Loading...
#TheGeometr\(\boldsymbol{y}\)ofIgnorance:LLMsKnow\(\bolds\(\boldsymbol{y}\)mbol{\(\boldsymbol{W}\)}\)hentoTempe
ALRA: Adaptive Local Relational Alignment 论文总结与翻译
#ALRA:AdaptiveLocalRelationalAlignment论文总结与翻译>论文信息：arXiv:2609.03355，基于Logit的自回归语言模型预训练蒸馏自适应局部关系对齐方法##一、文章主要内容
Dream‑RSI: Recursive Self‑Improvement through Evolving Worlds 论文总结与翻译
#Dream‑RSI:RecursiveSelf‑ImprovementthroughEvolvingWorlds论文总结与翻译>论文信息：arXiv:2609.14858（v2，2026‑10‑06）>作者：Tong
Meta-Reasoner: Dynamic Guidance for Optimized Inference-time Reasoning in Large Language Models
###摘要大语言模型（LLMs）越来越依赖冗长的推理链来解决复杂任务。然而，这种试错方法往往会导致高昂的计算成本和错误传播，早期的错误可能会使后续步骤偏离正轨。为解决这些问题，我们引入了Meta-Reasoner框架，它通过让大语
Collaborative Stance Detection via Small-Large Language Model Consistency Verification
###摘要社交媒体上的立场检测旨在识别推文中对特定目标表达的态度。当前研究由于大语言模型（LLMs）具有显著的性能提升，因而更倾向于使用它们，而非小语言模型（SLMs）。然而，对于需要大量数据分析的现实社交媒体监测系统而言，不计成本地
1-Shot RLVR: Reinforcing LLM Math Reasoning with a Single Example (arXiv:2504.20571)
###主要内容1.**研究背景**：强化学习与可验证奖励（RLVR）在提升大语言模型（LLMs）推理能力方面取得显著进展，但RLVR数据方面的研究相对不足，如训练数据的数量、质量和有效性等问题有待探索。2.**研究方法**
Interactive Generative Video (IGV): Survey for Gaming, Embodied AI and Autonomous Driving (arXiv:250
###主要内容1.**交互式生成视频（IGV）概述**：IGV是结合生成能力与交互功能的技术，能生成多样高质量视频内容，并通过控制信号和反馈实现用户参与。文章介绍了视频生成的基础技术，如VAE、GAN、扩散模型、自回归模型及混合模型等
APRMCTS: Improving LLM-based Automated Program Repair with Iterative Tree Search
自动程序修复（APR）旨在无需人工干预即可修复软件漏洞，在软件开发和维护中发挥着关键作用。近年来，随着大语言模型（LLMs）的发展，大量基于LLM的APR技术被提出，并取得了显著性能。然而，现有基于LLM的APR技术通常采用试错策略，存在两大缺陷：（1）由于局部探索，补丁有效性存在固有局限；（2）由于冗余探索，搜索效率低下。本文提出了APRMCTS，该方法通过迭代树搜索改进基于LLM的APR。
Legibility is Not Interpretability: Comparing Judged and Actual Importance in Chain‑Of‑Thought Reaso
#LegibilityisNotInterpretability:ComparingJudgedandActualImportanceinChain‑Of‑ThoughtReasoning>论文信息：arXiv:
SoL‑Pi: Recursively Scaling Auto‑Research Loops for Efficient Agent Harness 论文总结与翻译
#SoL‑Pi:RecursivelyScalingAuto‑ResearchLoopsforEfficientAgentHarness论文总结与翻译>论文arXiv：https://arxiv.org/abs/26
论文阅读笔记：Grounded Skill Synthesis from Code at Scale for Agentic Intelligence
#论文阅读笔记：GroundedSkillSynthesisfromCodeatScaleforAgenticIntelligence>arxiv：https://arxiv.org/abs/2609.05571>
