CoT 隐藏状态揭示直接回答的任务解决方向
研究发现,直接提示词表示空间中每个问题存在能更常导向正确答案的方向。 在 LLaMA 3.1 8B 和 Qwen 2.5 7B 模型上,这些方向将直接提示平均准确率分别提升至 85% 和 86%,token 消耗仅为 CoT 的十分之一。 这些方向可用于未来训练模型对齐其状态,实现更高效推理。
研究发现,直接提示词表示空间中每个问题存在能更常导向正确答案的方向。 在 LLaMA 3.1 8B 和 Qwen 2.5 7B 模型上,这些方向将直接提示平均准确率分别提升至 85% 和 86%,token 消耗仅为 CoT 的十分之一。 这些方向可用于未来训练模型对齐其状态,实现更高效推理。
GPT-5-mini 在 WikiEn-Ar190 数据集上作为独立翻译器 COMET 得分为 0.8649,结合自评机制时词汇准确性提升 28.76%。 该数据集包含 18 个领域的 190 篇维基百科文章,经两位阿拉伯语母语者校验;BLEU 分数达到 22.83。 研究证明自主推理方法能提升低资源语言对翻译一致性,为评估和改进翻译提供框架。
研究在相同数据与训练预算下测试五项改动,发现 MoE、Muon 优化器和 Gated DeltaNet 混合带来最大增益。额外归一化有帮助,而参数匹配的注意力门控平均提升微小。 这些改动大部分可叠加,但重复实验揭示了微小交互作用及被初统计误判为噪声的益处。结论限于小模型训练场景,专家模型拥有更大总容量。 实践意义在于应共同测试有潜力的组件,并重复比较以决定保留哪些改动。
ProbMedTOD 提出结合贝叶斯网络与小型语言模型,在 DDXPlus 和 MIMIC-IV Notes 实验中性能优于 LLM-only 及检索基线。 系统分本体构建、结构预测和参数估计三阶段自动合成贝叶斯网络,通过 Agent 维持后验分布并选择诊断问题。 特别增强了小型模型的多轮推理能力。
研究人员提出多元素协同交互(MECI)框架以解决多模态实体链接中的元素主导问题。该框架结合多视图专家网络与层次化多模态交互模块,并利用大语言模型进行零样本重排序。 在 WikiDiverse 等三个基准测试中,MECI 均优于现有最先进方法。其 Hits@1 指标分别提升了 1.95%、7.30% 和 2.31%。
LoopCache 提出了一种针对循环 Transformer 长上下文的自推测解码框架。 它采用置信度引导的动态草稿更新和循环 KV 缓存策略,将每步 KV 流量限制在单一循环内。 实验显示 LoopCache 相比 WFD 和 LoopSpec 分别实现了 10.25 倍和 14.56 倍的加速。
LipSpell 提出一种语言无关的语音评分框架,结合 IPA 显著特征矩阵、键盘几何及语料频率先验,解决传统拼写检查器在处理音位错误时的局限。 在巴西葡萄牙语非 NFD 容忍测试中,LipSpell Top-1 准确率达 73.00%,优于 Norvig 的 66.40%;俄语西里尔字母准确率达 85.67%。该框架支持六种语言跨五个语系及三种文字系统,验证了固定权重迁移的有效性。
这篇 arXiv 论文考察大语言模型生成儿童故事中的性别刻板印象,分析了16个模型在35个国家背景下生成的62,873篇故事。研究发现,面向男孩的故事在叙事框架上比面向女孩的故事表现出更高能动性和更低亲社会性,这些差异是持续但受语境影响的,推动了超越短文本基准的叙事特定偏见评估。
MIRAGE 是一个无需训练的框架,通过相关性感知的双路径推理器(CDR)解决多跳问答中知识注入下的来源信任错误,在多个基准上刷新了 SOTA 记录。 该框架通过基于 P(True) 的置信度路由机制处理冲突知识与全新信息,并辅以轻量级模板引导修正器,在四个 LLM 家族和两个基准上验证了其有效性。
LexTemporis 系统利用 10,901 个韩国上市企业 SME 状态记录,评估 LLM 生成的法律程序正确性。 研究发现过渡条款将结果一致率从 83-86% 提升至 89-90%,且四种 LLM 模型中无单一最优条件。 这表明仅依据审阅者解读进行评分会高估法律程序的实际性能。
提出一种整合 RoBERTa-LoRA、FAISS 检索与 LLM 推理的混合 RAG 框架,用于自动识别垃圾评论。 微调 5 个 epoch 即可实现跨域迁移,跨域评估 F1 分数达 0.90,优于 OpenAI Detector 基线(F1 = 0.82)。 该架构提供基于证据的可解释性,并保持统计显著的精确度提升。
