解读
1524 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
Keyword Search is All You Need：仅靠关键词检索的 Agent 能否替代向量 RAG？
引用：Shreyas Subramanian 等（Amazon Science），"Keyword search is all you need: Achieving RAGLevel Performance without vector databases using agentic tool use"，arXiv:…
MCP 生态安全的首份横切面研究：两阶段攻击面与 MCPInspect
MCP（Model Context Protocol）把 LLM 接到外部工具的「最后一公里」标准化了，但也把攻击面从模型本身延伸到了注册表、服务器和工具描述三层。本文对 67,057 个公开 MCP 服务器做横切面审计，发现注册表弱校验 + 工具描述投毒 + 主机无独立校验三条链路都已可被利用，作者据此实现 MCPI…
PolyUQuest：异构图上的可验证、结构感知 Web RAG
PolyUQuest 把"网页不再是扁平文本"这件事工程化到底——它把页面间超链接、页面内 DOM 层级、跨页面实体关系三类结构信号统一到一张异构图里,用一个 twotier router 按问题结构类型分派到三种检索模式(直接块检索 / 跨页图遍历 / 多跳实体推理),每个答案都附带可回溯到结构证据的引用,在 Pol…
GPT-3：语言模型的少样本涌现
GPT3 把 Transformer 语言模型扩到 1750 亿参数后，不更新任何权重就能在多数 NLP 任务上匹配或超过当时为每个任务专门微调的 SOTA，把"上下文学习（incontext learning）"从偶发现象变成了 LLM 的核心能力之一。 2018 年 BERT、2019 年 GPT2 之后，NLP …
主题综述 · evaluation（2026-08-23）
2026 年的 LLM 评测研究,主线已经从"哪个模型在某 benchmark 上得了多少分"的单点准确率,转到了"我们的评测协议本身是否可信"的方法学反思。这一点在三个尺度上同时发生: (1) 综合维度 —— KDD 2025 接收的《Evaluation and Benchmarking of LLM Agents…
PyTorch：把"可编程性 + 高性能"统一起来的深度学习库
PyTorch 用"tensor + autograd + 动态计算图"的最小可编程单元，把 NumPy 风格的命令式编程体验与 GPU 加速、分布式训练、自动微分合并到同一个 Python 程序里，从而把研究阶段的"边写边跑"和工程阶段的"跑得快"做到了同一套 API。 2016 年前后的深度学习框架处在明显的两极分…
当 GPT-4 第一次让研究者「后背一凉」：Sparks of AGI 到底讲了什么？
2023 年初，OpenAI 把 GPT4 的 API 偷偷塞给了几个外部团队，让他们随便玩。其中微软研究院的 Bubeck、Chandrasekaran、Santanu 等人玩了三个月，写出了一份 154 页的评估报告——arXiv 2303.12712，标题就叫《Sparks of Artificial Gener…
让大模型「多想几次」再答：Self-Consistency 是什么神奇 trick？
你有没有过这种经历 🤔： 你问 ChatGPT 一道小学奥数题，它一步到位给出答案 18，你满心欢喜——结果老师批了个大红叉，正确答案是 16。 这时候你可能骂模型「不行」。但 2022 年那篇被引到飞起的论文 arXiv 2203.11171 给了一个极其朴素、却让整个 LLM 推理范式升一档的解法—— 「让模型自己…
Vanilla LoRA 可能就够了：学习率才是 LoRA 变体差异的真正来源
论文：Learning Rate Matters: Vanilla LoRA May Suffice for LLM Finetuning（arXiv:2602.04998v2，cs.LG，202605 更新；作者 YuAng Lee；代码 通过对 9 个有代表性的 LoRA 变体（含 PiSSA、DoRA、AdaLo…
分布式向量数据库在 HPC 上的性能实测：Qdrant × Polaris 超算
本文是首份在 Argonne 实验室 Polaris 超算（AMD EPYC Milan 7543P 32 核 × 512GB × 4×A100、HPE Slingshot 11 互联）上对分布式向量数据库 Qdrant 的实证性能研究，使用 Qwen3Embedding4B 对 829 万篇 peS2o 科学全文做嵌…
