「科学知识发现」共找到 1040 篇相关文章
一个标点就能迷惑LLM-as-a-Judge！
论文揭露惊人漏洞，一个标点或通用推理开场白就能欺骗最先进的LLM裁判，导致强化学习训练崩溃。研究通过实验验证漏洞，提出Master - RM模型，其FPR近乎0%且保持通用裁判能力。
面对无解问题大模型竟会崩溃？港中文&华为联合提出首个大模型推理可靠性评估基准
港中文和华为诺亚实验室联合提出ReliableMath基准，探究大模型推理可靠性。提出评估准则，构建含可解与不可解问题的ReliableMath数据集，实验揭示大模型缺陷，还提出提高可靠性的对齐策略。
LLM「拒绝回答」难题有救了！最新研究让AI学会人情世故 | COLM'25
最新研究发现模型规模和通用语言能力与处理敏感内容判断能力无直接关联，开源模型表现不错。通过提出的训练方法，在非推理和推理型模型上缓解过度拒绝问题，提升AI实用性和可靠性。
玻尔兹曼入住南京大模型产业集聚区
玻尔兹曼宣布入驻南京大模型产业集聚区。虽24年拿牌照后营收不及预期，上半年业务失利，但反思发现产品力尚可，只是运营推广欠佳，后经与投资人交流及自我思考，坚定业务发展信心。
百度网盘的阵势真不小
作者参加百度AI开放日，看到百度文库和网盘发布一系列AI新功能，已发展成一站式AI内容生产力平台。如全新AI相机功能多，GenFlow 2.0体验流畅，背后依托沧舟OS打通全链路。这反映泛内容创作降门槛趋势。
一年没用Perplexity，AI搜索进化惊呆我了丨TIP 005
Perplexity Lab推出后，AI搜索实现技术成熟度拐点。作者体验其新出的Perplexity Lab，发现它进化很大，如答案数据可视化、回答可交互等，虽有亏损且价格贵，但仍是实用的AI搜索。
英伟达发现RL Scaling！创造力暴涨，做基座模型做不了的事！
过去学界争论强化学习（RL）对语言模型的作用，此前研究认为其效果有限。本文发现问题出在训练时间短，提出ProRL，让训练突破2000步以上，结果惊人，小模型也能有出色表现。
斯坦福意外用AI生成超强CUDA内核，性能比人类专家优化得还要好！翻倍碾压原生PyTorch，华人主创
斯坦福团队意外发现AI生成的内核性能超人类专家优化的，在常见深度学习操作上能让性能提升近400%。其方法是生成自然语言优化思想再转化为代码，还使用多分支探索模式。
说一个反常识的真相，Agent如今在真实工作场景的成功率依然很低。
作者有感于AI在真实工作场景评测的稀缺性，以阿里国际站RealReplicaBench评测集为例，介绍电商场景任务，发现多数模型成功率低，其他领域类似，呼吁厂商努力，作者也计划自跑评测更新排名。
刚刚，DeepSeek V4 Pro正式版发布，多项对标Fable 5
刚刚，DeepSeek V4 Pro正式版发布，多项对标Fable 5，Agent能力几乎全方位碾压Opus 4.8，无限逼近Fable 5。API平台已更新，价格和之前Pro预览版基本一致，但网友实测发现CoT表现不佳。