解读
1094 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
上下文学习综述:把 GPT-3 那一道"涌现"系统化讲清楚的中文研究者代表作
一句话结论:清华 + 北大 + 苏州大学 + 微软亚研的 Dong、Li、Dai 等 14 人合著的这篇综述(2022 年 12 月 v1、2024 年 10 月 v6,长达 8,290 KB),把"incontext learning (ICL)"从 GPT3 那篇 2020 年的 32 个示例小实验,扩展成覆盖 训…
What do We Need to Build Explainable AI Systems for the Medical Domain?
医疗领域的 AI 模型必须是可解释的，不仅因为医学专业本身要求决策透明，更因为 GDPR 等法规要求在特定情况下能够追溯自动化决策的根据；本文系统梳理了医学 AI 面临的核心挑战，并从医学影像、组学数据和自然语言三类主要数据模态出发，阐述了可解释 AI（XAI）的研究方向及其对医疗落地的意义。 深度学习在医学影像诊断（…
AdaTrans：用「错误自适应」的策略级 RAG 把 C 代码自动转 Rust
AdaTrans 把「C → Rust」这个比 CtoC++ 难几个数量级（Rust 的所有权/借用语义必须显式保证）的语言迁移任务，包装成一个 strategydriven RAG + 错误分层策略 + 多阶段验证 的工程流水线：在 104 个算法题的评测集上拿到了 平均编译通过率 95.51% 与 题目解题率 81…
二十年物体检测综述：从 Viola-Jones 到深度学习时代
Zhengxia Zou 等人用一份 400+ 页的综述把「物体检测」从 1990 年代的 ViolaJones 一路梳理到 2022 年的深度学习 SOTA，按里程碑检测器、数据集与指标、骨干网络、加速技巧四象限归类，是把「检测这件事到底是什么」讲得最系统的一份工程地图。 物体检测（object detection）…
大语言模型的涌现能力：定义、证据与争议
一句话结论：Wei 等人把"小模型没有、模型大到某个尺度后突然出现的能力"命名为 emergent abilities，并用 BIGBench、PaLM、LaMDA 等公开实验绘制了第一张涌现能力地图，由此引发学界关于"涌现究竟是模型内禀现象还是评测指标选型的人为产物"的持续争论。 自检：机制 1 段（涌现定义与判定方…
门控图序列神经网络：把 GNN 升级成序列预测器的那篇 ICLR 2016 经典
一句话结论：Li 等人把 Scarselli 2009 年提出的 Graph Neural Network 用 GRU 改造并扩展到序列输出，得到 Gated Graph Sequence Neural Networks（GGSNN）——这一架构在 ICLR 2016 上同时拿下"图结构表征 + 程序验证子图匹配 SO…
广义 OOD 检测综述：把异常 / 新颖 / 开放集 / 离群点五件事说成一件事
一句话结论：Yang 等人把"异常检测 / 新颖检测 / 开放集识别 / OOD 检测 / 离群点检测"五类问题统一到一个 Generalized OOD Detection 框架下，主张这五者在动机上同源、方法上互通——并在 3000 多页的综述里梳理出分类式、密度式、距离式三条方法主线，是后续 OOD 论文的术语共…
多任务 Prompt 微调：让小模型也能 zero-shot 泛化——FLAN/T0 论文深度解读
通过将大量 NLP 任务统一转化为自然语言 prompt 格式，再用 encoderdecoder 模型（T5）做多任务联合微调，能让仅 137M 参数的模型在多个未见任务上达到甚至超越 175B 参数 GPT3 的 zeroshot 性能——这证明了显式多任务学习而非隐式预训练才是 zeroshot 泛化的关键。 G…
TrustMargin：免训练的「直接回答 vs RAG」仲裁层
一句话结论：给定同一冻结 LLM 产出的「Direct 答案」与「RAG 答案」，TrustMargin 用模型自身的对数似然组合成两个 margin（参数记忆的接受度 + 检索证据对问题的特异性支持），在不微调、不调用外部裁判、不再额外生成的前提下，自动决定信哪一个。它在 2WikiMQA / CWQA 上用 LLa…
Tutti：把 SSD 当 KV Cache 主力存储的生产级方案
一句话结论：Tutti 把 CPU 从 HBM↔SSD 的关键 I/O 路径里彻底剔除，改成 GPU 直接驱动 NVMe（GPU io_uring + GPU 原生 KV cache 对象抽象 + slackaware 调度），把 GDS 仍存在的 CPU 瓶颈变成「GPU 自己管对象」，结果相对 SSDbacked …