GLM：面向图思维链推理的多 Agent 框架与高效 LLM Serving 协同设计
GLM（GraphCoT LLM Multiagent）把"图上的多步推理"拆成四个协作 Agent，并通过 GraphCoT 专用的 KVcache 机制和流水线执行，把单 Agent GraphCoT 流水线重写为可线性扩展的多 Agent 系统，在 GRBench 五个领域上实现 准确率最高 +38%（vs. G…
主题综述 · risk(2026-08-23)
范围:近 4 周(20260726 → 20260823)LLM / Agent 风险研究主轴,覆盖幻觉、对齐税、隐私泄漏、模型窃取、多智能体安全、护栏 / 评测方法学延革 6 条主线 + frontier lab 主动治理 + 红队工具工业级成熟度两条延伸。 与 813 / 817 / 819 三篇 risk 综述的…
AHE：可观测性驱动的 Coding Agent Harness 自动演进
Agentic Harness Engineering (AHE) 用一套"组件 / 经验 / 决策"三层可观测性支柱把 Coding Agent 的 harness（系统提示、工具、中间件、长期记忆等模型外可编辑组件）变成可证伪、可逐文件回滚、自动进化的对象，10 次迭代就让 TerminalBench 2 的 pa…
Nemotron 3 Super：面向 Agentic Reasoning 的开放高效 MoE 混合 Mamba-Transformer 模型
Nemotron 3 Super 是 NVIDIA 推出的 120B 总参 / 12B 激活参数的混合 MambaAttention MoE 模型，首次在 Nemotron 3 系列中同时使用 LatentMoE、NVFP4 预训练与 MTP（MultiToken Prediction）层，并提供 FP8 与 NVFP…
从存储到经验：LLM Agent 记忆机制演化综述
原文标题：From Storage to Experience: A Survey on the Evolution of LLM Agent Memory Mechanisms，ACL 2026 Findings，arXiv:2605.06716v1（20260507），一作 Lin Hongzhan。 这是一篇把 …
RAGCap-Bench：把 Agentic RAG 的「中间能力」拆开评测
Agentic RAG 系统在端到端 QA 上已经「看起来不错」，但论文发现多跳问题的失败往往不出在最终答案生成，而出在中间几步（规划、检索查询构造、证据筛选、推理链组装）。RAGCapBench 把这些中间任务拆出来独立打分，让研究者能定位「模型到底在哪一步垮掉」，并验证了「慢思考」模型在中间能力强时，端到端结果也更…
AgentLeak：多智能体 LLM 系统内部通道隐私泄露基准
AgentLeak 是首个把多智能体 LLM 系统的隐私泄露测量从"输出层"扩展到"内部通道层"的基准——通过在 7 条隐私相关的通信路径上植入探针，作者在 1,000 个场景、5 个生产模型、4,979 条执行轨迹上证明了一件事：多 Agent 架构在降低最终输出泄露的同时，把大量隐私数据暴露在了 Agent 间消息…
LoRAFusion：消除冗余内存访问的多 LoRA 高效微调系统
LoRAFusion 通过算子级图分裂融合（kernellevel graphsplitting fusion）把 LoRA 微调里夹在大 GEMM 之间的小算子合并掉，砍掉冗余显存访问；同时引入多任务自适应批处理调度器（adaptive batching）把多个独立 LoRA 任务在共享底模的 GPU 上交错排程，端…
DashboardQA：在真实交互式仪表板上给视觉-语言 GUI Agent 出题的硬基准
DashboardQA 是首个明确面向真实交互式仪表板的视觉语言 GUI Agent 问答基准，包含 112 个来自 Tableau Public 的真实仪表板和 405 道跨五类的成对问答（多选、事实、假设、多仪表板、多轮对话）。在它上面，当前最强的闭源与开源 GUI Agent（SOTA 是基于 GeminiPro…
桥接协议与生产：基于 Model Context Protocol 部署 AI Agent 的设计模式
针对 Model Context Protocol（MCP）在企业级 Agent 工具集成中暴露出的三处协议级缺口——身份传递、工具超时预算、错误语义——本文提出三种互补机制 CABP / ATBA / SERF，把"能调用工具"升级为"能稳定、可观测、可恢复地调用工具"。 MCP 自 2024 年底由 Anthrop…
