龙哥读论文 PaperDaily

大模型与智能体2026-10-13

中科院计算所提出ChemDiffAgent：8B化学智能体反超GPT-5.5

化学智能体这几年做得不少，但几乎都押在自回归这条路上：一个token一个token从左往右吐，工具名、参数、SMILES谁先谁后，全被钉死。这篇论文干脆把化学推理整体改成掩码扩散的迭代去噪，让工具名、参数和推理过程在同一个块里一起收敛。结果是一个8B模型六类化学任务总分91.8%，反超GPT-5.5，还直接开源了。

#大语言模型 #Agent #AI科研 #模型架构

大模型与智能体2026-10-13

墨西哥国立理工学院：Qwen3-14B弃答实测，答得更多、错得更少

先讲一个大家都踩过的坑。你问一个模型某个偏门的事实问题，比如某本小众小说里配角的全名，或者某个 1998 年的会议在哪座城市举办，模型张口就来，语气笃定、句式工整、标点齐全——一查，全是编的。

#大语言模型 #模型训练 #强化学习 #NLP

大模型与智能体2026-10-13

架构文档总烂尾？列支敦士登大学三层智能体流程给出解法

这个不对称其实很好解释。代码能编译就是能编译，编译不过就是过不去，对错有硬反馈，智能体可以在里面反复试错。

#大语言模型 #Agent #人工智能 #AI应用

大模型与智能体2026-10-13

港科大（广州）S3R：稀疏起草+稠密验证，RL训练吞吐1.39倍

大模型做强化学习，真正的瓶颈常常不在反向传播，而在 rollout 生成——注意力吃掉了七成以上的解码时间。港科大（广州）这篇 S3R 的做法挺取巧：稀疏注意力只负责"提词"，全注意力负责严格验收，采样分布不动，KV 读取却大幅减少。Qwen3-1.7B 上端到端训练吞吐做到 1.39 倍，训练还更稳。

#大语言模型 #强化学习 #模型训练 #模型架构

AI · PAPER

大模型与智能体2026-10-13

AI用3小时22分，构造出c=8的Haagerup顶点算子代数

AI 这次不写代码，改去啃数学硬骨头：中心荷 c=8、实现 Haagerup 双重 Z(ℋ₃) 的顶点算子代数被显式构造出来。更值得看的是过程账本——Astra 6 找了 3 小时 22 分，Sol 6.1 想了 1 小时 6 分给出证明。结论仍待社区复核，但这份 AI 参与数学发现的一手记录，本身就稀有。

#人工智能 #AI科研 #大语言模型 #量子计算AI

视觉与图像2026-10-13

大语言模型｜北大MIT清华：注意力非线性让大模型深度缩放变成1/L

这篇论文回答的是缩放定律里最朴素也最要命的一个问题：多加一层，为什么有用？作者的答案有点反常识——在线性注意力里，深度只能按数据谱的幂律慢慢挤性能，很快就见底；注意力一旦带上 softmax 非线性，损失就按约 1/L 的逆幂律继续往下掉。作者还把这件事接到中心极限定理上，把「层间共享误差」和「层间差异」分开算账。

#大语言模型 #模型架构 #模型训练 #AI科研

视觉与图像2026-10-12

庆北国立大学：让LLM当损失调音师，图像恢复PSNR最高涨3.35

调损失权重这件事，以往基本靠炼丹手感和几轮消融碰运气。这篇论文干脆把LLM塞进训练循环：每隔一段拿固定小样本跑一遍质量指标，让它的下一段训练自己决定该更看重保真，还是更好看。改的全是现成损失项，网络结构、优化器、数据管线、推理流程一个没动，训练额外开销不到0.2%，推理零成本。三个恢复任务、七个基准，都挪到了更划算的平衡点上。🤨

#图像恢复 #图像增强 #损失函数 #大语言模型

大模型与智能体2026-10-12

港城大×英伟达：把扩散时间步写进SSM递归算子，只训6.3M参数

条件化这件事，主流做法要么把上下文塞进输入，要么用AdaLN去调激活，本质都是在外围打补丁。香港城市大学和英伟达AI技术中心这篇，直接把扩散时间步映射成SSM递归参数A、B、C、D、Δ的有界偏移，冻结111M骨干只训6.3到11M适配器，Chebyshev核平均验证损失压到2.55，还附送一份解析稳定性证书。能把"为什么稳"讲清楚的参数高效微调，不太多见，值

#模型架构 #大语言模型 #模型训练 #NLP