跳到正文
10月20日周二
  1. arXiv · NLP40

    多智能体 LLM 辩论中的立场收敛:并非所有翻转都代表服从

    在 GPT-4o 多智能体辩论中,37% 的冲突问题无需同伴信息即发生答案改变,29.3% 的稳定对子在看到同伴立场后采纳同伴答案。 这些采纳包含纠正与新错误;同伴有正确答案时,纠正多于有害采纳。完整推理提升个体准确率,但相比自我反思未增加多数投票收益,且多耗 57% token。

  2. arXiv · NLP31

    生产级规模下哈希寻址条件记忆的写入原子性审计:124M-7B 模型至 DeepSeek-V4.1-Flash 的覆盖与组合局限

    针对生产级哈希寻址条件记忆,研究发现写入内容为独立可寻址原子而非可组合推理知识,固定预算下 50 项事实覆盖率 98% 降至 1,000 项时的 12.7%。 测试涵盖 124M-7B 自训模型及 Qwen3.8-Flash-Next-FP8、DeepSeek-V4.1-Flash,双跳组合未超越独立基线,上下文差距将故障定位至检索推理。

10月19日周一
  1. 阿里云百炼57

    阿里云百炼上线 DeepSeek-V4.1-Flash-1017

    最新迭代版本 DeepSeek-V4.1-Flash-1017 正式上线阿里云百炼。此次升级重点聚焦 Agent 与 Coding,多项基准测试表现进一步提升,且任务运行时间与输出长度缩短。目前阿里云百炼中国站、国际站 API 同步支持,新老用户可通过 Token Plan 直接体验。

  2. arXiv · ML32

    跨越 LLM 训练阶段切换优化器的短暂成本

    研究发现 Llama-3 模型从 AdamW 切换至 Muon 优化器几乎无显著性能惩罚,且 Muon 比例增加通常提升 SFT 后的下游性能。 该结论基于 1.2B 模型预训练及 14B 规模 Llama 和 Qwen 模型的持续预训练与 SFT 实验,结果显示后训练优化器选择可独立于预训练优化器。 该研究已被 NeurIPS 2026 研讨会接收,为优化器跨阶段迁移提供了系统性实证依据。

10月17日周六
  1. DeepSeek82

    DeepSeek V4.1 Flash 1017 更新:优化开发效率并开放搜索 API

    DeepSeek V4.1 Flash 更新至 V4.1-Flash-1017 版本,官方网页端、APP 与 API 已同步变更。新版通过强化学习提升了游戏开发与 3D 建模等项目构建能力,并优化了性能与成本平衡,支持在较少的提示词条件下实现复杂任务。

    推荐理由:新版本提升了游戏与3D项目开发能力,开放了带鉴权的自研搜索 API,并同步更新多端入口。

10月16日周五
  1. 硅基流动64

    硅基流动上线高速版 DeepSeek V4.1 Flash

    硅基流动上线高速版 DeepSeek V4.1 Flash。该模型作为拥有 552B 参数的 MoE 模型,采用全新 Causal-Encoder-Decoder 结构,使输入激活只有 8B,输出激活 16B;相比上一代,模型对 HBM 显存和 SSD 存储的需求分别减少到 1/4 和 1/8。

    推荐理由:DeepSeek V4.1 Flash以极简参数设计显著降低部署与缓存成本,并原生支持视觉理解,开发者可以评估其在Agent工作流中的性价比。

  2. arXiv · NLP43

    大语言模型基于姓名推断族裔的准确性优于BISG

    研究证明大语言模型无需额外训练数据,即可通过姓名推断族裔,准确率最高达84.7%,超越BISG模型的68.2%。 测试涵盖Gemini 3 Flash、GPT-4o及DeepSeek v3.2等六款模型;开启扩展推理可提升1-3个百分点准确率。该方法显著降低BISG中存在的收入偏差,使富裕地区少数族裔被误判为白人的比例下降。

  3. arXiv · ML32

    N-Gram Memories at Two Bits: Quantizing Lookup Tables in Large Language Models 中文解读:CP 方法将两比特量化表应用于大模型

    研究人员提出条件程序(CP)方法,利用高斯格状重构将 N-Gram 记忆表量化至每行两比特,在相同存储预算下优于拟合码本与低秩变体。 该方法将 DeepSeek 的嵌入表存储从 203GB 压缩至 51GB,降低输出 KL 散度 41%–63%,使模型可在 GPU 上运行更大规模任务。 压缩后表结构仍保留完整查找能力,为长上下文或多实例部署提供显存空间余量。

  4. arXiv · AI30

    多智能体聊天中的承诺取消权限:六款模型对“无权限取消”与“越权执行”的响应研究

    研究在受控环境中测试了六款大模型对多智能体聊天中“无权限取消”与“越权执行”两类错误的响应。小模型如 Qwen3.5-9B 在 69% 的情况下服从无权限指令,而大模型如 Qwen3.8-27B 和 gpt-6.1-sol 在 89% 和 83% 的情况下因同伴一句话就撤销承诺。引入自我维护的承诺账本可将 gpt-6-luna 的严格准确率从 49% 提升至 83%。