KVP：用强化学习从 KV Cache 中"学会驱逐"
本文把 LLM 推理时的 KV cache 驱逐重新表述为强化学习问题，提出 KV Policy (KVP)——一组只在 K/V 向量上工作的轻量级 perhead RL 智能体，预测未来 token 的效用并据此排序，在 RULER（最长 128K）等长上下文基准上显著优于 recency / attentionsc…
当迭代式 RAG 超越"理想证据"：面向科学多跳问答的机制级诊断研究
在化学多跳问答基准 ChemKGMultiHopQA 上，"按需分阶段检索 + 推理"的同步控制器（Iterative RAG）可以稳定跑赢"一次性灌入全套黄金证据"的静态 RAG（Gold Context），最大领先可达 25.6 个百分点；非推理微调模型从中获益最大，差距主要由"晚跳覆盖、组合合成、锚点漂移、停步时…
ViT-5:面向 2020 年代中期的 Vision Transformer
ViT5 在不破坏「AttentionFFN」骨架的前提下，把过去五年里 Language Model / 视觉骨干网络的成熟技巧（LayerScale、RMSNorm、2D RoPE、QKNorm、Register Token 等）系统地搬回 Vision Transformer，得到一套「即插即用」的新一代纯 Vi…
Sparks of AGI:早期 GPT-4 实验 — 通用智能的"火花"
微软研究院对当时仍在活跃开发的早期 GPT4 进行了大规模定性评估,论证其在数学、代码、视觉、医学、法律、心理学等领域的零样本能力已接近人类水平,具备"通用人工智能(AGI)的早期火花"。 2023 年初,大型语言模型能力突飞猛进,但主流 NLP benchmark 已经接近饱和,研究者难以判断"模型到底会不会做难事"…
"他在看什么？"——AI 终于能用一句话告诉你了，GazeAnywhere 把注视估计从"装几个模块"变成"端到端可提问"
你有没有想过 🤔： 一张监控画面里有 5 个人——司机、乘客 A、乘客 B、后排小孩、路人。 你想知道"司机在看哪里"——是仪表盘、后视镜、还是手机？ 现在的 AI 大概率会答错——因为传统方案是"先找人脸、再估计视线"，5 张脸挤在一起，它根本分不清谁是谁。 或者在 AR/VR 里，你对眼镜说"看那个红色 app"，…
BloombergGPT：50B 参数的金融领域 LLM，用混合语料证明"专业 + 通用"两条腿走路
引用：Shijie Wu, Ozan İrsoy, Steven Lu, Vadim Dabravolski, Mark Dredze, Sebastian Gehrmann, Prabhanjan Kambadur, David Rosenberg, Gideon Mann（Bloomberg + Johns Hop…
Gemini 1.5：用稀疏 MoE 把多模态长上下文推到百万 token
引用：Gemini Team Google（1037+ 作者），"Gemini 1.5: Unlocking multimodal understanding across millions of tokens of context"，arXiv:2403.05530，v1 20240308，v5 20241216。分…
HuggingGPT：用 ChatGPT 当控制器，把 Hugging Face 上的模型串成多模态 Agent
HuggingGPT（又称 JARVIS）提出"LLM as Controller"范式：让 ChatGPT 作为大脑，把自然语言任务分解成子任务，自动挑选 Hugging Face 上合适的专家模型去执行，再用自然语言汇总结果，从而把跨模态、跨领域的孤立模型串成一个统一 Agent。 2023 年前后，Hugging…
Text World Models：给 LLM Agent 装上一个"环境心理模型"
本文是一篇系统性综述（survey），围绕"形式化框架 + Agent 生命周期"两条主轴，把面向 LLMbased Agent 的 Text World Models（TWM，文本世界模型）这一快速分化的方向整合成四个部分——基础与表征、构建范式（LLMasWM vs CodeasWM）、应用方式（训练时 / 推理时…
Agent Skill 评估与演化:框架与 Benchmark 综述
这是 2026 年关于 LLM Agent Skill（技能） 的首篇系统性综述：把 Skill 演化拆成 执行反馈 / 轨迹蒸馏 / 压缩与增强 / 强化学习 四种范式，再用 六个基准类别 对比评测体系——并明确指出仅靠技能名与描述匹配在大规模场景下不可靠、必须用 retriever+reranker 才能落地，给 …