LinguaLens: Towards Interpreting Linguistic Mechanisms of Large Language Models via Sparse Auto-Enco
###摘要大语言模型（LLMs）在需要复杂语言能力的任务中表现出色，如指代消解和隐喻识别/生成。尽管大语言模型能力卓越，但其处理和表示语言知识的内部机制在很大程度上仍是不透明的。以往关于语言机制的研究受限于粒度粗、因果分析不足以及
SeisMoLLM: Advancing Seismic Monitoring via Cross-modal Transfer with Pre-trained Large Language Mod
###摘要深度学习的最新进展给地震监测带来了革命性变化，但开发一个能在多个复杂任务中表现出色的基础模型仍然充满挑战，尤其是在处理信号退化或数据稀缺的情况时。本文提出SeisMoLLM，这是首个利用跨模态迁移进行地震监测的基础模型，它
AlphaGeometry2: Gold-Medalist Performance on Olympiad Geometry (arXiv:2502.03544)
“Gold-medalistPerformanceinSolvingOlympiadGeometrywithAlphaGeometry2”由谷歌DeepMind的YuriChervonyi等人撰写。文章介绍了AlphaGeo
SparseGPT: Massive Language Models Can Be Accurately Pruned in One-Shot (arXiv:2301.00774)
#SparseGPT：大规模语言模型可一次性精确剪枝埃利亚斯·弗兰塔尔1，丹·阿利斯塔21奥地利科学技术研究所（ISTA）2NeuralMagic公司通讯作者：elias.frantar@ist.ac.at##摘要我们首
Low-Perplexity LLM-Generated Sequences and Where To Find Them
随着大型语言模型（LLMs）的应用日益广泛，理解特定训练数据如何塑造其输出，对于透明度、可追责性、隐私保护和公平性至关重要。为探究LLMs如何利用和复制训练数据，我们提出了一种以分析低困惑度序列（模型生成的高概率文本片段）为核心的系统方法。我们的流程能可靠地提取不同主题的长序列，同时避免退化问题，随后追溯这些序列在训练数据中的来源。令人惊讶的是，我们发现相当一部分低困惑度片段无法与语料库匹配。
AI Literacy and LLM Engagement in Higher Education: A Cross-National Quantitative Study
研究发现：LLMs能提升信息获取效率、改善写作质量并提高学术表现，但存在过度依赖、伦理风险及批判性思维弱化等担忧。影响因素：基于人工智能素养框架、期望价值理论和Biggs的3P模型（预设、过程、结果），发现学生的动机信念和技术能力显著影响其对LLMs的使用；LLM使用频率与感知到的素养收益（相关系数(r=.59)，(p
Dissecting the Impact of Mobile DVFS Governors on LLM Inference Performance and Energy Efficiency
问题发现：当前移动设备的CPU、GPU和内存调控器独立工作，缺乏协调，导致LLM推理的延迟和能效表现不佳。在相同能耗下，默认调控器的预填充和解码延迟比最优频率组合最多高40.4%；在相同延迟下，能耗最多高16.6%。原因分析：通过控制实验发现，独立调控器存在两大问题：（1）单独工作时，CPU和GPU调控器倾向于选择过低频率，导致延迟增加；（2）协同工作时，CPU和GPU调控器会触发“向下螺旋”效应——相互促使对方降低频率，进一步恶化性能。解决方案。
LLM-Enhanced Q-Learning for CVRPTW with Real-Time Urgency Constraints (arXiv:2505.06178)
###文章主要内容本文针对带时间窗的车辆路径问题（CVRPTW），提出了一种结合大语言模型（LLM）和Q学习的增强框架，旨在解决具有实时紧急约束的CVRPTW问题。通过将LLM的语义推理能力与强化学习的迭代优化能力相结合，框架分为**L
Dataset Volume Scaling Law for LLM Fine-Tuning under Fixed Compute (arXiv:2505.06150)
###文章主要内容本文探讨了在固定计算预算下微调大型语言模型（LLMs）时的缩放规律，强调了数据构成（即示例数量和平均标记长度）对标记效率的影响。传统方法仅通过总标记数衡量训练数据，而本文提出将数据集体积定义为示例数（N）与平均标记长度
