大型语言模型

Qwen3 技术报告

将AI效率从模型中心转向数据中心压缩

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

利用检索和代码工具将LLM智能体蒸馏到小模型

Quartet: 对于大型语言模型，原生的 FP4 训练可以是最佳的

推理模型很顽固: 诊断推理模型中的指令覆盖

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

探索大型语言模型在一步文本生成中的潜在能力

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

大型语言模型用于数据合成

AmbiK：厨房环境中的歧义任务数据集

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

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

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

奖励推理模型

SweEval: LLMs真的会说脏话吗？用于测试企业用途限制的安全基准

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

LoftQ：用于大型语言模型的LoRA微调感知量化

ARIA：通过意图驱动奖励聚合训练语言智能体

rStar-Coder：通过大规模验证数据集扩展竞争性代码推理能力

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

通过快捷神经元分析建立可靠的LLM评估

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

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

Qwen3量化的一项实证研究

General-Reasoner：提升跨领域 LLM 推理能力

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

AReaL：一个用于语言推理的大规模异步强化学习系统

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

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

SWE-bench上线了！

大型语言模型持续预训练中的学习动态

推理模型更好地表达它们的置信度

使用大型混合推理模型的按需思考

LLMs 的群体智能基准测试

WebAgent-R1：通过端到端多轮强化学习训练网页代理

跨语言质量评估：基于语言模型的多语言预训练数据过滤方法

视觉语言模型存在偏见

DataDecide: 如何通过小型实验预测最佳预训练数据

Unilogit：利用均匀目标自蒸馏实现针对 LLMs 的鲁棒机器遗忘

生成式人工智能第二阶段：测试时缩放驱动认知工程

氛围式编码 vs. 智能体化编码：智能体人工智能的基本原理与实际影响

在开源 LLM 上微调时要小心：你的微调数据可能被秘密窃取！

Time-R1: 迈向大语言模型中的全面时间推理

TinyV: 减少验证中的假阴性以改进LLM推理的强化学习

FinTagging：用于提取和结构化金融信息的LLM（大型语言模型）就绪基准

CLaSp：用于自推测解码的上下文层跳过

SVGenius: 对大型语言模型在SVG理解、编辑和生成方面进行基准测试

独立于 LLM 的自适应 RAG：让问题自己说话

通过强化学习实现的大型语言模型交错推理

LIMOPro: 用于高效有效测试时扩展的推理细化

MINT-CoT：在数学思维链推理中实现交错视觉令牌

ICon: 上下文贡献用于自动数据选择

Speechless：适用于低资源语言的无需语音的语音指令训练

像经济学家一样推理：对经济问题进行后训练可诱导大型语言模型 (LLMs) 产生战略性泛化

TimeHC-RL：用于增强大型语言模型社交智能的时序感知分层认知强化学习

强化内外部知识协同推理，用于高效自适应搜索代理

理性赋能视觉：通过模型合并理解感知和推理

强化学习微调大语言模型中的小子网络

大语言模型的地理空间机理可解释性

探索大型语言模型与扩散 Transformer 模型在文本到图像合成中的深度融合

当AI合作科学家失败时：SPOT——一个用于科学研究自动化验证的基准

WINA：用于加速大语言模型推理的权重感知神经元激活

利用程序分析反馈训练语言模型生成高质量代码

使用大型语言模型进行知识增强的复杂问题解决：综述

AI智能体与智能体式人工智能：概念体系、应用及挑战

ToMAP：用心理理论训练对手感知型LLM说服者

压力测试机器生成文本检测：改变语言模型写作风格以欺骗检测器

超越表面：衡量大型语言模型判断中的自我偏好

BenchHub：一个用于全面且可定制LLM评估的统一基准套件

MPS-Prover：利用多视角搜索与数据策展提升步进式定理证明能力

利用形式化验证工具训练步骤级推理验证器

RePrompt: 用于文本到图像生成的推理增强重复提示，通过强化学习

一次性熵最小化

Afterburner: 强化学习促进自我改进的代码效率优化

大型语言模型的角色扮演评估

OmniGIRL：用于 GitHub 问题解决的多语言和多模态基准

MatTools：评估用于材料科学工具的大语言模型

MIGRATION-BENCH：从 Java 8 的仓库级代码迁移基准测试

Phare：大型语言模型的安全探针

只花1美元修复7400个Bug：廉价的崩溃现场程序修复

熵最小化在LLM推理中的不可思议的有效性

MUG-Eval：一种适用于任何语言的多语言生成能力代理评估框架

引导大语言模型实现机器翻译个性化

Transformer Copilot：在LLM微调中从错误日志中学习

通过 Mirror Prox 加速来自人类反馈的纳什学习

不要“过度思考”段落重排序：推理真的必要吗？

先学走再学跑！通过强化学习实现简洁的大型语言模型推理

Alita：实现可扩展代理推理的通用代理，具有最小预定义和最大自我进化

Critique-GRPO：利用自然语言和数值反馈推进大型语言模型推理

关于大型语言模型水印的可靠性

压缩后的大型语言模型能否真正具备自主行动能力？对大型语言模型压缩中自主行动能力的一次实证评估

在思考过程中搜索和细化：大型语言模型的自主检索增强推理

通过多智能体协作，扩展超出大型语言模型上下文窗口的外部知识输入

实现灵活的多大语言模型集成用于可扩展的知识聚合

利用大型语言模型检测科学新颖性