大型语言模型

A.S.E：评估人工智能生成代码安全性的存储库级别基准

组序列策略优化

Qwen3 技术报告

弱驱动学习：弱智能体如何让强智能体变得更强

大型语言模型的语境工程综述

VESPO：用于稳定离线策略 LLM 训练的变分序列级软策略优化

胡言乱语学：用深度解读胡言乱语挑战大型语言模型

Moltbook 后的恶魔：自我演化 AI 社会中不断消失的人类中心安全性

视频思考：视频生成作为一种有前途的多模态推理范式

大语言模型的代理推理 (Agentic Reasoning)

大模型能帮你清理烂摊子吗？基于大模型的应用级数据准备综述

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

大型推理模型的强化学习调研

ROOT: 神经网络训练的鲁棒正交优化器

通用智能体记忆：深度研究

MemOS: 专为AI系统设计的内存操作系统

自主强化策略优化

FASA：频率感知稀疏注意力机制

将AI效率从模型中心转向数据中心压缩

面向大语言模型推理：内部概率与自洽性桥接的理论研究

奖励稀缺：旨在提升大语言模型创造性问题解决能力的唯一性感知强化学习

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

PRIMA.CPP：加速低资源日常家庭集群上700亿参数规模LLM的推理

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

Paper2Code：从机器学习科学论文中自动化生成代码

多智能体系统中的潜在协作

通过持续预训练扩展代理

VIDEOP2R: 从感知到推理的视频理解

WideSearch：对代理广域信息搜索的基准测试

当模型说谎时，我们学习：使用 PsiloQA 进行多语言跨度级幻觉检测

LightMem：轻量级高效内存增强生成

ToolOrchestra: 通过高效的模型和工具编排提升智能

MobilityBench：评估现实世界出行场景中路线规划智能体的基准测试

LongCodeZip：压缩代码语言模型的长上下文

Golden Goose：从不可验证的网络文本中合成无限 RLVR 任务的简单技巧

使用一个训练样本对大型语言模型进行推理的强化学习

DITING：用于基准测试网络小说翻译的多代理评估框架

SSRL: 自搜索强化学习

视频模型是零样本学习者和推理者

WideSeek-R1：通过多智能体强化学习探索广泛信息寻求的宽度扩展

论扩展大语言模型终端能力的数据工程

Cache-to-Cache：大型语言模型之间的直接语义通信

DeepAnalyze：用于自主数据科学的智能体大型语言模型

在流式代理系统中优化以实现有效的规划和工具使用

使用大型语言模型稳定强化学习：公式与实践

推理还是记忆化？数据污染导致的强化学习结果不可靠

CUDA Agent：用于高性能 CUDA 算子生成的大规模智能体强化学习

用于 LLM 代理强化学习的树搜索

MOOSE-Star: 通过打破复杂性障碍，为科学发现解锁可处理的训练

迈向具有深度推理能力的智能体RAG：LLM中RAG-推理系统综述

GEM：用于Agentic LLM的Gym

BAPO：通过自适应剪裁的平衡策略优化，稳定 LLM 的离策略强化学习

利用检索和代码工具将LLM智能体蒸馏到小模型

迷失在故事中：大语言模型长故事生成中的一致性缺陷

WebExplorer：用于训练长时序网页代理的探索与演进

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

DeepSeekMath-V2：迈向自验证的数学推理

原生并行推理器：通过自蒸馏强化学习实现并行推理

SINQ：用于无校准低精度 LLM 权重的 Sinkhorn-归一化量化

Nex-N1: 通过统一生态系统训练的代理模型，用于大规模环境构建

Chain of Mindset：利用自适应认知模式进行推理

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

Skywork-R1V3 技术报告

Agent Lightning：使用强化学习训练任意AI智能体

AraLingBench 一个用于评估大型语言模型阿拉伯语语言能力的 人工标注基准

思维链中没有全局规划：揭示 LLM 的潜在规划视野

通过环境扩展迈向通用智能代理

Ming-UniVision：使用统一的连续分词器联合进行图像理解和生成

INT 与 FP：细粒度低位量化格式的综合研究

Spider-Sense：基于分层自适应筛选的高效智能体防御内生风险感知

赢得剪枝赌局：统一的方法，用于高效监督微调的联合样本和令牌剪枝

Falcon-H1：重新定义效率与性能的混合头语言模型家族

数据代理综述：新兴范式还是过分炒作？

深度研究：一项系统综述

推理模型很顽固: 诊断推理模型中的指令覆盖

预训练数据上的强化学习

Glyph: 通过视觉文本压缩扩展上下文窗口

ABC-Bench：真实世界开发中的代理式后端代码评测基准

扩展LLM智能体的测试时计算能力

MachineLearningLM：在数百万个合成表格预测任务上继续预训练语言模型，实现上下文学习的规模化

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

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

探索大型语言模型在一步文本生成中的潜在能力

PaperDebugger: 一种基于插件的多代理系统，用于编辑器内的学术写作、审阅和编辑

多人纳什偏好优化

自下而上的策略优化：您的语言模型策略秘密地包含内部策略

软件工程中基于大语言模型的问题解决之进展与前沿：全面综述

Thinking to Recall: How Reasoning Unlocks Parametric Knowledge in LLMs 以思考促检索：推理如何解锁大模型中的参数化知识

从分数到技能：评估金融大语言模型的认知诊断框架

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？

OdysseyArena：针对长程、主动和归纳交互的大型语言模型基准测试

RubricBench：使模型生成的评分标准与人类标准对齐

视觉规划：只用图像思考

Tool-Star: 通过强化学习赋能具备LLM大脑的多工具推理器

LongWriter-Zero：通过强化学习掌握超长文本生成

注意力照亮大模型推理：预规划与锚定节奏赋能细粒度策略优化

MADD：多智能体药物发现管弦乐

超越现实：旋转位置嵌入在长上下文LLM中的虚数扩展

Skywork-Reward-V2：通过人机协同扩展偏好数据管理

论大型语言模型强化学习微调中的熵动力学

SWE-Factory：用于问题解决训练数据和评估基准的自动化工厂

跨界推理：通过测试时权衡提高规范对齐