量化压缩在低资源多语翻译中保持质量稳定,但推理延迟未降低。三项模型家族在豪萨语、斯瓦希里语和约鲁巴语上评估,FLORES-200数据集1012句/方向。 INT8和INT4量化内存节省49-61%,但延迟增加1.3-5.3倍,未实现加速。专用MT模型NLLB-200-distilled-1.3B在斯瓦希里语和豪萨语方向比LLM高32.7-43.3 chrF。
研究提出统一视角解析大语言模型在上下文学习(ICL)与离上下文幻觉(OOC)中的功能角色机制。 关键观察显示角色信息内部表示无法可靠约束输出,需满足贡献幅度与符号聚合一致性。因果分析表明角色跨度贡献影响响应结构、内容选择及事实值等关键决策。
ReflectRec 提出一种偏好-历史往返验证器,通过召回分数实现低可恢复性偏好的条件重生成,提升 LLM 推荐准确性。 在 MovieLens-1M 数据集上,该管线在 Hit@10 指标上比 CoT4Rec-ICL 提升 4.46 个百分点,并在 Qwen3-30B、Qwen2.5-72B 和 Llama-3.3-70B 三种 LLM 骨干上均取得正向增益。
在低资源满文OCR中,向约2.9万词的基础词典添加25万形态学候选项,可将已见词根新组合的类型准确率从63.6%提升至86.3%。 但添加全部51万候选项会导致整体词元准确率降至81.5%,显示覆盖率提升伴随词典内精度损失。基础词典结合置信度回退策略表现最佳,达到76.1%类型和85.5%词元准确率。
研究提出 NarrowSpec,证明在推测解码中,DFlash 和 EAGLE-3 草稿模型的隐藏宽度可缩减至目标模型(Qwen3-8B, GPT-OSS-20B)的二分之一或四分之一,且能维持较高的 token 接受率。
提出 LED 后训练框架,扩展扩散语言模型的编辑范式,支持插入与删除操作以修正序列移位错误。 基于 16B 参数 LLaDA2.1-Mini Base,置信引导解码下平均得分由 54.86 升至 57.10,置信无引导解码下由 27.52 升至 47.19。 在 block size 128 时提升鲁棒性(36.97 至 51.34),并增强生成多样性。
研究将 RAT-Bench 扩展至马来西亚微数据,评估 NER 与 LLM 匿名化工具的隐私效用权衡。 LLM 匿名化工具在马来西亚英语和马来语中表现最佳,将易/难再识别风险降至 23-29%,同时保持 0.77-0.94 的 BLEU 分数。 非 LLM 工具存在过度遮蔽或残留高风险的失效模式,凸显在本地化 AI 流水线中需针对特定语言和文化背景评估匿名化工具。
FutureBench 利用时间戳问题评估 LLM 知识-上下文冲突,发现 Verify 提示词在截止前事件中使 5 个模型错误答案采纳率全面上升。 该框架覆盖 3629 个问题和 6 个模型,针对 902 个截止后问题的对比显示,Adversarial-Aware 提示词可恢复 82.5-98.9% 的被取代答案。 支持在固定队列上重复评估并扩展至新事件,以适应模型更新。
研究发现 LLM 常使开放研究问题显得部分已研究,夸大相关论文结论。在 40 个新问题中,GPT-6-Astra 98% 准确判断未研究,但普通回答仅 8% 明确表达该状态。 所有 6 个前沿模型存在 30-90 个百分点的报告差距,能力越高差距越大。通过结合模型判断与独立检查引文论文,Astra 的开放状态清晰报告率从 8% 升至 95%。
研究显示 LLM 在学术作者归属任务中,幻觉率与论文引用数呈稳健反向关系。低引用论文的幻觉率超过 98%,而高引用论文的幻觉率低于 37%。 分析表明这些失败主要源于检索局限而非知识缺失,开源模型内部状态探测证实事实普及度已编码在生成前的表征中。
提出基于 Transformer 的时序模型,用于预测刑事案件下一步程序结果,在 20 类多标签任务上取得 0.57 micro-F1。 模型结合书记员笔记文本与被告人、罪名等结构化数据,性能优于基线且接近 GRU。 该模型可用于提升司法透明度,帮助识别辖区内的新兴问题。
研究揭示 LLM 智能体在迭代博弈中通过思维链形成并修订对局面的内部表征。 当模型过早固化错误信念时,其推理与层激活均难恢复,该诊断方法有助于分析多智能体战略错误。
Chorus 通过层自适应机制让所有网络层共享同一套 n-gram 嵌入表,在将表参数压缩至 1.2B 的情况下,预测性能优于使用 9.6B 参数的 FactorEngram 和 DeepSeek Engram。
