大语言模型

Mutarjim: 使用小型语言模型推进双向阿拉伯语-英语翻译

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

用于推理语言模型的强化学习熵机制

Table-R1：面向表格推理的推理时缩放

ZeroSearch：无需搜索即可激发 LLMs 的搜索能力

Tool-Star: 通过强化学习赋能具备LLM大脑的多工具推理器

Skywork Open Reasoner 1 技术报告

AmbiK：厨房环境中的歧义任务数据集

HardTests：为LLM编码合成高质量测试用例

通过带有冷启动的强化学习推进多模态推理

SweEval: LLMs真的会说脏话吗？用于测试企业用途限制的安全基准

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

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

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

通过快捷神经元分析建立可靠的LLM评估

Qwen3量化的一项实证研究

语言模型的终身安全对齐

EfficientLLM: 大语言模型中的效率

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

lmgame-Bench：LLMs 玩游戏水平如何？

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！

推理模型更好地表达它们的置信度

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

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

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

从阅读时的眼动中解码开放式信息搜索目标

教学中的谎言: 基于合成负样本的课程DPO用于幻觉检测

SparseMM：MLLM 中视觉概念响应产生的头部稀疏性

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

独立于 LLM 的自适应 RAG：让问题自己说话

搜索竞技场：分析搜索增强型大语言模型

ICon: 上下文贡献用于自动数据选择

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

使用大型语言模型进行知识增强的复杂问题解决：综述

思维链标记是计算机程序变量

使用大型语言模型通过强化学习提升汇编代码性能

BenchHub：一个用于全面且可定制LLM评估的统一基准套件

ViSMaP：通过元提示实现的无监督长时视频摘要

Scenethesis：一个用于3D场景生成的语言与视觉智能体框架

DynamicRAG: 利用大语言模型输出作为反馈，实现检索增强生成中的动态重排

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

针对大规模数据集和（中等规模）大型语言模型的强成员推理攻击

MatTools：评估用于材料科学工具的大语言模型

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

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

TRAIL：智能体问题跟踪与定位

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

一种抵御大型语言模型擦除攻击的简单防御

ComposeAnything：用于文本到图像生成的复合对象先验

MedAgentGym：大规模训练用于基于代码的医学推理的 LLM 代理

通过推理和强化学习实现 LLM 中的上下文完整性

HoPE: 视觉-语言模型中的长度泛化混合位置编码

评估跨不同领域的文本创造力：一个数据集和大型语言模型评估器

弗兰肯文本：将随机文本片段缝合为长篇叙事

编程概念和神经元如何在代码语言模型中共享

分享: 一种基于SLM的文本到SQL分层动作校正助手

TRiSM 面向智能体AI：基于大型语言模型的智能体多智能体系统中的信任、风险和安全管理综述

从权衡到协同：一个用于大型语言模型的通用共生水印框架

增强大型语言模型推理：用于复杂问答的动态笔记写作

大型音视语言模型综合评估展望：一项全面综述

机器的语用心智：追溯大型语言模型中语用能力的涌现

刻画偏差：对大语言模型在简体中文与繁体中文上的基准测试

OMNIGUARD: 一种跨模态 AI 安全审核的有效方法

揭开真相的面纱：降秩后涌现主权重，用于推理导向的监督微调

R1-代码解释器：通过监督学习和强化学习训练大型语言模型进行代码推理

规划与预算：大语言模型推理中有效且高效的推理时伸缩

R^2ec：迈向具备推理能力的大型推荐模型

FinChain：一个用于可验证金融推理思维链的符号基准

AI自由职业者能竞争吗？：规模化基准测试收入、可靠性和任务成功

迈向可靠的生物医学假说生成：评估大型语言模型的真实性与幻觉

测试即提示：一个面向LLM代码生成的测试驱动开发基准