多模态大模型到底懂不懂 OCT？OCT-Bench 给出的系统答卷
OCTBench 用 10,076 道多选题、4,137 张 OCT 图像、覆盖 20 个细粒度能力子任务（分 Perception / Cognition / Reasoning 三层），系统评估了 20 个代表性 MLLM，结论是当前所有模型离"可临床落地的 OCT 理解"都还有相当距离，而且"换更大的模型"或"做…
ShotPlan：用可学习规划 token 拍出多镜头电影级视频
ShotPlan 在视频扩散基础模型上引入一组"可学习规划 token"作为镜头级过渡的显式控制信号，配合 Fractional Temporal Rotary Position Embedding（FRoPE）实现帧级时间建模，让模型能按预设时间戳做多镜头切换，实验显示在跨镜头一致性和镜头管理灵活性上都显著优于现有电…
用 Chunk Coverage 测试 RAG 系统：不给参考答案也能衡量检索覆盖度
作者提出了 Chunk Coverage (CC)：一种不依赖参考答案或相关性标注的 RAG 检索组件测试充分性准则。CC 衡量「在整个测试套件中，语料库的每个 chunk 至少被检索到一次的比例」，把 RAG 测试从「查询级别」抬到「语料级别」。在临床与金融领域两类 RAG 场景下，CC 引导的用例选择比随机策略快 …
用于交互式放射学报告起草的离散扩散语言模型
把一个 MoE 离散扩散语言模型 DiffusionGemma26B 适配到医学影像问答与放射报告起草场景，在相同的 LoRA 配置下与同规模自回归模型 Gemma426B 打平甚至略胜，且解码速度提升 3.5–4.4 倍；更难能可贵的是，扩散模型天生适合"任意位置填词"的交互式起草，让放射科医生能先固定某些句子片段，…
LaMDA：面向对话的大语言模型与安全 / 事实性增强
LaMDA 是 Google 在 2022 年公开的对话专用 Transformer 系列 LLM（最大 137B 参数，1.56T 词预训练），系统论证了「仅靠 scale 不能解决 safety 与 factual grounding」——必须靠微调 + 调用外部知识源（检索 / 翻译 / 计算器）才能让对话模型既…
AGE：面向图检索增强生成中图嵌入的自适应掩码方法
⚠️ Jay 补录：原始版本（20260723）无首段自检、无数字核验标注，W32 精修补录本文。本文件关联论文为 graph embedding 方法论文，与 2607.23379（Activation Oracle）完全无关，原自检中"nearidentical loss / up to 41%"数字系 2608.…
当激活预言机学会不去读取：微调预言机中的概念特定盲区
首段自检：机制段 3 / 工程段 2 / ⚠️ 数字核验 2 处（Taboo 实验设定为单 SR 报告；"nearidentical loss" 与 "up to 41%" 等表述以 abstract 为准、未独立核验 v1 PDF）；私域编号清除已执行。 ⚠️ 就地修正：原文"单 SR 报告"与 abstract "…
高效 LLM 知识蒸馏：离线 Top-K Logits 与融合分块 KL 损失
首段自检：机制段 3 / 工程段 3 / ⚠️ 数字核验 3 处（29% / 41% / 4× context 直接来自 abstract，可核验；扩展性 claim 256K 来源于 isolated kernel benchmark 段落，已二次核验）；私域编号清除已执行。 通过把 KD 训练从"在线重算教师 lo…
DuplexGen:面向场景自适应的人-AI 全双工轮替对话合成
⚠️ 状态：Manuscript under review（abstract 无开源声明；数字未定稿，结论可能调整） 自检：机制段 ×1 + 工程段 ×1 + ⚠️ 数字核验 ×2（6 个任务场景与 slotlevel 偏好量、fullduplex 模型训练细节）· 风险边界段 ×1 · 反方段 ×1 DuplexGe…
Steerling-8B：把可解释性「焊进」训练目标，扩散语言模型也能做闭环路干预
⚠️ 状态：未注明开源情况（abstract 无权重 / 代码发布声明；论文体量 12,100 KB，附录可能含完整实验，review 阶段数字可能调整） 论文挑战「可解释性 = 能力税」这一普遍假设，把可解释性作为训练约束与语言建模目标一起优化，在三个数量级的算力跨度、两种 LLM 范式（自回归 + 扩散）上证明：可…
Factorized Hypothesis Search：用「分维度因子化假设」解开间接证据的检索难题
