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。
标签：大语言模型
共 340 篇
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。
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。
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。
