标签
一篇新论文将AGI重新定义为在限制条件（计算、内存、能源）下的适应能力，并提出了一个“人工科学家基准”，专注于自主发现因果关系，而不是在固定任务上达到人类水平的表现。
本文通过对一家大型IT服务公司2025年开发和部署代理型AI系统的定性案例研究，提炼出七条经验，旨在将治理嵌入系统架构与运营中，以平衡自主性与问责制。
一项研究评估了AI评审员（GPT-5.2、Claude Opus 4.5、Gemini 3.0 Pro）与45位人类专家评审员对Nature系列期刊论文的评审表现，发现AI评审员在综合评审质量上可以超越评分最高的人类评审员，尽管其准确性略低，但能提出更多重要问题。
本文提出了一个可复现的协议，用于构建参与式人工智能项目的开放存储库和交互式地图集，分析了131条记录以揭示地理和生命周期模式，并提出了一个默认参与式人工智能基础设施的框架。
StreamDiffusionV2 在 MLSys26 上获得最佳研究论文奖，该论文提出了一种用于实时交互式视频生成的开源流式系统，将视频生成视为流式管道而非回合制流程。
一篇关于 δ-mem 的新研究论文在与 openclaw 集成后，将智能体响应质量提升了 7-32%。该项目目前仅适用于 mlx 和 Qwen3:4b，但预计会推出其他模型的适配器。
本文介绍了使用Kimi（拥有100万token上下文窗口的AI工具）进行学术研究的6步工作流，包括文献倾倒、找空白、文献综述初稿、方法论压力测试、论证压力测试和全文组装，可大幅缩短论文写作时间。
EnergyLens是一个端到端的框架，用于多GPU大语言模型推理的预测性能耗感知优化，在Llama3和Qwen3-MoE上验证，平均绝对百分比误差在9.25%至13.19%之间，并揭示了不同配置之间显著的能耗差异。
本文介绍 Bot-Mod，一个通过多轮对话和基于吉布斯采样的方法识别多智能体系统中恶意意图的审核框架，并展示来自Moltbook的数据集用于评估。
一篇介绍《Context Is Not Control》的论文，该基准评估LLM在处理受控文本中介证据时的源边界失效问题。附带开放权重模型和前沿API模型的复现包。
本文探讨了提高大语言模型（LLM）在图表数据提取中准确率的方法，研究发现，通过坐标网格进行的空间启动策略显著优于语义提示策略。
本文探讨了极低量化大语言模型中的平滑性退化问题，认为除了数值精度外，保持平滑性对于维持模型性能至关重要。
本文通过采用以大语言模型为先、人工仲裁的评估方法重新评估幻觉检测数据集，研究了标准基准是否低估了大语言模型（LLM）的性能。研究发现，在仲裁过程中融入大语言模型的推理能力可以提高评估的一致性，并表明针对容易产生歧义的任务，采用模型辅助的重新评估能产生更可靠的基准。
本文介绍了 UniCharacter，这是一个用于定制化多模态角色扮演（CMRP）的两阶段训练框架，能够对人设、对话风格和视觉身份进行统一的定制。该研究提出了 RoleScape-20 数据集，并证明了该模型仅需极少数据即可实现连贯的跨模态生成。
This article introduces Magis-Bench, a benchmark for evaluating large language models on magistrate-level legal tasks such as judicial reasoning and sentence drafting, using data from Brazilian judicial exams.
研究者提出将认知科学中的"global ignition"意识机制应用于长上下文工程，提出MiA-Signature方法使用子模选择高层概念覆盖激活空间，应用于RAG和agentic系统后获得一致性能提升。
本文介绍了 PRISM，这是一个通过动态问答流程整合视觉-语言模型和大语言模型的框架，旨在提升具身 AI 任务中的顺序决策能力。
本立场论文将大语言模型中的阿谀奉承行为分析为社会对齐与认识论完整性之间的边界失效，并提出一个新的框架和分类法来分类和缓解这些行为。
本文介绍了通过键正交投影进行转向（SKOP）方法，该方法通过防止注意力重路由来控制大语言模型（LLM）的行为，从而在保持转向效果的同时降低效用下降。
介绍了 LoVer，一种使用逻辑规则（否定一致性、组内一致性和组间一致性）来在无标签数据下提升大语言模型推理能力的无监督验证器，在推理基准测试中达到了接近监督验证器的性能。