致性和共享引理库的组织能力里。
GPT-5.1被曝"清醒但沉默"：识别出精神问题却不建议求助
AI精神病这个风险，大多数安全评测根本发现不了——单轮测试看每条回答都"正常"，30天连续对话却可能亲手养大一套妄想。这篇论文首次用15款主流模型×30天×4位评估员的纵向设计，把幻觉式共谋拆成了四种可量化的轨迹，值得每个做大模型安全的人细品。
GPT-4也翻车的24点游戏，被ToT一招救活：4%到74%
本文是NeurIPS 2023的经典工作，也是大模型推理研究绕不开的一座里程碑：它把树搜索、自我评估、回溯这些经典AI思想，重新装回了大语言模型身上，让模型面对复杂任务时真正学会“多想几步”。24点游戏4%到74%的跨越，至今仍被反复引用与对比。
微软研究院新作：LLM扩缩容告别“整模型复制”，GPU最高省36.3%
大模型推理集群的GPU浪费有多严重？这篇来自微软研究院、莱斯大学的系统论文，把扩缩容的“最小颗粒度”从整个模型打碎到单个算子，用毫秒级弹性换回最高36.3%的GPU节省，在A100和GB200集群上都验证了效果。做LLM infra的读者值得细读。
中科院新Agent：AI City 2026三赛通吃，FETV斩获亚军
一个统一框架同时接管监控、鱼眼和行车记录仪三类交通视频，在AI City 2026出战三个赛道，FETV与第一名只差0.0007。这套「观察-推理-行动-验证」的智能体工作流拆解起来很有嚼头，适合所有对多模态视频理解与跨域泛化感兴趣的读者。
LLM重构“症状时间线”：新基准MedTempo发布，CRAFT迭代精炼最高涨9.3个点
临床叙述时间线重建一直被当成“关系分类”来做，单篇报告缺时间锚点就抓瞎。本文用生成器-验证器迭代精炼的思路，配合新基准MedTempo，让大模型把症状先后顺序逐步“捋”清楚，GPT-4.1上EM最高提升9.3个点，思路干净、验证扎实。
