AI模型分得清"金色大炮"和"金色潜艇"吗?答案可能让你意外
研究发现主流AI图文检索模型普遍分不清"属性该配给哪个物体",团队提出SABER测试集揭露问题,并证明仅用合成文字数据微调就能让该能力跨模态迁移,同时提升否定理解与实例检索能力。
研究发现主流AI图文检索模型普遍分不清"属性该配给哪个物体",团队提出SABER测试集揭露问题,并证明仅用合成文字数据微调就能让该能力跨模态迁移,同时提升否定理解与实例检索能力。
本文详解《Towards Looped Models Done Right》,通过受控实验拆解循环语言模型中的三明治结构、输入注入和循环状态设计,揭示Huginn架构优于Ouro的真正原因,并验证该结论可成功迁移到混合专...
本文解读了论文《选择不是学习》,揭示AI自我进化训练中"选对题目不代表学到东西"的选择到更新鸿沟,并介绍HeirCommit与EvoHeir两套机制,通过事后验证与经验参数分离继承,让自我进化系统更可靠高效。
ReaDy提出利用混合线性注意力模型的固定大小循环状态为投机解码草稿模型提供位置专属上下文,通过低秩查询与残差注入实现高效集成,在Qwen3.8-27B上实现3.16倍解码加速,吞吐率较DSpark提升7.97%。
提出 PremiseCheck 框架与 ReviewFact 基准,用大模型拆解评审评论、廉价决策模型仅读论文核查,以约一半成本达到 GPT-5.5 的审稿事实核查准确率。
该研究提出信念轨迹能量(BTE),通过将大语言模型各层中间状态映射为预测分布,量化层间信念修正幅度,形成标量或深度画像表示。研究在难度评估、人机审稿检测、生成器溯源等任务中验证其有效性,审稿检测宏平均AUROC达0.99...
研究发现,给AI编程助手挑选完整文件比压缩代码文本更有效。在300个真实bug测试中,直接选对文件的方法比主流压缩和检索技术解决问题的比例高出6到13个百分点,揭示了检索易漏文件、压缩易改文本两大缺陷。
LEV是一种能按问题难度自动调整思考深度的AI决策模型,通过循环运行网络层代替生成文字推理,一个模型可在多档深度间灵活切换,节省15%至24%计算量的同时准确率损失不到1个百分点,低延迟场景下优于传统密集模型。
论文提出一种免训练权重编辑方法,通过对比有害指令和正常指令下的激活差异定位并削弱关键权重,在五个大模型上显著提升抵抗撒谎指令和性别歧视指令的能力,且比提示词防御和激活转向更稳定。
DAGFormer用一个独立预测器提前为Transformer规划全局跨层连接图,而非逐层临时路由。7500万到10亿参数规模下困惑度降低17%至25%,10亿参数模型用一半数据超越两倍数据训练的标准模型,剪枝鲁棒性也更...
本文介绍SAE-IDF方法,利用稀疏自编码器将LLM隐藏状态拆解为可解释特征,结合逆文档频率加权实现跨异构符号系统(数学证明、代码、知识图谱等)的无训练匹配,12项任务上显著超越稠密向量基线。
DuET是一种钢琴演奏转乐谱的新模型,通过音符编码器与帧编码器双分支协作,结合新设计的时间音高位置编码,在古典和流行钢琴数据集上显著降低了转录错误率,尤其在流行音乐场景提升明显。
论文发现4D高斯泼溅重建动态场景时,快速移动的小物体常会消失,细节会模糊,单纯加大模型或训练时长无效。作者提出种子注入和时间偏置重定位两种策略,改善高斯基元在空间时间上的分配,有效找回丢失物体并提升细节质量。
论文提出CarryOn系统,让长程AI助手围绕可复用的任务成果而非冗长操作历史组织记忆,通过载体记录、执行上下文和实时尾巴三部分协同,在OSWorld2.0和BrowseComp-Plus上同时提升任务表现并大幅降低to...
联合团队对GPT-6-Astra做了史上最大规模的具身能力评测:12个仿真基准近乎打穿,8台真机却暴露了时间与成本的真实代价。
蚂蚁国际推出BizBench基准,用50个真实支付业务任务检验AI智能体执行合规性,发现顶尖模型严格成功率仅六成,暴露出任务达成与过程违规之间的巨大评测盲区。
本文解读清华大学与腾讯提出的 TreeOPSD,一种无评论家的树形后验自蒸馏方法:用共享前缀分叉把终局奖励回传成回合级信用,再匹配有限老师目标,解决长程智能体训练的信用稀疏与策略陈旧问题。
研究者让九个顶尖AI代理为真实论文撰写后续研究,结果135次尝试无一通过诚信与科学标准双重检验,暴露AI自主科研的核心短板:缺乏自我怀疑与回溯修正能力。
PPMem用7参数平面原语作为视频世界模型的持久3D记忆,比点云压缩三个数量级,兼具几何明确、跨视角一致与自我优化特性,在DL3DV与RealEstate10K上实现长达数百帧的稳定高质量视频生成。
本文介绍PRISM方法,通过让一个能看到同题目其他成功解法的特权老师模型,纠正多智能体协作拓扑生成器在自身生成路径上的判断偏差,在六个基准测试上全面超越现有方法,且几乎不增加部署成本。