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。
标签：大语言模型
共 340 篇
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。
清华最新研究：AI来访者终于学会“不配合”了，5项评分全面领先
清华团队这次不玩虚的，直接把临床心理学里的5Ps公式化、信任分层、多维抵抗机制搬进大模型，让AI来访者从“有问必答”变成“看人下菜碟”。40个临床情境实验、5项人类评估全面领先，AI心理治疗模拟终于有点真实的烟火气了。
六种LM语音增强范式首度同台PK：CNAR拿下全场最佳
这篇文章最值得读的地方在于，它第一次把六种基于语言模型的生成式语音增强范式放进同一个框架里公平对比，并同时报告了侵入式和非侵入式两类指标。结论也很干脆：连续域全面胜出，连续非自回归（CNAR）综合最佳。想快速了解这条赛道竞争格局的读者，这份地图比单看某个SOTA更省时间。
COINS最新评测：六大模型写程序规范，Gemini仅28.1%通过
大模型写代码已卷到天际，但让它们写“程序规范”（formal specification）靠谱吗？本论文提出COINS框架，用Rocq证明助手评估六大模型的规范生成能力，结果差距惊人：最强Gemini 3 Pro也仅28.05%通过率，DeepSeek-V3.1直接跌到1.22%。想看懂LLM在形式化验证边界的真实水平，这篇是必读。
