/
交织式思考与应答：让大语言模型通过强化学习实现更快响应和更准确推理
这项研究提出了"交织式推理"方法，通过强化学习训练大语言模型在复杂推理过程中穿插输出中间答案。与传统的"先思考后回答"模式不同，这种方式让模型像人类一样边思考边给出阶段性结论，不仅将首词响应时间平均减少80%以上，还在某些任务上将准确率提升高达19.3%。研究表明，模型本身就具备交织推理的潜力，通过适当的奖励机制可以显著增强这一能力，并泛化到未见过的复杂推理任务中。
DoctorAgent-RL：广州国家实验室研发的多智能体协作式强化学习医疗对话系统，让AI医生问诊更像真人医生
冯轶春、王嘉伟等研究人员开发了DoctorAgent-RL，一种基于强化学习的多智能体协作医疗对话系统，彻底改变了AI医疗咨询模式。与传统单轮问答系统不同，该系统通过医生智能体与患者智能体间的多轮互动，动态优化提问策略，实现主动信息收集。实验表明，DoctorAgent-RL在诊断准确率和临床推理能力上均优于现有模型，展示了在辅助临床咨询中的实际应用价值。
更智能的小模型推理：数据视角下的思维链蒸馏基准研究——北卡罗来纳大学
这篇研究介绍了DC-CoT，首个专门评估数据操作如何影响思维链(CoT)知识蒸馏的基准系统。北卡罗来纳大学教堂山分校等机构的研究者使用多种教师模型(如Gemini-Pro、Claude-3.5)和学生架构(3B-7B参数)，系统评估了数据增强、选择和混合对学生模型在多个推理任务上的表现影响。研究发现数据增强(尤其是逆向思维)最为有效，不同任务需要不同的最优策略组合，且存在"小模型学习能力差距"—较小学生模型可能从匹配其容量的较小教师中学习更有效。
当网络犯罪更智能：动态评估攻击性网络安全AI助手的风险
这项由普林斯顿大学和加州大学欧文分校研究人员完成的研究揭示了一个令人担忧的发现：恶意行为者可以利用多种自由度来增强AI网络安全助手的攻击能力，且无需外部帮助。研究表明，即使只有约36美元的计算预算，这些改进也能使性能提高40%以上。这一发现对网络安全风险评估提出了新要求：必须从动态角度考虑AI系统可能被改进的各种途径，而非仅进行静态评估。
G1项目：Moonshot AI通过强化学习提升视觉语言模型的感知与推理能力
这篇研究介绍了Moonshot AI团队开发的G1模型，该模型通过强化学习显著提升了视觉语言模型在游戏环境中的决策能力。研究团队首创了VLM-Gym训练环境，包含多种视觉游戏与统一接口，并开发了两代模型：G0通过纯强化学习实现自我进化，G1则结合感知增强冷启动与强化学习，在所有游戏中超越教师模型。最关键的发现是感知和推理能力在学习过程中相互促进，为解决视觉语言模型的"知道-行动"差距提供了新方向。
让AI判断推理中的错误更精准：PathFinder-PRM如何通过分步解析优化大语言模型的数学推理过程
这项研究提出了PathFinder-PRM，一种创新的层次化过程奖励模型，通过先分类数学和一致性错误，再估算步骤奖励分数，从而提升大语言模型的数学推理能力。研究团队构建了40万样本的数据集，使用细粒度错误标签训练模型，在多个基准测试上超越了现有最佳模型，并以更高的数据效率实现了更好的端到端数学问题解决能力。这种方法像经验丰富的数学老师一样，不仅指出错误所在，还能提供更精确的改进指导。
从直觉式编码到智能体编码：Cornell大学研究团队揭示AI辅助软件开发的两种范式
这篇论文比较了AI辅助软件开发中的两种新兴范式："直觉式编码"(Vibe Coding)和"智能体编码"(Agentic Coding)。Cornell大学研究团队的综述揭示了两种方法的根本区别：直觉式编码强调开发者与AI的对话式交互和创意探索，而智能体编码实现了自主软件开发，能独立执行复杂任务。研究探讨了这两种范式的概念基础、技术架构、应用场景和未来发展路线图，指出它们并非对立，而是可以在软件开发生命周期的不同阶段互补，形成统一的人机协作模式。
