大语言模型

A.S.E：评估人工智能生成代码安全性的存储库级别基准

Mutarjim: 使用小型语言模型推进双向阿拉伯语-英语翻译

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

MemOS: 专为AI系统设计的内存操作系统

用于推理语言模型的强化学习熵机制

R-Zero：从零数据中自我演进的推理大型语言模型

ReasonMed: 一个37万多智能体生成数据集，助力医学推理

Table-R1：面向表格推理的推理时缩放

SSRL: 自搜索强化学习

MultiFinBen: 一个多语言、多模态、难度感知的金融大模型评估基准

推理还是记忆化？数据污染导致的强化学习结果不可靠

DuPO：通过双偏好优化实现可靠的大语言模型自我验证

LLM 中的地缘政治偏见：当代语言模型眼中的“好”国家和“坏”国家

Saffron-1: 迈向大语言模型安全保障的推理扩展范式

开放视觉推理器：迁移语言认知行为以实现视觉推理

ZeroSearch：无需搜索即可激发 LLMs 的搜索能力

马吉斯特拉

Tool-Star: 通过强化学习赋能具备LLM大脑的多工具推理器

反馈摩擦：LLMs 难以充分吸收外部反馈

CMI-Bench：一个用于评估音乐指令遵循的综合基准

Skywork Open Reasoner 1 技术报告

SWE-Factory：用于问题解决训练数据和评估基准的自动化工厂

AmbiK：厨房环境中的歧义任务数据集

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

HardTests：为LLM编码合成高质量测试用例

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

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

复杂逻辑指令生成

具有可验证奖励的强化学习隐式激励基础LLM中的正确推理

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

通过带有冷启动的强化学习推进多模态推理

一切尚未失去：无需检查点的大语言模型恢复

Baichuan-M2：使用大型验证器系统扩展医疗能力

RecGPT 技术报告

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

司南验证器 (CompassVerifier)：一个用于大语言模型评估和结果奖励的统一鲁棒验证器

理解工具集成推理

Spacer：迈向工程化科学灵感

SweEval: LLMs真的会说脏话吗？用于测试企业用途限制的安全基准

VRBench：长篇叙事视频中的多步推理基准

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

PyVision：具有动态工具的代理视觉

Lumos-1：从统一模型视角看自回归视频生成

UserBench：一个以用户为中心的代理的交互式健身环境

LoftQ：用于大型语言模型的LoRA微调感知量化

AgentRewardBench：评估Web代理轨迹的自动评估

rStar-Coder：通过大规模验证数据集扩展竞争性代码推理能力

通过下一事件预测促进视频推理

通过快捷神经元分析建立可靠的LLM评估

AttentionInfluence：采用注意力头的影响用于从弱到强的预训练数据选择

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？

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

Grove MoE：通过伴随专家实现高效卓越的 MoE LLM

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

借助工具强化视觉感知

Qwen3量化的一项实证研究

语言模型的终身安全对齐

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

大型语言模型预训练优化器基准测试

EfficientLLM: 大语言模型中的效率

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？

lmgame-Bench：LLMs 玩游戏水平如何？

SWE-bench上线了！

使用大语言模型求解不等式证明

尼罗河聊天：针对阿拉伯语和拉丁语文字的埃及语言模型

推理模型更好地表达它们的置信度

aiXiv：由 AI 科学家生成的科学发现下一代开放获取生态系统

FlashAdventure：用于 GUI 代理解决多样化冒险游戏中完整故事线上的基准测试

迈向 LLM 中的安全推理：AI 智能体式审议用于策略嵌入式 CoT 数据创建

大型语言模型可以识别科学研究中的关键局限性吗？人工智能研究论文的系统评估

CLEAR：基于LLM评判的错误分析变得简单

通过内部表征的视角分析大型语言模型跨语言的知识边界认知

EmergentTTS-Eval：使用模型作为评判者评估TTS模型在复杂的韵律、表现力和语言挑战上的表现

搜索竞技场：分析搜索增强型大语言模型

从 KMMLU-Redux 到 KMMLU-Pro：用于大语言模型评估的专业韩语基准套件

从阅读时的眼动中解码开放式信息搜索目标

SparseMM：MLLM 中视觉概念响应产生的头部稀疏性

给我FP32，否则宁死？可复现推理的挑战与解决方案

LLM 能为算法问题生成高质量测试用例吗？TestCase-Eval：故障覆盖率和暴露的系统性评估

AbGen：评估大型语言模型在科学研究中消融研究设计和评估方面的能力

教学中的谎言: 基于合成负样本的课程DPO用于幻觉检测

在复杂的动态环境中，输入重构如何提高工具使用准确性？一项关于τ-bench的研究

SwS：强化学习中用于LLM推理的自我感知弱点驱动问题合成

布尔巴基：用于定理证明的自生成和目标条件 MDP

CS-Sum：语码转换对话摘要的基准以及大型语言模型的局限性

探索大型语言模型的联邦剪枝

AgentsNet：多智能体LLM中的协调与协作推理

利用大型语言模型对人类苦难进行预测分析

属性作为文本基因：利用 LLM 作为遗传算法模拟器进行条件合成数据生成

独立于 LLM 的自适应 RAG：让问题自己说话

ChineseHarm-Bench：一个中文有害内容检测基准

自动化LLM速通基准：重现NanoGPT改进

ICon: 上下文贡献用于自动数据选择

Eka-Eval：一个在印度语言中评估大型语言模型的综合框架

SPAR：利用基于LLM的智能体增强学术搜索的学者论文检索

基于评分锚点的强化学习

CCI4.0: 用于增强大语言模型推理能力的双语预训练数据集

ConfQA: 只有在你自信时才回答

ZeCO: 零通信开销的线性注意力序列并行

民主化外交：评估大型语言模型在“全面外交”中表现的利器