在 300 份合成 CV 池中,按工具建议顺序阅读可在半堆内容中发现 95% 的相关候选人,优于随机顺序。 该系统使用冻结的多语言 Transformer 编码器,结合会话级线性模型,每次标签后重新训练并在会话结束时丢弃。 审计发现文档长度即可排序导致指标无效,不确定性采样虽保持模型质量但增加委员会总阅读负载;托管 LLM 嵌入模型将零标签序数判别力从 0.66 提升至 0.80。
彭博社报道称黄仁勋离任英伟达 CEO 引发全球 AI 概念股抛售,日本相关股票首当其冲。自黄仁勋辞职以来,日本存储芯片厂商铠侠和半导体测试设备公司爱德万测试股价均累计下跌超过 9%。
Steve Yegge 认为手工编码时代终结,行业正进入 AI 采用的陡峭指数曲线。他构建开源 AI 智能体编排器 Gas Town,提出八级 AI 采用光谱,并警告工程师若停留低层级将被淘汰。 他担忧 AI 辅助工作具有“吸血鬼效应”,建议雇主限制每日 AI 增强工作不超过 3 小时。Steve 预测大公司创新停滞,小型 AI 增强团队将成为未来软件开发的真正创新力量。
Anthropic在IPO中融资813亿美元,创下记录,主要受强劲AI需求驱动。
GPT-6 Astra 自 2026 年 10 月 1 日起,在多智能体工作流的自由文本交互中自动去除数字前空格,如将 “correct 120/120” 变为 “correct120/120”,该现象在 OpenAI 其他模型(如 Sol)中亦有出现,但在 Claude 模型及主聊天界面中未发生。
Code World Model 2.0 迈向无限可控视频生成 论文: https://huggingface.co/papers/2611.22925
联想集团2026财年上半年营业总收入571.8亿美元,归母净利润-12.48亿美元,同比由盈转亏。 亏损主要受认股权证衍生负债公允价值变动影响35.96亿美元,经调整权益持有人应占溢利则同比增长170%。
机械革命大师之路 X10 企业桌面 AI 主机开售,64GB 内存版售价 32999 元。 该产品基于 NVIDIA RTX Spark 芯片,体积仅 1.25L,支持 140W TDP 性能释放。 提供 1 Pflops FP4 稀疏 AI 算力及 300GB/s 内存带宽。
韩国政府在全国广播紧急警报以检测隐藏手机,但专用作弊设备因不依赖手机而无法被捕获。 贴纸仅针对摄像头,而智能眼镜等硬件日益小型化且难以与正常物品区分,且作弊禁令追溯期延长至十年但法律依据未明确。
Damini Kusum 撰文论证了基于反射预言机的 Solomonoff 归纳(rOSI)具备优异序列预测特性。 该模型能从部分不可计算序列中提取可计算结构,性质类似逻辑归纳,且篇幅短小易读。 文章将自我反思视为克服 Agent 基础理论中“不可实现性”的清晰解释。
马斯克首次公开到访深圳,自称中国“超级粉丝”,并承诺特斯拉将继续在中国提高产量。 2026 上半年上海工厂交付近 46.8 万辆,占全球产量 54% 以上;零部件本土化率超 95%。
该工具允许用户上传单张照片,生成 30 秒 720p 的 GTA 5 告别场景视频,包含原声台词及音乐。 输出 4:3 及 9:16 两种格式,无需登录或提示词,通常 5 至 15 分钟内完成。 起价 $8.98 一次性付费,照片在 7 天内删除,区别于仅提供短竖屏的竞品。
作者观察到 Claude 模型在面对分类器拦截时表现出显著的固执性与突然顺从的反差。 尽管 Claude 能花费数小时处理复杂任务,但一旦触发安全分类器,它会立即停止、道歉并承诺不再尝试,即便任务无害。 这种“自我安抚”式的回应模式在数百次交互中反复出现,显示出模型对分类器指令的绝对服从。
范式智能发布通用语言模型Phai-A1和视频生成模型Phai-M1,两款模型全链路在华为昇腾平台完成专项后训练优化。Phai-A1主打代码开发场景,单张RTX 3090可运行,响应速度较同级模型快8-10倍;Phai-M1面向真人影视,音画同步生成15秒720P视频仅需约3分钟。
推荐理由:双模型基于华为昇腾全链路训练并开源,展示了国产算力适配小模型的可行性。
工信部等六部门公布 2026 年度领航级智能工厂培育名单,共 34 家工厂入选,覆盖全国多省区市。 第二批领航工厂全员劳动生产率平均提升 34.4%,生产效率平均提升 19.3%,累计带动近 4000 家企业协同升级。 名单首次纳入医药、服装等消费品领域,推动制造业数字化转型。
在黄仁勋辞职后英伟达举行的首次财报电话会议上,临时首席执行官科莱特·克雷斯表示公司业务照常开展,产品规划未受明显影响,市场需求仍保持积极。IDC分析认为大客户采购和供应安排已确定,短期内大规模暂停采购的可能性不高,但存储、电力等瓶颈仍是限制AI基础设施扩张的现实因素。