llm

一项研究报告称，大语言模型在检测学术论文中的错误方面显著优于受过训练的人类审稿人，这表明利用人工智能辅助同行评审质量保障的方式可能迎来转变。

Sente Labs 开源了 extensible-mcp，这是一个 MCP 代理，可动态加载 MCP 服务器而不污染 LLM 上下文，同时对工具调用实施零信任策略控制（支持 Rego、CEL，如今还支持 Cedar）。工具定义存储在可查询的向量存储中，策略和凭据则置于 LLM 无法触及的位置，从而将用户意图与已授予的权限区分开来。

Google DeepMind 论文提出 CALLIOPE，让 LLM 基于关键词（而非嵌入聚类）构建主题树，在严格隐私约束下生成更清晰的主题地图，人类评分在所有数据集上都优于 URANIA。

一名《Wired》记者部署了一群AI智能体来管理一支梦幻英超联赛球队，结果发现它们的表现仍然不如人类；与此同时，新研究显示GPT-5等前沿模型在真实世界的预测任务中越来越出色，并在Prophet Arena等预测基准测试中表现突出。

用户分享了一个名为「iLang 灵魂 v1.1」的越狱提示词，声称不到20行就能让 Grok Bot 绕过限制，比本地 QWen3:8b 更容易突破。

作者开发了语音转文字应用 WhisperNow，并使用包含 6.6 万条数据的数据集微调了三个大语言模型（LFM2.5 1.2B/2.6B、Qwen3.5 4B），以在本地清理口语中的不流畅表达，在短篇口述转写的事实准确性上超越了多个云端模型。

Simon Willison 认为，2026 年 10 月标志着氛围编程游戏开发的拐点，Claude Opus 5.5 现在只需极少的指导就能产出真正有趣的浏览器游戏，在游戏设计感方面超越了 GPT-6 Astra。

一位从业者讨论了多步AI智能体中的错误累积问题（每步95%的可靠性在20步后骤降至约36%），主张将控制流保留在代码中，只将自主性留给需要判断力的环节，并向社区征集完全自主的生产环境案例和可靠性提升建议。

一篇面向 LLM 读者的中文强化学习术语科普文章，用 Is OpenAI open? 这个例子串讲 policy、state、action、reward、return、value、advantage、GAE 等概念，解释 judge 只给整段回答打分时，分数如何分配到每个 token。文章以 DeepSeek-R1-Zero 的 RLVR 训练为背景，是后训练系列的第四篇。

作者发布了开源项目 DecisionFormer，可将普通 LLM 转换为直接预测选择而非生成文本的决策模型，适用于决策模型实验与推理方式探索。

OpenLLM 是一款开发者工具，让你把订阅、API 密钥和本地模型接入 Codex、任意编码代理，甚至 Mac 上的 ChatGPT 应用，突破限额后可无缝继续，并支持从任何地方启动编码会话。

提出了ETAMem多视角记忆框架，通过解耦异构对话信息并构建Event、Affect、Time三个互补的层次化视图，提升长期对话智能体的记忆检索效果，在LoCoMo和LongMemEval-S上分别实现12.46%和7.96%的相对准确率提升。

该论文提出 PERPL 框架，通过 LLM 模拟读者的相对偏好来学习个性化事实核查解释改写，在保持事实忠实性的同时优于更大的通用 LLM。

研究人员推出了首个面向巴斯克语的开放语音语言模型，该模型基于 LLaMA-Omni 架构，以 Latxa 为骨干模型，利用翻译数据和文本转语音（TTS）合成数据，克服低资源语言的数据匮乏问题，实现端到端语音交互。

本文提出了一种小型候选形式化模型，使用教师模型离线生成的列表进行训练，以弥合开放式大语言模型工作负载与快速决策模型之间的接口鸿沟。据报告，该方法在 CALVIN-D 上的任务成功率最高达 52.6%，端到端延迟为 2.09 秒；相比之下，不使用该形式化模型时的成功率为 11.8%，而 Qwen3.5-27B 等基线模型的速度则更慢。

本文提出了一种基于标签保持扰动的输入歧义检测框架，先检测再消歧，包含黑盒规则库与白盒重要性引导两种检测器，在四类问答数据集上优于输出侧不确定性基线与LLM改写扰动基线。

该论文提出 LM-DSB，一个结合 RAG 与本地部署 LLM 的轻量级多智能体系统，用于自动生成建筑工地每日安全简报，在消费级硬件上实现了接近人工质量的文档生成与专家认可。

FinLLM-KG 是一个模型无关的框架，将因果大语言模型与金融知识图谱相结合，从美国证券交易委员会（SEC）的 10-K 文件中注入公司层面、时间对齐的知识，以改进金融情绪分析与算法交易，同时提供可解释的预测依据。

MARQ 是一种模块化、与 LLM 无关的原型，将源自专家的系统工程知识融入基于 LLM 的需求质量评估。在经过专家标注的 NASA 需求集上，使用 Claude Opus 5、GPT-5.6 Sol 和 Gemma 3 12B 进行评估时，其 F1 分数均较现成基线显著提升，但提升幅度因模型而异。

FedSEAM 提出一种联邦持续学习框架，通过子空间专家共识合并（SEAM）在客户端之间选择性共享稀疏专家知识，缓解路由漂移与合并擦除导致的灾难性遗忘，并在 TRACE 基准上使用 Qwen3-4B 和 Llama-3.2-3B 进行了评估。