RankNovo：上海人工智能实验室开发全能蛋白质序列重排序框架，显著提升从质谱数据解析肽段准确率
RankNovo是由上海人工智能实验室和复旦大学等机构联合开发的创新框架，通过列表式重排序方法整合多个肽段测序模型的优势，提出PMD和RMD两种新指标精确评估肽段差异。实验证明它在9-species基准测试中超越所有单一模型，肽段召回率提升至66.0%，并展示出强大的零样本泛化能力，为蛋白质组学分析提供了全新范式。
位置的不确定性：大语言模型中位置偏差的跨语言研究
这篇研究深入探讨了大语言模型在处理不同语言长文本时的位置偏差现象。研究团队分析了英语、俄语、德语、印地语和越南语五种语言，发现位置偏差主要由模型决定而非语言特性，Qwen模型偏好文本末尾位置信息，挑战了传统认为模型偏好早期信息的观点。研究还揭示明确告知模型正确上下文位置反而降低性能，而熵分析表明当正确信息位于模型偏好位置时，不确定性反而增加，为多语言AI应用提供了重要指导。
ScanBot：为什么康涅狄格大学研究团队认为机器人不仅需要抓取物体，还应精确扫描物体表面
ScanBot是康涅狄格大学研究团队开发的首个专为高精度表面扫描设计的指令条件数据集，旨在解决机器人在精细工具使用方面的能力缺口。与传统数据集专注于抓取和导航不同，ScanBot关注亚毫米级精度控制，包含12个物体、6类任务和近900个扫描轨迹。研究评估了GPT-4、Gemini等大模型在参数选择、区域定位和轨迹生成方面的能力，发现即使最先进模型也难以满足工业扫描所需的精度要求，揭示了机器人智能向工具特定感知与控制发展的新方向。
价值引导搜索：提升推理模型思维链的高效指南——康奈尔大学研究团队的突破性成果
康奈尔大学研究团队提出了"价值引导搜索"方法，通过训练标记级价值模型来优化大型语言模型的推理过程。他们收集了250万个数学推理轨迹，训练了15亿参数的评估模型，实现了基于块的高效搜索。这种方法不需要预定义"步骤"概念，也无需昂贵的每步标注。在四个数学竞赛基准测试中，该方法使DeepSeek-1.5B模型达到了45.7%的平均准确率，与更大模型相当，同时显著减少了计算资源需求。研究团队开源了数据集、模型和代码，为高效人工智能推理提供了新范式。
FuxiMT：基于稀疏化大语言模型的中文为中心多语种机器翻译系统——天津大学和清华大学联合打造跨语言沟通新桥梁
天津大学和清华大学研究团队开发的FuxiMT是首个中文为中心的多语言翻译模型，基于BLOOMz模型并整合了混合专家技术，支持65种语言的翻译。其采用两阶段训练策略：先在50亿中文句子上预训练，再通过课程学习方法在多语言并行语料上微调。实验表明，FuxiMT在各种资源水平的语言对翻译任务中均优于主流基线，尤其在低资源语言和零样本翻译中表现突出，为跨语言交流提供了新解决方案。
s3搜索智能体：使用强化学习训练高效搜索，让你的Large Language Models检索能力大增
伊利诺伊大学研究团队开发的s3框架只需2,400个训练样本，就能超越需要17万个样本的现有方法，大幅提升语言模型的搜索质量。通过将搜索与生成解耦，s3使用"超越朴素RAG的增益"奖励，专注训练搜索智能体而保持生成模型不变。在通用和医学问答任务中，s3均取得最佳性能，同时实现33倍训练速度加快，适用于各类冻结或专有模型，为RAG系统开辟高效新路径。
PHYX：大模型的物理推理能力测试，揭示AI在视觉物理问题上的惊人差距
