/
HumaniBench：一个从人性角度评估大型多模态模型的全新框架——Vector研究院和中佛罗里达大学联合打造的人机协作评测体系
HumaniBench是由Vector研究院和中佛罗里达大学联合开发的首个以人为中心的大型多模态模型评测框架，包含约3.2万对真实世界图像-问题对。与传统仅关注准确率的评测不同，它从公平性、伦理性、理解能力、推理能力、语言包容性、共情能力和鲁棒性七个维度全面评估模型的"人性化"程度。研究对15个顶尖多模态模型的测试显示，闭源商业模型总体领先，但在视觉定位和抗干扰性上存在短板；开源模型在特定能力上表现出色，但在平衡准确率与人性化原则方面面临更大挑战。
思考到什么时候为好？美团AI研究团队提出自适应思考模式切换方法，让大型推理模型更高效
这篇论文介绍了美团研究团队开发的"自适应自恢复推理"（ASRR）框架，解决了大型推理模型在简单问题上过度思考的效率问题。研究发现模型具有"内部自恢复机制"，能在生成答案时隐式补充推理。ASRR通过无思考模式抑制不必要推理，并引入基于准确率阈值的动态长度惩罚，使模型根据问题难度自适应分配推理资源。实验表明，ASRR在保持高准确率的同时，大幅减少了推理长度（最高减少32.5%），并显著提升了安全性（无害率提高21.7%）。
解锁思维多样性：马里兰大学研究团队提出"混合思维"框架助力LLM更有效进行逻辑推理
马里兰大学和耶鲁大学研究团队提出"混合思维"(Mixture-of-Thought)框架，使大语言模型能够像人类一样通过自然语言、代码和真值表三种互补思维方式进行逻辑推理。这种创新方法在FOLIO和ProofWriter基准测试上比单一思维方式平均提高11.7个百分点的准确率，特别在处理复杂逻辑问题时效果显著。研究表明，多模态思维协同可有效克服自然语言推理中的关键瓶颈，为增强AI逻辑推理能力提供了新路径。
MIT和IBM联手创新：TANGO框架通过互促进方式强化大语言模型的推理能力
麻省理工学院与IBM研究团队共同开发的TANGO框架通过强化学习同时训练大语言模型的生成器和验证器，实现双向互促进的能力提升。不同于传统方法使用固定验证器，TANGO的验证器随生成器共同演进，提供精确的步骤级反馈。实验证明，这种"探戈式"协作方式使模型在数学竞赛问题上平均提升25.5%，特别是在最具挑战性的AIME 2025竞赛上准确率翻倍。TANGO还将训练效率提高3.3倍，验证器在无需步骤级标注的情况下也达到了业界领先水平，为大语言模型的推理能力增强开辟了新思路。
预提示工程：为强化微调注入不同行为模式的全新方法
这项研究探索了预提示工程（pPE）在强化微调（RFT）中的作用，证明不同类型的预提示可以引导语言模型习得不同行为模式。研究者将五种推理时提示策略转化为训练时预提示，发现所有pPE训练的模型都优于仅用推理时提示的基线，其中零示例型pPE意外地取得最高平均性能提升。此外，不同pPE方法引导模型表现出各自独特的行为特征，表明pPE是RFT中一个被低估但强大的训练维度，可用于培养多样化的AI思维模式。
破解大模型量化训练之谜：香港大学与字节跳动的量化缩放定律研究
这项研究首次提出了一个统一的量化感知训练(QAT)缩放定律，通过268组实验揭示了模型大小、训练数据量和量化粒度对4位量化误差的影响规律。研究发现量化误差随模型增大而减少，随训练数据增加和量化粒度变粗而增加。通过分解分析，研究确定了FC2层输入的激活量化是主要瓶颈，使用8位精度处理该层可显著提升性能。这些发现为设计更高效的量化策略提供了理论指导，对推动大型语言模型的实际部署具有重要意义。
