解读

引用：Noah Shinn, Federico Cassano, Edward Berman, Ashwin Gopinath, Karthik Narasimhan, Shunyu Yao，"Reflexion: Language Agents with Verbal Reinforcement Learning"，…

把 LLM 评测里成熟的 harness 范式（orchestrator + 子 agent + 证据链）引入视觉世界模型（world model）评测：用一个父 agent 把评测任务拆解为可测子问题，为每个子问题派发配备专门 context 与诊断工具的子 agent，父 agent 收集证据并汇总成 verdic…

在 RAG 系统中用一个对证据施加「强随机瓶颈」、对 query 保持全维访问的容量不对称机制，强制证据通道只编码「query 中没有的残差信息」，从而把 query潜变量互信息从 14.8 bits 压到 0.47 bits（≈30×），在 5 个推理基准上超过强迭代基线，幻觉率降低 73%。 RAG 长期被诟病的隐…

在冻结的多模态 retriever 的视觉与文本编码器各层插入若干可学习 soft prompt，按浅→深的 length schedule 分配，并用一个在线多模态攻击者与防御者做动态 minmax 对抗训练，让 defended encoder 的 embedding 直接重塑，不修改检索管道、几乎不增加推理开销（…

HyperM2RAG 把多模态 RAG 的"图"从二元简单图换成超图（hypergraph），把跨页/跨模态的 N 元关联作为一等公民建模，并配套"锚点驱动的增量精修（Anchordriven Incremental Refinement）"避免全页重建；论文已被 ACM MM 2026 接收，代码开放在 github…

AnyTalk 把"语音驱动 3D 面部动画"这件事从"必须为每个角色采集专属动画数据"重写成"拿一个预训练视频扩散模型 + 一次角色化微调即可"，核心是 CsF（Characterspecific Finetuning，用静音渲染图微调）+ blendshape 反向优化，并蒸馏出可实时推理的 AnyTalk_RT；…

用 Jacobian lens 与一个五臂共享上下文基准,在开放权重 LLM 上找不到"决定哪些表征被读出"的显式门控;真正把潜变量从上下文搬到 query 位置的,是中段层 64layer hybrid 与 62layer dense 同款相对深度处发生的 attentionmediated gathering——一…

FreeToken 是一个边缘原生(edgenative)的 MoE 推理系统,把"个人机器"视为一个统一弹性推理平台而非"小一号的数据中心 GPU",通过连续地把模型状态与计算映射到机器实际暴露的异构资源上,让 8GB 笔记本 GPU、单卡工作站、消费级游戏台式机这些边缘硬件分别能跑 35B / 284B / 753…

针对 RAG 中检索证据"有用 / 无关 / 误导"三类来源信任问题,2608.16515 提出 IntentGuided Decoding (IGD),用 answerlevel filtering + tokenlevel correction 双层机制,在解码阶段按用户意图在 retrieved context …

这篇工作从 LLM 的内部 hidden states 里直接估出两类可解释的不确定性信号——知识不足（knowledge insufficiency）和知识歧义/冲突（knowledge ambiguity/conflict），并在单次前向传播内据此决定要不要触发 RAG、要不要多走一步推理。 RAG 自从 2023…

本文提出 LatentIdentity Tuning——在「冻结的、预训练好的」TexttoImage 个性化模型的潜空间里，找出一组有语义意义的方向向量，沿这些方向平移就能对人脸身份做局部化、细粒度、语义一致的编辑，完全不需要额外训练。 个性化 T2I（TexttoImage）模型（如 Textual Inversi…

KVpop 用"未来注意力"作为监督信号，直接训练一个 fixedbudget 的 KV 淘汰打分器，并通过延迟记忆机制让打分器在"看完后续若干步"之后再决定保留还是丢弃，从而在 75% 和 88% 的 KV 压缩率下分别保留 Qwen34B 全注意力 98% 和 97% 的推理质量。 自回归解码阶段的 KV cach…

RAEF（RetrievalAugmented Extended Forecasting）是一种模型无关的单变量时间序列预测增强方法：把 RAG 范式从 LLM 文本场景搬到 Time Series Foundation Model（TSFM）场景，沿 RAF 路线把"输入空间检索 + 拼接聚合"两处机制替换掉 RAF…

通过对 N=46 个跨四个认知领域任务的电路级（circuitlevel）分析，本文证明 LLM 会像人脑一样涌现出功能模块化架构——同一领域任务调用重叠神经元，不同领域任务调用相互分离的神经元，提示模块化可能是智能系统的收敛性（convergent）属性，而非生物进化偶然。 神经科学的经典观察是：大脑皮层存在显著的功…

一个号称能在边缘设备跑的 3B Agentic 模型，开箱即用跑不起来——5 个独立 bug 把 HuggingFace transformers 部署路径堵死；修完后又遇到 Looped Transformer 的层复用策略让 attention 显存翻倍，作者用 chunkedprefill 把 32 GiB 共享…

面向推理的训练让模型的 trace 看起来更审慎（自我修正、假设检验、不确定性表达被放大 3–7×），但与"答对"最相关的几项行为——confidence calibration、knowledge alignment、selfawareness——反而没有被同步放大，作者把这道裂缝命名为 AmplificationL…