香港大学等机构研究者开发的PHYX基准测试评估了AI模型的物理推理能力，结果显示即使最先进的GPT-4o等多模态模型在此类任务上的准确率仅为32.5%-45.8%，比人类专家低29%以上。PHYX包含3000个跨六大物理领域的多模态问题，要求模型整合领域知识、符号推理和现实约束理解。分析发现模型存在视觉推理错误、过度依赖文本描述和数学公式等关键缺陷，为未来开发物理感知AI系统提供了重要指导。
QwenLong-CPRS: 阿里巴巴推出突破无限长文本窗口的动态上下文优化技术
QwenLong-CPRS是阿里巴巴千问文档团队开发的创新上下文压缩框架，专为解决大型语言模型处理长文本的效率和"迷失在中间"问题。该技术通过自然语言引导的动态优化、双向推理层、基于语言建模的标记评价和窗口并行推理四大创新，实现了高达21.59倍的上下文压缩率和显著的性能提升。研究表明，配备QwenLong-CPRS的小型模型甚至能超越专业长上下文模型，为高效处理海量文本开辟了新途径。
MOOSE-Chem3：通过模拟实验反馈进行假设排序，迈向实验引导式科学发现
这项研究介绍了MOOSE-Chem3，一种通过模拟实验反馈进行化学假设排序的创新方法。传统的预实验排序仅依靠大型语言模型的内部推理，而该研究提出的实验引导式排序方法则利用先前实验结果来优化决策。研究团队基于三个领域假设构建了高保真模拟器，并验证了其对124个真实化学假设的预测准确性。他们开发的CSX-Rank方法通过功能聚类和反馈分析，将找到最优假设所需的实验次数减少了一半以上，即使在嘈杂条件下也表现出色，为化学研究提供了更高效的探索路径。
FullFront：探索跨越前端工程全流程的多模态大语言模型基准测试
FullFront是一项创新研究，首次全面评估多模态大语言模型在前端工程完整流程（从设计概念化到视觉理解再到代码实现）中的能力。研究通过精心设计的基准测试，包括网页设计、网页感知问答和网页代码生成三大核心任务，发现即使最先进的模型在精细视觉感知（如元素对齐、大小和间距）方面表现远低于人类专家，且在复杂布局和交互功能实现上仍存在显著局限。研究揭示了闭源模型普遍优于开源模型，但所有模型与人类专业水平间仍存在巨大差距，为未来AI辅助前端开发工具的改进提供了重要方向。
Time-R1: 让3B小模型也能拥有全面时间推理能力，击败671B大模型
这项研究介绍了Time-R1，一个3B参数的语言模型，通过创新的三阶段强化学习训练方法，在时间推理能力上超越了参数量大200倍的模型。该框架依次建立了基础时间理解、未来事件预测和创意场景生成能力，采用精心设计的动态奖励系统指导学习过程。实验证明，小型高效模型通过专门训练可以在时间推理任务上实现卓越表现，为可扩展的时间感知AI提供了实用路径。研究团队还发布了Time-Bench数据集和模型检查点，促进该领域的进一步发展。
Bench-V：首个评估多模态输出视觉推理能力的基准测试
这项由清华大学领导的研究提出了Bench-V，首个专注于评估AI模型视觉推理中多模态输出能力的基准测试。通过803个涵盖数学、物理、计数和游戏的精心设计问题，研究揭示即使是最先进的OpenAI o3模型也仅达到25.8%准确率，远低于人类专家的82.3%。实验结果表明，仅增加模型规模或使用文本推理无法有效解决视觉必需推理问题，未来AI需要发展真正的多模态思维能力才能缩小与人类的差距。
数据目录为非结构化数据带来全新改变
本文介绍了 Starfish Storage 开发的非结构化数据目录（UDC），它利用跨厂商文件索引与灵活元数据管理，实现大规模存储管理及 AI 数据应用，帮助企业识别文件价值、优化存储策略。
京公网安备 11010802021500号
