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

大型语言模型的语境工程综述

胡言乱语学：用深度解读胡言乱语挑战大型语言模型

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

MemOS: 专为AI系统设计的内存操作系统

自主强化策略优化

将AI效率从模型中心转向数据中心压缩

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

面向大语言模型推理：内部概率与自洽性桥接的理论研究

Paper2Code：从机器学习科学论文中自动化生成代码

通过持续预训练扩展代理

WideSearch：对代理广域信息搜索的基准测试

LongCodeZip：压缩代码语言模型的长上下文

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

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

Cache-to-Cache：大型语言模型之间的直接语义通信

在流式代理系统中优化以实现有效的规划和工具使用

推理还是记忆化？数据污染导致的强化学习结果不可靠

用于 LLM 代理强化学习的树搜索

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

利用检索和代码工具将LLM智能体蒸馏到小模型

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

SINQ：用于无校准低精度 LLM 权重的 Sinkhorn-归一化量化

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

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

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

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

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

多人纳什偏好优化

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？

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

Skywork-Reward-V2：通过人机协同扩展偏好数据管理

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

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

Mind2Web 2：使用代理即评审评估代理式搜索

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

TruthRL：通过强化学习激励诚实的LLM

DeepAnalyze：用于自主数据科学的智能体大型语言模型

DesignLab：通过迭代检测和纠正设计幻灯片

大型语言模型用于数据合成

Phi-4-Mini-Reasoning：探索小型推理语言模型在数学领域的极限

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

Fast-dLLM v2：高效的块扩散 LLM

BitNet v2：原生4比特激活与哈达玛变换，用于1比特大型语言模型

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

AmbiK：厨房环境中的歧义任务数据集

感知感知的多模态推理策略优化

StockBench：LLM智能体能否在真实市场中进行盈利性的股票交易？

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

MUR: 动量不确定性引导推理用于大型语言模型

多模态提示优化：为什么不利用多种模态来优化 MLLMs

QwenLong-CPRS: 迈向具有动态上下文优化的无限长LLM

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

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？

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

先学习看，再去看：揭示语言预训练的LLM视觉先验

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

LLM 量化的几何学：GPTQ 作为 Babai 最近平面算法

Glyph: 通过视觉文本压缩扩展上下文窗口

大型语言模型推理引擎综述：优化与效率的视角

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

GenRecal：从大到小视觉语言模型校准后生成

复杂逻辑指令生成

当标点符号至关重要时：LLM 提示鲁棒性方法的大规模比较

Baichuan-M2：使用大型验证器系统扩展医疗能力

SIM-CoT: 监督隐式思维链

不落下任何提示：通过熵引导的优势塑造，在LLM强化学习中利用零方差提示

驯服LLM：通过梯度分组缩放学习率

迈向评估性思维：伴随演化奖励模型的元策略优化

奖励推理模型

RecGPT 技术报告

LaSeR：基于最后一个词自我奖励的强化学习

对比偏好优化：在机器翻译中突破LLM性能的界限

PHYBench：大语言模型的物理感知与推理综合评估

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

RiemannLoRA: 用于无歧义 LoRA 优化的统一黎曼框架

DoLa：通过对比层解码提高大型语言模型的真实性