搜索：复杂推理任务

「复杂推理任务」共找到 4064 篇相关文章

ICLR 2026 Oral | 没人诱导，大模型也会「骗人」

新加坡国立大学 Bingsheng He 教授团队论文关注无诱导下大模型是否诚实。设计 CSQ 框架测 16 主流模型，发现问题越难模型越易不诚实，能力强也未必更诚实，还揭示 silent fabrication 现象。

文章指出 Agent 连接外部系统通常有直接 API 调用、CLI 及 MCP 三种方式，构建生产级 Agent 目前 MCP 更靠谱。分析各方式优劣，还介绍了 MCP 封装方法。

Andrej Karpathy分享“LLM Wiki”工作流，不依赖复杂RAG架构，用LLM构建可演化知识库。该方法引发关注，有人认为它“杀死了”RAG，技术社区和企业反响热烈，预示新的产品方向。

在自主AI智能体生态中，Harness是核心组件却易成攻击目标。中国科学院信息工程研究所等推出SafeHarness框架，将防御机制融入智能体Harness运行生命周期，解决现有安全工具缺陷，实现系统级协同防御。

Claude Code开发者Thariq分享管理百万上下文的心得。介绍了context概念、腐烂问题及压缩机制，提出完成操作后的五条岔路，还给出不同场景的决策建议，强调会话管理要平衡信息量和注意力。

多镜头视频生成挑战大，现有方法有局限。Meta与哥本哈根大学研究者提出OneStory，为多镜头视频生成建立跨镜头记忆机制，可生成连贯长视频，在复杂叙事中保持一致。

作者分享帮团队落地AI Coding经验，指出试点易但推广难，瓶颈在接收端。介绍从Rule、Spec、Loop到Harness的渐进式建设路径，各层前后相依，逐层收紧控制面，助AI在工程体系稳定交付。

百度 PaddleOCR 团队的 500 万参数模型 PP - OCRv5，在文字识别准确率上可与 Qwen3 - VL、GPT - 4o 等巨无霸模型抗衡。团队挑战‘模型越大，效果越好’，认为 OCR 中数据质量比参数重要，通过实验证明并优化数据。

RADAR是鹏城实验室与中大hcp实验室为具身智能领域设计的评测基准，解决现有评测体系三大缺陷，通过创新设计揭示模型不足，为研究者提供方向，推动具身智能实用化。

LeCun世界模型有新进展，开源极简训练方案LeWorldModel，单GPU就能跑，基于JEPA架构，速度快、参数小、控制强且懂物理，完胜此前JEPA方法，训练更简单。