仅需312个电脑操作轨迹，GAIR团队打造超高效电脑操作AI助手：数据质量胜过数据量
上海交通大学与GAIR实验室研究团队开发了PC Agent-E，一种高效的计算机操作AI代理训练框架。通过仅使用312个人类操作轨迹并利用Claude 3.7 Sonnet进行数据增强，该模型在WindowsAgentArena-V2基准测试上取得了36.0%的成功率，超越了同样强大的Claude 3.7 Sonnet（35.4%）。研究证明高质量数据比大量数据更重要，PC Agent-E通过改进长期规划能力实现了突破性进展，同时展示了跨平台泛化能力。所有代码、数据和模型已开源，为计算机操作AI代理研究提供了宝贵资源。
对比扩散与自回归语言模型：从文本嵌入角度的深度分析
这项研究比较了扩散与自回归语言模型在文本嵌入领域的表现差异。研究团队提出，自回归语言模型由于单向注意力机制而难以捕捉全局语境，而扩散语言模型的双向注意力架构天然更适合文本嵌入任务。他们开发的DIFFEMBED模型在长文档检索、推理密集型检索和指令遵循检索等任务上显著优于传统LLM嵌入模型，在长文档检索提升20%，推理密集型检索提升8%。研究还创建了REASONAUG数据集，包含近11,000对逻辑相关样本。实验证明双向注意力是处理长文本和复杂内容的关键因素。
游戏测试揭秘：大语言模型玩游戏到底有多厉害？——加州大学圣地亚哥分校研究团队带你了解LMGAME-BENCH
LMGAME-BENCH是一项创新研究，通过六款经典游戏评估大语言模型的游戏能力。研究发现直接让模型玩游戏效果不佳，因此团队设计了感知、记忆和推理支架来解决视觉识别弱、提示敏感和数据污染等问题。测试13款顶级模型显示，o3和o1表现最佳，且不同游戏考验不同能力组合。有趣的是，在某一游戏上训练模型不仅提升该游戏表现，还能增强其在规划和决策任务上的能力，证明游戏环境既是有效的评估工具，也是有价值的训练场景。
如何提升大型推理模型的安全性？清华CoAI团队全面实证分析告诉你答案
清华大学CoAI团队发现大型推理模型的安全性存在三大失败模式：缺乏安全意识、过度思考和推理与回答不一致。研究表明，通过针对性优化提示策略，攻击成功率从77.0%降至7.0%；同时发现简短推理方式较长推理链更易学习且同样有效；混合良性推理数据则有助于平衡安全性与过度拒绝率。
软思维：让大型语言模型在连续概念空间中释放推理潜力
软思维是一种创新方法，让AI能在连续概念空间而非离散语言中思考。通过保留词汇表的完整概率分布而非选择单个词，这种无需训练的技术让大型语言模型能同时考虑多种推理路径。实验表明，软思维在数学和编程任务上提高了准确率（最多2.48%），同时减少了生成长度（最多22.4%）。这一研究打破了AI推理的传统限制，展示了更接近人类抽象思维的推理方式。
ConvSearch-R1：利用强化学习的推理能力提升对话式搜索中的查询重构
这篇研究论文介绍了一种名为ConvSearch-R1的创新方法，它彻底改变了对话式搜索中的查询重构方式。由复旦大学等机构研发的这一技术，通过强化学习与推理能力相结合，完全摆脱了对人工标注或大型语言模型的依赖。研究采用两阶段框架：自驱动策略预热解决冷启动问题，检索引导的强化学习则通过精心设计的奖励机制优化查询重写。实验表明，即使使用较小的3B参数模型，ConvSearch-R1也能在TopiOCQA数据集上实现超过10%的性能提升，展示了显著的技术优势和资源效率。
原理流：利用多智能体协同实现原理驱动的科学发现
