有点子了，就去执行……
模型说谎时，推理token数会莫名变多？
三个主流推理型大模型，答完210道覆盖多类型的选择题，一个容易被忽略的信号被抓出来了——说真话时用的推理token数量，明显比指令说谎、不关心对错的情况少得多。绕开“看不懂的推理链”，找低带宽信...
解决交错图文生成难题：一种训练免费的自校正优化
多模态大模型生成交错图文内容时，之前的方案普遍要靠额外数据训练，计算成本高，还常出现视觉主体丢失、时序混乱、物理逻辑不合理的问题。新提出的SCO方法不用额外训练，在挑战性基准测试中，时序一致性和...
RoboQuest基准：通用物理机器人的探索困境
在RoboQuest基准测试里，目前最好的多模态物理代理，任务成功率才23%。RoboQuest要解决的真问题多模态基础模型发展到现在，已经能完成不少操作任务，成了所谓“通用物理代理”。但有个实...
爱沙尼亚语文档简化：大模型表现差距明显
正文：爱沙尼亚语是种形态极其复杂的低资源语言，直到最近，它的文档级文本简化研究几乎是空白——这是一篇cs.CL分类的arXiv论文抛出来的事实。研究到底测了啥？文档级文本简化和改单个句子完全两码...
TaoD2C-Bench：测MLLM UI代码生成，不止看视觉
2861个来自17家商业平台的真实UI生产设计，97652条专家标注，这是刚在arXiv公开的TaoD2C-Bench基准数据集的全部家底——它专门测多模态大模型（MLLM）的UI代码生成能力，...
MultiFly：首个低空无人机多模态感知标注基准
115张手工标注的RGB图像，换来了17000多份多模态数据的帧级语义标注——这是刚公开的MultiFly数据集交出的核心成绩。多模态标注的老问题之前做低空无人机感知的，谁没为标注愁过？RGB、...
Open-MMUnlearning：统一多模态大模型遗忘的方法与评估
最近arXiv上挂出的Open-MMUnlearning框架，把多模态大模型（MLLM）遗忘领域的混乱，给梳理出了清晰的脉络——这个开源项目覆盖5个基准、8个模型家族、12种遗忘方法。为什么ML...
针对恶意微调的新防御：SLDR的效果与思路
Llama3.1做SST2任务时，用新防御方法SLDR把平均有害输出分从11.54压到了0.08，合法任务的准确率一点没掉——这是它刚在arXiv放出的实测结果。恶意微调的隐形漏洞现在很多人用微...
大模型生成开源电化学多物理模型，误差不到0.7%
同样的CO₂还原制CO的电化学反应模型，大模型写的开源代码，和COMSOL专业软件的结果差不到0.7%的峰值部分电流密度。测试场景与可复现性这次的测试选得很具体：一维电化学CO₂还原成CO的过程...
情感分析的共识缺口：人、工具、大模型各说各话
拿100条推文找6个人评情感，结果发现就算是人，对情绪的判断也只处于“一般一致”水平——这是arXiv上一篇cs.CL分类的研究刚捅破的窗户纸。研究专门测了人和工具对社交媒体文本的情感判断一致性...