标签
开源项目 lieflat-gongwen 通过 102 万字真实公文的全量统计，把公文写作风格蒸馏成一套可供 Codex、ClaudeCode 等 Agent 使用的 Agent Skill，使 AI 生成的公文减少“AI 味”，可复现 7 种典型公文风格并以量化参数自检。
HuggingModels 介绍 novel-humanize-4b：一个基于 Qwen3-4B 构建的 4B 模型，可将生硬的中文文本改写为自然、拟人化的文风，已获 756 次下载和 66 个点赞。
中国电信发布 Xing4.0-29B Intent，一个基于 MoE 架构的 29B/4B 专业化模型，面向意图理解与结构化信息抽取，支持意图分类、命名实体识别、关系抽取与事件抽取四项任务，采用 Apache 2.0 开源许可。
APRiL 提出了一个针对中文社交感知能力的开放式基准，包含 2,196 个评测实例，涵盖六类社交场景和两项互补任务。对来自六个模型家族的 12 个模型的实验揭示了一致的“理解-响应”差距：高质量的场景分析能提升响应质量，而薄弱的分析反而可能降低响应质量。
ste-zh 是一个开源智能体技能，借鉴 ASD-STE100 简化技术英语规范，约束 AI 智能体用清晰、无歧义的中文汇报工作结果，支持通过 skills 命令行工具或手动安装到 Claude Code 等环境。
这篇论文在极小规模（8.7M 参数、4 层）的中文 BERT 上严格控制变量，对比了 MLM、WWM 和 MacBERT 三种预训练策略，发现小规模下的策略排名（MLM > WWM ≫ MacBERT）与大规模结论相反，并指出 MacBERT 在同义词词典覆盖不足时会出现困惑度严重退化、训练损失不可靠的问题。
UO-FIE是一个参数高效的事实性推理系统，结合精确标签监督与分级效用，在FIE2026的微调赛道中以0.8316的宏效用获得第一名。
CMNIE 是一个针对中文军事新闻的新型信息抽取基准，它联合标注事件、实体和关系，以评估模型在模式遵循和精确跨度匹配方面的表现。
GUIDE 是一个用于中文查询纠正的生成式无监督框架，利用语音和视觉共享ID编码来约束纠正并适应不断变化的词汇，在实验和在线A/B测试中超越了基线。
本文提出了SeTox，一种搜索增强的大语言模型框架，通过利用实时网络上下文和公众共识来检测中文新词中的隐性毒性。实验表明，即使是3B规模的模型，在此任务上也优于近期更大的模型。
本文提出CNM，一种轻量级增强方法，通过表意描述序列将汉字的离散组合结构注入BERT，在提升稀有字符和未登录字符性能的同时保持通用自然语言理解准确率。
本文提出了一种用于跨平台中文攻击性评论检测的双阈值难例挖掘策略，以解决因领域偏移导致的性能下降问题。该方法在COLD数据集上微调RoBERTa模型，并利用极少数标记数据将其适应于四个中文社交媒体平台。
本文利用 MIPVU 框架和 PSU 中文隐喻语料库，建立了用于 Token 级中文隐喻识别的可复现多架构基线。研究比较了 RoBERTa 和 MelBERT 等编码器模型与 Qwen3.5-9B 生成式模型的性能，并开源代码和数据以推动后续研究。
北京大学研究人员提出了CFMS，这是首个细粒度中文多模态讽刺检测基准，包含2,796个图像-文本对和三级标注框架（讽刺识别、目标识别、解释生成），以及一种新颖的强化学习增强上下文学习方法（PGDS），该方法显著优于现有基线。