base-models

该论文提出了ASAP，这是一个轻量级框架，用于通过交互式端到端任务评估预训练基础模型中的智能体行为，而无需将其转换为对话式智能体，展示了其在软件工程和深度研究基准上的区分能力。

该研究表明，固定特定的起始 token 提示可以让 Base Model 的推理性能与 RL 训练的模型相媲美，并通过因果干预将这些效果追溯到训练数据，同时将分析扩展到安全行为。

Meta Superintelligence Labs 发现，RL 后训练会收窄 LLM 智能体的解题覆盖范围（即「锐化税」）：在采样次数充足时，轻量框架下的基础模型能解决更多不同的智能体任务，而后训练模型在 pass@1 上表现更优。作者提出 PTGS——一种自适应温度的 RL 方法，在降低这一税负的同时还提升了 pass@1。

本文讨论了即将发布的AI模型，如Gemini Flash、Muse、Spark和Grok，指出它们在编码性能上的相似性，并推测了模型趋同的趋势。

本文应用重复启动来展示基础大语言模型使用自动处理，而指令模型表现出控制处理，人类则显示混合特征。

本文区分了LLM意见模拟中的两个任务——模拟（生成个体回复）和估计（直接预测总体分布），并发现基座模型更擅长模拟，而后训练模型更擅长估计，研究使用了皮尤美国趋势面板数据。

这篇论文揭示，GPTZero和Pangram等商用AI检测器将基础语言模型生成的文本判定为几乎完全是人类撰写，而经过指令微调的模型输出则被标记为AI生成。作者提出了HIP，一种与检测器无关的迭代改写流程，能在保持语义的同时提升文本的类人性。

一项研究发现，基础语言模型在AI检测器中看起来像是人类写的，而经过指令微调的模型则不然。作者提出了一种名为HIP的改写管道，该管道能在不同模型规模下提高文本的人类相似度，同时保持语义。