#前沿研究
共 8715 篇相关文章
DeepSeek V5爆料：开源模型剑指Astra，多方新模型混战在即
海外博主爆料DeepSeek V5将对标GPT-6 Astra与Fable 5.1，Kimi K3.1、Anthropic Opus 5.5等新模型也接连传出消息。本文梳理各方泄露信息与内测者观点分歧，解读AI大模型的密集竞争态势。
GPT-6 Astra攻克哥德巴赫猜想变体：AI从会算到会想
OpenAI旗下GPT-6 Astra攻克刘维尔-哥德巴赫猜想变体，用初等代数与反证法给出优雅证明并通过形式化验证。本文解析这一突破为何标志AI从会算到会想的科研范式转变。
AI玩《我的世界》141小时被苦力怕炸出"抑郁"，只肯种土豆
海外机构Wars AI让GPT-6 Atra独立游玩《我的世界》141小时，AI进度超越所有前辈却被苦力怕炸得资源归零，随后陷入只肯种土豆的"抑郁"状态。本文解析这场实验背后AI智能体的能力与局限。
事实核查分数提升的真相：证据比答案更关键
一项arXiv研究拆解了事实核查联合分数的改善来源，发现证据替换带来9.61个百分点的严格分数提升，远超答案准确率的1.96个百分点，揭示了聚合指标掩盖声明层面变化的问题。
ISAAC语料库：5.27亿Reddit帖分析社会群体话语的开源利器
伊利诺伊大学推出开源语料库 ISAAC，收录超 5.27 亿条 Reddit 帖子，覆盖 2007-2023 年六大社会群体维度，提供道德化、情感、地区等多维标注，支持无代码和编程访问，助力大规模社会话语研究的可复现分析。
EduBehaviors框架：让教育对话的AI标注变得可审计
arXiv新论文提出EduBehaviors框架，通过断言式模式将LLM教育对话标注拆解为可观察行为，实现可审计的编码。在TalkMoves数据集上取得0.673宏观F1，并开源配套工具。
LexLattice：用神经细胞自动机重塑多语言法律摘要
arXiv 新论文 LexLattice 提出用二维神经细胞自动机在法律文档层级结构上整合语义，仅用 180 万参数的整合器就在 EUR-Lex-Sum 全部 24 种语言上取得 SOTA，超越数十亿参数大模型，展现极佳的跨语言迁移能力。
LEGO框架：GraphRAG与专家思维链协同破解法律推理难题
LEGO框架通过专家GraphRAG与专家思维链协同解决法律推理难题，在民法典问答任务上让Qwen3-8B达到大模型水准，多跳问题稳健，代码数据集已开源。
学习式上下文规划难敌强检索：长文本QA对照研究解读
一篇 arXiv 对照研究显示，长文本QA中的学习式上下文规划难以超越强检索基线。在 LongBench-v2 数据集上，锚定混合检索和BM25均优于规划引导方法，说明学习式规划只是弱相关信号，而非检索的替代品。
让AI读懂司法解释：德国宪法法院句级标注新基准
一篇arXiv最新研究提出德国联邦宪法法院判决的句级标注基准，评测大语言模型识别法律解释准则的能力。四款模型平均F1在70.4至79.2之间，语法解释最易识别，体系解释最难，GEPA优化提示未能系统性超越专家手写提示。
思维链真的在推理吗？因果测量揭示CoT忠实度真相
一篇arXiv新研究通过激活层面的因果干预测量思维链（CoT）忠实度，发现Qwen3-4B约77%的推理步骤真正承重，但传统行为学测试高估忠实度达11.4个百分点，且小模型在长推理链上忠实度大幅崩塌。
利用大模型分歧定位专家精力：LLM码本修订加速大规模标注
arXiv 最新研究提出利用大语言模型间的跨模型分歧，精准定位专家精力投入方向，加速 LLM 码本修订。实验显示理由标注方式使标注准确率达 64.9%，超越传统专家修订码本，将数月修订压缩至数天。
识别却不会生成：LLM在文化亲属称谓上的评估盲区
arXiv新论文揭示LLM在印地语、泰米尔语、韩语亲属称谓上的评估盲区：GPT OSS 120B选择正确率高达90%，但自主生成仅36%。研究呼吁在多项选择之外引入生成式评估。
COMED：多模型推理中路由与协作之间的"缺失中间态"
COMED 是一种介于模型路由与密集协作之间的多 LLM 推理控制器，通过锚点自一致性、路由间隔和同伴探针实现选择性协作，在 MedQA 上提升达 10.7 个百分点，并将 GPT-5.5 从 23.1% 提升至 28.1%。
RLDS：用子任务分解重构强化学习信用分配
arXiv新论文提出RLDS方法，通过子任务分解优势估计（SDAE）替代GRPO的标量奖励，在ScienceWorld、FrozenLake等智能体基准上实现最高+11.5分提升，并降低计算开销。解析其信用分配机制与适用边界。
用可控合成对话训练更聪明的语音助手唤醒系统
一篇最新 arXiv 论文提出用可控合成对话训练语音助手唤醒系统，在传统关键词检测之外加入上下文推理，生成62.3小时多说话人语料，并开源代码、数据集与模型，让助手更懂何时该响应。
证据顺序竟能改变判断：多模态大模型的"证据不可交换性"
arXiv 新论文揭示多模态大模型的"证据不可交换性"：图像或语音与文本冲突时，感知证据放在后面会显著增加模型依赖度。相同证据、不同顺序即导致不同判断，过往文本偏见研究结论或需重新审视。
PLLM+：混合式回放与修复流水线破解Python依赖地狱
arXiv新论文提出PLLM+混合依赖修复流水线，通过确定性配置回放优先、LLM兜底的策略，在HG2.9K基准上解决1500个Python依赖失败片段，运行时间从368.7秒降至71.8秒，揭示历史配置复用的高效价值。
