有点子了，就去执行……
WOVEN：补上多模态大模型的视觉推理短板
38个顶尖多模态大模型里，没一个能达到人类的视觉推理水平。多模态大模型的集体硬伤多模态大模型（MLLMs）在空间、具象化、物理、时间推理上表现极差。研究人员发现这些失效其实指向同一个核心问题：视...
GeoReform如何帮大模型搞定几何题？
Geometry3K数据集上，多模态大模型做几何题的准确率，之前只有42%。换了叫GeoReform的框架后，直接涨到56%。但你知道吗？之前有人试过另一种解法，在200个例子里，改了28个几何...
大模型说的法律依据，算不算真的依据？
说出来你可能不信：7个从80亿到700亿参数的开源大模型，在法律推理里，说对法条或判例的概率能达到66.7%到100%；但你要是偷偷把它们引用的法条换成不相关的，它们的判决结果能跟着变的比例，最...
突破长尾分布前置障：大模型SFT的自适应新方法
一篇arXiv上归类为cs.AI、cs.CL、cs.LG的论文，给出了一组可量化的实验结论：他们提出的PASS自适应SFT指令选择法，在4种不同主干模型+预算组合的测试场景里，连续超越7种当前最...
VFold：让LLM长上下文缓存省内存还不拖速度
LLM跑长上下文时，内存压力常卡脖子。很多人可能没意识到——这压力主要不是来自模型参数，是KV缓存。解码时每一层的KV状态都得存下来，上下文越长，这部分占内存的比例越高。现在的压缩方案，大多踩了...
神经网络调优：大模型靠初始设定还是实验反馈？
在神经算子调优任务里，大模型的留集测试nRMSE，几乎在所有对比里都比随机搜索、贝叶斯优化更低。这是arXiv上一篇归类于cs.AI、cs.LG、physics.comp-ph的论文，针对“大模...
大模型合规系统：判决居然不关规则事？
我最近看到arXiv上cs分类的一组测试，挺颠覆预期的：5款大模型，20个监管规则域，固定案例改规则，结果判决变化不大。测试的逻辑：反向戳破“规则决定判决”的假设合规系统默认的逻辑是“给什么规则...
工业细粒度异常理解：仅领域内训练够吗？
MMAD基准上，工业缺陷定位的人类专家准确率是92.3%，但训练过的领域专家最多只有75.5%——甚至部分训练模型的异常检测准确率还不如没训过的基础模型。仅领域内训练的坑：越训越弱？针对多模态工...
LLM的小世界连接：对应推理性能的结构密码？
用六款LLM做剪枝实验，小世界结构完好的模型，推理性能掉得更少——arXiv cs.AI分类的这篇研究，把LLM的内部结构和推理能力直接挂上了钩。为什么不看“表现”，要看“内部结构”？之前评估L...
TestPrism：别用单一参考评代码测试质量
同样是评估大模型代码生成的测试质量，按行业常规的单参考方案算，14款基线模型的通过率有59.67%；但换成TestPrism这套新框架的核心指标，通过率直接掉到28%。这个反差，戳破了代码测试评...