大型语言模型

组序列策略优化

大型语言模型的语境工程综述

Qwen3 技术报告

超越二八法则：高熵少数词元驱动LLM推理中的有效强化学习

将AI效率从模型中心转向数据中心压缩

自主强化策略优化

A.S.E：评估人工智能生成代码安全性的存储库级别基准

明天它还会是真的吗？多语言常青问题分类以提高可信问答

置信度即所需一切：语言模型的少样本强化学习微调

Chain-of-Agents：通过多智能体蒸馏和智能体强化学习实现端到端智能体基础模型

拖放式LLM：零样本提示到权重

WideSearch：对代理广域信息搜索的基准测试

胡言乱语学：用深度解读胡言乱语挑战大型语言模型

SSRL: 自搜索强化学习

推理还是记忆化？数据污染导致的强化学习结果不可靠

利用检索和代码工具将LLM智能体蒸馏到小模型

迈向具有深度推理能力的智能体RAG：LLM中RAG-推理系统综述

Quartet: 对于大型语言模型，原生的 FP4 训练可以是最佳的

开放视觉推理器：迁移语言认知行为以实现视觉推理

Skywork-R1V3 技术报告

推理模型很顽固: 诊断推理模型中的指令覆盖

Falcon-H1：重新定义效率与性能的混合头语言模型家族

BizFinBench：一个用于评估大型语言模型的业务驱动型真实世界金融基准

Agent Lightning：使用强化学习训练任意AI智能体

探索大型语言模型在一步文本生成中的潜在能力

扩展LLM智能体的测试时计算能力

FineWeb2: 一个管道，万物皆可扩展 —— 适配每种语言的预训练数据处理

从分数到技能：评估金融大语言模型的认知诊断框架

LongWriter-Zero：通过强化学习掌握超长文本生成

MCP-Bench：通过MCP服务器对使用工具的LLM Agent进行复杂现实世界任务的基准测试

Tool-Star: 通过强化学习赋能具备LLM大脑的多工具推理器

视觉规划：只用图像思考

SWE-Factory：用于问题解决训练数据和评估基准的自动化工厂

Skywork-Reward-V2：通过人机协同扩展偏好数据管理

大型语言模型用于数据合成

DesignLab：通过迭代检测和纠正设计幻灯片

Mind2Web 2：使用代理即评审评估代理式搜索

AmbiK：厨房环境中的歧义任务数据集

MUR: 动量不确定性引导推理用于大型语言模型

代码图模型 (CGM)：一种集成图的大语言模型，用于代码仓库级软件工程任务

QwenLong-CPRS: 迈向具有动态上下文优化的无限长LLM

Mol-R1：迈向分子发现中明确的长链思维推理

MCP-宇宙：使用真实世界模型上下文协议服务器对大型语言模型进行基准测试

Enigmata：使用合成可验证谜题扩展大型语言模型的逻辑推理能力

逆IF评估：大型语言模型能否忘记顽固的训练惯例以遵循真实指令？

SWE-Perf：语言模型能否在真实世界的代码仓库中优化代码性能？

VideoReasonBench：MLLM能否执行以视觉为中心的复杂视频推理？

The Common Pile v0.1：一个包含 8TB 公有领域和开放许可文本的数据集

LLM 量化的几何学：GPTQ 作为 Babai 最近平面算法

当标点符号至关重要时：LLM 提示鲁棒性方法的大规模比较

复杂逻辑指令生成

Xolver：通过整体经验学习进行多智能体推理，就像奥林匹克竞赛团队一样

解读轨迹辅助的LLM推理：一个优化视角

通过带有冷启动的强化学习推进多模态推理

驯服LLM：通过梯度分组缩放学习率

GenRecal：从大到小视觉语言模型校准后生成

RiemannLoRA: 用于无歧义 LoRA 优化的统一黎曼框架

RecGPT 技术报告

奖励推理模型

离散音频令牌：不仅仅是一项调查！

Easy Dataset：一个用于从非结构化文档中合成LLM微调数据的统一且可扩展的框架

AWorld：具有稳定操控能力的动态多智能体系统，用于稳健解决 GAIA 问题

从科学AI到自主科学：自主科学发现的调查

理解工具集成推理

Baichuan-M2：使用大型验证器系统扩展医疗能力

SweEval: LLMs真的会说脏话吗？用于测试企业用途限制的安全基准

RLVER: 具有可验证情感奖励的强化学习，用于共情智能体

Llama-3.1-FoundationAI-SecurityLLM-8B-Instruct 技术报告

Memp: 对代理程序性记忆的探索

B-score：利用响应历史检测大语言模型中的偏见

格式和长度的替代信号：通过强化学习解决无标准答案的数学问题

ARIA：通过意图驱动奖励聚合训练语言智能体

一个Token欺骗LLM评判者

UserBench：一个以用户为中心的代理的交互式健身环境

AgentScope 1.0：一个以开发者为中心的框架，用于构建 Agentic 应用

LoftQ：用于大型语言模型的LoRA微调感知量化

重新思考LLM代码生成中的验证：从生成到测试

rStar-Coder：通过大规模验证数据集扩展竞争性代码推理能力

通过快捷神经元分析建立可靠的LLM评估

GRPO-CARE：多模态推理的一致性感知强化学习

芦荟家族秘方：用于开放和专业化医疗健康LLM

无需验证器强化通用推理

当今的大型语言模型准备好解释幸福概念了吗？

HeroBench：虚拟世界中长程规划与结构化推理的基准测试

RetroInfer：可扩展长上下文LLM推理的一种向量存储方法

MOOSE-Chem2：通过分层搜索探索LLM在细粒度科学假设发现中的极限

VisCoder: 微调大型语言模型以生成可执行的 Python 可视化代码

逆向强化学习遇上大语言模型后训练：基础、进展与机遇

Grove MoE：通过伴随专家实现高效卓越的 MoE LLM

Qwen3量化的一项实证研究

AReaL：一个用于语言推理的大规模异步强化学习系统

预训练大语言模型在语境中学习隐马尔可夫模型

首次回报，熵诱导探索

C3：一个用于探索复杂对话中挑战的双语口语对话模型基准

General-Reasoner：提升跨领域 LLM 推理能力

LiveCodeBench Pro: 奥林匹克奖牌得主如何在竞技编程中评判大型语言模型？

CoTox：基于思维链的分子毒性推理与预测

打破探索瓶颈：基于评分表的强化学习促进通用大语言模型推理

断裂思维链推理

通用推理器：一个用于冻结大语言模型的单一、可组合的即插即用推理器

多领域偏好可解释性

GEPA：反思式提示演进可超越强化学习

TCIA：面向指令微调的任务中心指令增强方法

在游戏中思考：通过大型语言模型强化学习在游戏中学习推理

SWE-bench上线了！