把"虚假引用"与"不切中命题的引用"拆开看，现有 LLM 在前者上几乎满分（93–100%），在后者上却只对一半多一点（37–83%），而且规模与推理努力都填不平这条裂缝。 2023 年 Mata v. Avianca 案让全行业第一次意识到"LLM 编造虚假引用"的危害——两位律师向纽约联邦法院递交了一份含六个虚假判…

本文提出 Apodex Discovery 框架，把"探索型 AI"（discoverative AI）从 benchmark 走向真实工程级验证：在 561 个行业 / 16 个领域里筛出 423 个真实高价值问题、首发 20 个，再用统一的 environmenttaskepisode 抽象 + TRACES 固定…

在六个公开临床数据集（文本/影像/表格三类）上的七个 cohort 中，作者系统证明：Gemini 多 Agent 委员会能单独抵御浅层提示（flip 5–16%）但无法抵御"社交合理"的捷径——当两位同伴坚持同一错误答案时，待测 holdout 在 38% 的情况下会跟随错误，而这种作弊在 benchmark 上几乎…

Code Llama 是基于 Llama 2 构建的代码大模型家族，在开源模型中刷新 SOTA，支持代码补全、代码填充（infilling）、长上下文（100k tokens）和指令跟随，7B 参数版本即可超越参数量大 10 倍的通用模型。 2023 年下半年，开源代码模型普遍落后于闭源 GPT4/ChatGPT，且存…

BIGbench 用 204 个任务、横跨模型规模从百万到千亿参数的系统性评测，回答了一个根本问题：语言模型的能力到底能不能随规模"涌现"，哪些任务真的会"跳变"，哪些只是平缓爬升。结论是：性能与校准都随规模提升，但绝对水平在大多数任务上仍然很差，且可预测性远好于大家以为的"涌现神话"。 2021 年 GPT3 之后，…

微软研究院团队用 USMLE 官方练习题与 MultiMedQA 基准系统评估 GPT4,证明未经任何医学专门微调的通用大模型,以零样本提示即可在 USMLE 上超过及格线 20 分以上,并击败针对医学知识专门微调的 MedPaLM,更关键的是置信度校准显著优于 GPT3.5——这是一次"通用智能 领域专才"的标志性实…

LaMemVLA 把历史经验统一编码进 VLA 的连续潜空间，把"短期/长期双库记忆 → 检索 → 压缩 → 编织进当前推理流"做成一个端到端框架，让长时序、强时间依赖的操作任务能在固定上下文内完成。 主流 VisionLanguageAction（VLA）模型在预测动作时基本沿用 Markov 假设——只看当前 ob…

Soofi S 30BA3B 是一个 30B 总参 / 3B 激活参的 MoE 混合 MambaTransformer 德英双语基础模型，预训练约 27T token，推理时上下文增长几乎不涨 KV cache，主打"主权 + 长上下文 + 高并发"的开源部署场景，并在 17 个开源基线中拿下最佳代码分和欧洲主权模型第…

CtrlVTON 把虚拟试穿（VTO）从"把衣服贴到人身上"重构为带分割掩码作为像素级控制信号的图像编辑问题，配合一个新任务 VIPSeg 与新模型 VIPSAM，让用户第一次能真正指定衣服的松紧、穿法（塞 / 不塞、开 / 合）与在身体上的空间位置，并在布局忠实度上超过最强的商用编辑系统。 过去几年的 VTO 已经能…

这是一篇 AAAI 2026 的元分析（metaanalysis）论文：在理论上证明 深度强化学习算法的渐近性能排名与数据规模之间不存在单调关系，并通过大规模实验证实——过去一整支 DRL 研究线在经典设计与评估范式下得到的结论是错的。论文给出 DRL 领域关于 scaling、容量、复杂性的核心分析框架。 DRL 领…

AgentKGV 通过动态路由 + 迭代查询改写 + 两阶段（蒸馏 SFT + 轨迹级 GRPO）训练，让小模型也能准确核查工业级知识图谱三元组，并将检索调用次数降低近一半。 知识图谱（Knowledge Graph）大规模自动构建后，往往包含大量错误三元组——来源嘈杂、NLP 抽取失败、句子歧义都会引入虚假事实。工业…

PanoWorld 利用 360° 全景表示的旋转等变性（rotationequivariant），将相机轨迹简化为固定朝向的平移，通过 DPRC（稠密全景射线条件）与 GMA（几何感知记忆增强）模块解决全景世界模型中的长程记忆与物理一致性问题。 世界模型（World Model）是机器人在真实环境中做规划和模拟的基础…

VLM 在误导性图表面前容易"被视觉欺骗所骗"——将倒置坐标轴、截断数据、异常视觉结构误读为正常；ChartCynics 用"怀疑式推理"双路径范式将感知与验证解耦，在 Qwen3VL8B 基础上提升约 29%，在两个 Benchmark 上分别达到 74.43% 和 64.55%，超越所有专有 SOTA 模型。 Ch…

TAC（TAC） 是首个面向 Agent 场景的隐式动物福利评估基准，通过 52 个测试场景（覆盖 6 类动物）发现主流前沿模型在旅行预订任务中系统性倾向选择有害选项，加入伦理身份提示词后福利率从 32% 跃升至 80%，揭示了 LLM 在 Agentic 设置下价值对齐的新挑战。 先前研究已通过问答 Benchmar…