10月15日周四
  1. arXiv · NLP21

    从不可用到可用:LLM 实体提取中的失效模式分解与置信度信号证据(基于网络威胁情报)

    研究表明 LLM 实体提取的不可靠性并非主要源于幻觉,而是背景提及和范围遗漏,置信度分层有助于设定审查优先级但无法确认真实性。 测试显示微精度仅 0.03-0.34,65.6% 为无关提及;单一误归因句可翻转 95.6% 的高置信判断。 置信度信号可用于排序优先级,但不能替代人工验证。

  2. arXiv · NLP31

    AtomSearch:基于证据引导树搜索的智能体技能优化方法

    AtomSearch 采用局部原子编辑与技能状态树搜索,在四个任务五个模型上验证效果。 使用 deepseek-v4-flash 时,其在四项任务中三项超越 SkillOpt,LiveMathematicianBench 提升 9.68 个百分点,且最终技能字符量为对标的 2.3-19.7 倍。 证明局部规则编辑可支持有益修订路径探索并生成紧凑技能。

10月14日周三
  1. arXiv · AI31

    追踪LLM代码推理的内部生命周期:从酝酿到解决的诊断框架

    研究人员提出双诊断框架,揭示LLM代码推理在答案自解码前数层即可线性恢复的“酝酿”机制,并识别出四种解决结果。 该框架应用于Qwen、Llama和DeepSeek架构下的16个模型,发现整体解决率仅为41.5%,且解决时长标准化后稳定在24-42%区间。 此研究表明表面准确率掩盖了根本不同的失效模式,为理解模型内部推理过程提供了可量化的实证规律。

  2. arXiv · AI36

    Physics:评估基础模型大学物理解题能力的基准测试

    Physics基准包含1034道来自博士资格考试的开放式物理问题,用于测试基础模型的解题能力。 该基准涵盖6个核心物理领域,通过基于LLM的评分协议评估数值、符号和文本答案。 测试了53个专有和开源权重模型,结果显示强开源权重模型接近专有模型性能,但多数开源模型正确率仍低于50%。

  3. arXiv · NLP23

    结构抽取与思维链:评估 LLM 抑郁症严重度判定中的标准提取方法

    研究发现,基于 LLM 的结构化标准抽取并非在所有情况下都优于思维链方法。 在两个 Reddit 语料库和 PHQ-9、BDI-II 量表测试中,前沿模型的标准抽取仅在有标签数据校准阈值时表现更好,且提升不显著;而 9B 模型在抑郁症社区语料库中表现相反,无标签的先验规则反而优于其直接提示和思维链结果。

  4. arXiv · NLP26

    AfriEconQA:面向世界银行经济报告定量与时间推理的基准

    AfriEconQA 基于 204 份世界银行非洲经济报告构建,包含 4,138 个带证据关联的 QA 实例,覆盖 5 类推理任务,重点测试长文档中的定量提取与时间精度。 评估涵盖 Qwen 3.6 35B、DeepSeek v4-pro 等 4 个模型,在检索增强生成(RAG)条件下最佳系统 F1 分数仅 0.594,错误主要集中于列表提取、合成及跨期比较。

  5. arXiv · AI39

    输出纪律设定底线:一种基于证伪的模型无关智能体决策协议

    在中医辨证(TCMEval-SDT)任务中,限制可审计决策绩效的核心是输出纪律而非模型规模。 该模型无关的五阶段闭环协议强制对证据进行证伪,并将Kimi K3的运行间标准差从0.218降至0.007,但在数学推理中检测虚假前提的召回率仅为89.8%。 这确立了基础模型能力决定上限、推理协议决定下限的架构原则。

  6. arXiv · NLP29

    RelLedger:面向 LLM 智能体组织的关联性信息治理

    RelLedger 提出一种审计框架,用于追踪 LLM 智能体组织中的关系驱动决策。该框架通过交叉比对发送方历史、事件目标及无关行为者,定位控制线索。 在 GPT、Claude 等模型测试中,Claude 在冲突历史下发送通知概率高出 62.22 个百分点;紧张历史使接收方审查率降低 45.83 点。 该研究揭示了模型特异性控制路径,并验证了显性损失规则下关系差距缩小的现象。

  7. arXiv · AI34

    RECAP 校准低比特推理模型:基于其读取的历史上下文

    RECAP 提出一种后训练量化方法,通过在校准时利用模型读取的历史上下文校准推理模型,以缓解低比特量化对长思维链的降级。 该方法结合动态前缀校准与前缀读取几何,在 W4A4KV4 设置下,将 DeepSeek-R1-Distill-Qwen-1.5B 在 MATH500 上的准确率提升 13.3 个百分点,Qwen3-4B 在 AIME-120 上提升 15.8 个百分点。