⚠️ 状态：Manuscript under review（abstract 无开源声明，权重 / 代码是否发布待正文核实） FHS 把「间接证据 → 分类法标签」的检索拆成沿若干语义维度的并行假设，再用结构化查询 + 维度级候选校验做排序，在金融分类标签和 CodiEsp 临床编码两个评测上都拿到非 oracle 方…
Evo-Bench：当 LLM 开始改自己的 Agent Harness，评测该怎么重新做
EvoBench 是第一个专门评测「LLM 自主优化自己 Agent harness（执行框架）」能力的基准，覆盖 Search / Office / General 三个 Agent 域，并提出「辅助任务演化 + 敏感度感知分层切分」的构建框架来排除 base model 强度与任务过拟合的混淆；在 9 个前沿与开源…
RynnValue:以「时间距离」作为跨具身奖励基础模型的监督锚点
针对通用机器人策略学习长期被"奖励模型"卡脖子的问题,RynnValue 用时间距离(temporal distance)取代人类偏好与归一化进度两类主流监督锚,在 7000+ 小时、约 300 万条指令条件片段上训练出开源价值基础模型,OOD 任务上 Kendall's τₐ 0.675 超过偏好监督 SOTA,且能…
What to Edit Next:面向对话式图像创作的"下一步编辑"推荐系统
针对对话式图像创作助手"下一步编辑推荐"长期缺乏多模态方案的问题,Qwen App 团队公开了一个三阶段框架(SFT → 多目标 RL → 视觉验证器微调),在百万级真实用户的 A/B 测试中把推荐视觉不一致率从 3.7% 降到 0.9%,推荐 CTR 提升 32.70%、图片带走率提升 16.32%、人均对话轮次提升…
OasisKV：用 Speculative Decoding 把 KV Cache 搬到 HBM 之外
OasisKV 是一个内存中心的 LLM 推理系统：在 decode 阶段把 KV cache 从 HBM 解耦出来，仅在 HBM 中保留"未来最相关 token"的 KV；通过 speculative decoding 草拟的 lookahead token 提前预测重要 KV 块，再从 host/remote me…
Ouroboros：自演化、可审核的代码 Agent Harness
Ouroboros 提出一种"自演化 Agent 框架"——Agent 的工具、prompt、上下文组装乃至核心代码，都通过可审核的 commit 演进，新版本直接成为下一轮工作的运行时，并在 TerminalBench 2.1、OSWorldVerified、CLBench 三个代码/桌面 Agent 基准上同时刷新…
Agent Memory Distillation：把大模型 Agent 的"三段记忆"蒸馏给小模型
AMD（Agent Memory Distillation）是一个免训练框架：让小语言模型（4B8B）通过"工作流—子任务—函数调用"三层结构化记忆，蒸馏大教师 Agent（GPT5mini 作为示例教师）的成功轨迹，在 AppWorld / BFCL V3 / ToolSandbox 三个工具调用基准上分别取得 +2…
HiSparse：分层 KV 缓存管理扩展稀疏注意力解码
首段自检：机制段 3 / 工程段 3 / ⚠️ 数字核验 4 处（4.7× peak throughput / H200/B200/GH200 三平台 / 三种 sparseattention 家族 / 已合入上游 SGLang 均来自 abstract，已二次核验 v1）；私域编号清除已执行。 HiSparse 把稀…
LitTraceQA：科学问答中的多阶段定位与验证基准（论文检索 → 证据定位 → 答案生成 三段评测）
首段自检：机制 3 段（三段输出契约：paper ID + evidence location + answer · 五类证据：表格 / 图形 / 文本段 / 公式或算法 / 引用上下文 · 三段评测：检索 / grounding / 答案准确率独立打分）+ 工程 2 段（公开 55 例 dev split 含 26 …
基于分类法的开源 AI 风险缓解工具分析（21 工具 × MIT AI Risk Taxonomy 32 子类映射）
首段自检：机制 3 段（LLM 辅助 RAG 抽取能力 · 21 工具 × 32 子类二值映射矩阵 · Fleiss Kappa 0.509 多人独立复核 + 多数投票 F1=75.5%）+ 工程 2 段（21 个开源工具枚举 · 映射协议可直接套用到任何工具集）+ ⚠️ 数字核验 3 处（"21 tools / 32…