西湖大学和浙江大学研究团队提出PiFlow，一种原理驱动的科学发现框架，通过多智能体协作解决现有方法中的无方向假设和证据脱节问题。PiFlow将科学发现视为结构化的不确定性降低问题，使用最小-最大优化策略平衡探索与利用。实验表明，PiFlow在纳米材料、生物分子和超导体发现中显著提升了探索效率(AUC提高73.55%)和解决方案质量(提高94.06%)。作为即插即用模块，PiFlow为高效自动化科学发现建立了新范式，加速了AI驱动研究进程。
MMaDA：一个跨越边界的多模态扩散语言模型，来自普林斯顿和北京大学的革命性研究
MMaDA是由普林斯顿大学和北京大学研究团队开发的革命性多模态AI模型，它通过统一的扩散架构、混合长思考链训练和创新的UniGRPO强化学习算法，成功实现了文本推理、多模态理解和图像生成三大核心能力的高效整合。实验表明，这个8B参数的模型在多项任务上超越了专业单模态模型，展现了真正的多模态AI潜力，为未来通用人工智能发展提供了新方向。
从视频到世界：如何将视频扩散模型转变为交互式世界模型 - 清华大学与重庆大学联合研究
清华大学与重庆大学研究团队提出Vid2World方法，成功将预训练视频扩散模型转变为交互式世界模型。该方法通过视频扩散因果化和因果动作引导两大创新，使模型能够进行自回归生成并响应动作条件。在机器人操作和游戏模拟领域的实验显示，Vid2World明显优于现有方法，为机器人控制、游戏AI等领域提供了高保真度的预测能力，展示了视频扩散模型作为交互式世界模型的巨大潜力。
推理引导+强化学习：清华&阿里巴巴推出UniVG-R1，让AI读懂复杂视觉指令的全新突破
清华大学深圳国际研究生院与阿里巴巴AMAP团队合作开发了UniVG-R1，这是一种基于推理引导的通用视觉定位模型。研究者通过构建高质量思维链数据集和应用强化学习技术，显著增强了模型处理多图像复杂指令的能力。实验表明，UniVG-R1在MIG-Bench上比现有技术提升9.1%，并在四个零样本测试基准上平均提高23.4%的性能，展现出卓越的推理能力和泛化性。
AutoMat：清华大学与上海AI实验室联合打造的"智能显微镜"——从电镜图像自动重建晶体结构的革命性工具
清华大学和上海人工智能实验室联合开发的AutoMat是一个突破性工具，能自动将电子显微镜图像转换为精确的晶体结构模型并预测材料性质。系统整合了模式自适应降噪、物理引导模板匹配、对称感知结构重建和机器学习性质预测四大模块，由大语言模型代理协调运行。在自创的STEM2Mat-Bench基准测试中，AutoMat远超现有多模态大语言模型，为桥接显微镜成像与原子模拟提供了自动化解决方案，显著加速了材料科学研究流程。
巧用代理解决视觉计算冗余：南洋理工大学突破大型多模态模型效率难题
南洋理工大学与SenseTime Research的研究团队提出了ProxyV，一种创新算法，解决大型多模态模型处理视觉信息时的计算冗余问题。与传统方法不同，ProxyV不减少视觉标记数量，而是引入少量"代理视觉标记"替代原始标记参与繁重计算，通过轻量级模块引导原始标记更新。实验表明，ProxyV可在保持甚至提升性能的同时，将计算量和时间减少30%-46%。该方法还提供了非空间变体，可与其他优化方法结合使用，展现了平衡效率与精度的新思路。
通过应用生命周期管理实现竞争优势
应用生命周期管理（ALM，Application Lifecycle Management）是 IT 基础设施中的一个关键组成部分，可协调和优化软件和产品的整个生命周期。从最初的概念到开发、维护和进一步发展：ALM 可确保所有流程实现无缝连接和优化控制。
京公网安备 11010802021500号
