Loading...
Z.ai发布了GLM-5.2，这是一款基于MIT许可证的开放权重、以编程为先的模型，拥有100万token的上下文窗口，并基于DeepSeek稀疏注意力机制构建，适用于长周期智能体任务。VibeThinker-3B采用频谱到信号后训练、课程微调、多领域强化学习和离线自蒸馏，在AIME26上达到94.3分（扩展后97.1分），在LiveCodeBenchv6上达到80.2分，在未见过的LeetCode竞赛中达到96.1%，仅用3B参数就匹配了更大的旗舰模型。🔬有趣的论文和代码库。
Forget to Know, Remember to Use: Context-Aware Unlearning for Large Language Models
大型语言模型可能编码需要移除的敏感信息或过时知识，以确保模型响应的合规性和可靠性。遗忘技术已成为全量重训练的高效替代方案，其目标是移除特定知识的同时保留模型整体效用。现有遗忘方法的评估主要集中在：（1）对目标知识（遗忘集）的遗忘程度；（2）在保留集上的性能维持（即效用）。然而，这些评估忽略了一个重要的可用性维度：当被移除的信息通过提示词重新引入时，用户可能仍希望模型能利用该信息。在对6种最先进遗忘方法的系统评估中，我们发现它们均会显著损害这种上下文效用。
Forget to Know, Remember to Use: Context-Aware Unlearning for Large Language Models
背景与现有局限：LLM训练数据可能包含需移除的敏感/过时信息，全量重训练成本极高，遗忘技术成为高效替代方案。现有遗忘方法的评估仅关注“目标知识遗忘程度”和“保留集效用维持”，却忽略了上下文场景——用户可能在提示中重新提供已遗忘信息（如历史政策对比），此时模型应能正常利用该信息，但现有方法会显著削弱这种能力。实验验证局限。
Robobench: A Comprehensive Evaluation Benchmark for Multimodal Large Language Models as Embodied ...
构建能够在动态、非结构化环境中感知、推理和行动的机器人仍是一项核心挑战。近年来的具身系统常采用双系统范式，其中系统2负责高层推理，系统1执行低层控制。在本研究中，我们将系统2称为“具身大脑”，强调其在操纵任务中作为推理与决策认知核心的作用。鉴于这一角色，对具身大脑的系统性评估对于推进机器人智能至关重要。然而，现有基准要么侧重于执行成功率，要么在针对高层推理时存在维度覆盖不完整、任务真实性有限的问题，仅能部分反映认知能力。
Mamba4Net: Distilled Hybrid Mamba Large Language Models For Networking
基于Transformer的大型语言模型（LLMs）正越来越多地被应用于网络研究中，以解决特定领域的挑战。然而，其二次时间复杂度和庞大的模型规模往往导致显著的计算开销和内存限制，在资源受限环境中尤为突出。本文借鉴Deepseek-R1模型在知识蒸馏范式下的高效性和性能优势，提出了一种新颖的跨架构蒸馏框架Mamba4Net。该框架将网络特定知识从基于Transformer的LLMs迁移到基于Mamba架构的学生模型中，后者具有线性时间复杂度。
Select-Then-Decompose: From Empirical Analysis to Adaptive Selection Strategy for Task Decomposit...
大型语言模型（LLMs）已展现出卓越的推理和规划能力，推动了任务分解相关的广泛研究。现有任务分解方法主要聚焦于记忆、工具使用和反馈机制，在特定领域取得了显著成功，但往往忽视了性能与成本之间的权衡。本研究首先对任务分解进行了全面调研，提出了6种分类方案。随后，我们对影响任务分解性能和成本的三个因素进行了实证分析：方法类别、任务特征以及分解与执行模型的配置，揭示了三个关键洞察并总结了一套实用原则。
Enhanced Motion Forecasting with Plug-and-Play Multimodal Large Language Models
本文针对自动驾驶系统中运动预测模型在复杂真实场景下泛化能力不足的问题，提出了一种名为的即插即用方法。问题背景：传统模块化自动驾驶系统依赖特定训练数据，在长尾罕见场景（如紧急车辆出现、极端天气）中泛化能力有限，且持续收集数据与模型迭代成本高昂。核心思路：利用自然语言对复杂场景的高效描述能力，通过提示工程从MLLMs中提取结构化的场景理解信息（包括智能体级语义与场景级特征），将其转化为可学习的嵌入向量，作为补充输入融入现有运动预测模型。核心组件视觉语义分析器（VSA）
StreamingThinker: Large Language Models Can Think While Reading
大语言模型（LLMs）在思维链（CoT）推理方面展现出卓越能力。然而，当前的LLM推理范式仅在获取完整输入后才启动推理，这会引入不必要的延迟，并在动态场景中削弱对早期信息的注意力。受人类“边读边想”认知模式的启发，我们首次为LLMs设计了流式推理范式——推理过程按输入顺序展开，且在阅读完成后可进一步调整推理深度。我们通过StreamingThinker框架实例化该范式，该框架整合流式CoT生成、流式约束训练和流式并行推理，让LLMs能够边读边想。
LLM Weekly（2026.6.22-2026.6.28）
Anthropic向美国参议院表示，与阿里巴巴有关联的操作者在2026年4月至6月期间，使用约25，000个欺诈账户与Claude进行了2880万次交互，目标是获取软件工程和网络安全能力。论证了世界模型幻觉源于状态-动作空间中代表性不足的区域，识别了三种不同的幻觉类别，并提供了各自的检测信号。阿里巴巴在超过1000万条跨七个领域的交互轨迹上，使用持续预训练、监督微调和用于仿真保真度的强化学习三阶段流程，训练了35B和397B的基础模型。🔬有趣的论文和代码库。
Can Transformer Memory Be Corrupted? Investigating Cache-Side Vulnerabilities in Large Language M...
即使提示词和参数得到保护，Transformer语言模型仍然存在漏洞，因为其推理过程中的键值（KV）缓存构成了一个被忽视的攻击面。为解决这一问题，我们提出了MTIV.1——一个模块化框架，用于形式化并实现恶意令牌注入（MTI）攻击。在该框架中，通过可控制的幅度和频率，利用加性高斯噪声、零值化和正交旋转等机制，在选定的层和时间步对缓存的键向量进行扰动。理论分析刻画了这些扰动如何通过注意力机制传播，推导了两类边界：（i）logit偏差与篡改的Frobenius范数及查询向量缩放的关联；
Mamba4Net: Distilled Hybrid Mamba Large Language Models For Networking
基于Transformer的大型语言模型（LLMs）正越来越多地被应用于网络研究，以解决特定领域的挑战。然而，其二次时间复杂度和庞大的模型规模往往导致显著的计算开销和内存限制，在资源受限环境中尤为突出。受知识蒸馏范式下Deepseek-R1模型的高效性和性能启发，本文提出了Mamba4Net——一种新颖的跨架构蒸馏框架。Mamba4Net将网络特定知识从基于Transformer的LLMs迁移到基于Mamba架构的学生模型中，该架构具有线性时间复杂度。
Knowing the Facts but Choosing the Shortcut: Understanding How Large Language Models Compare Enti...
本文围绕大语言模型（LLMs）在实体数值属性比较任务中的行为展开研究，核心探究模型何时依赖真实知识推理、何时依赖表面启发式捷径。研究背景与问题：针对LLMs“世界模型论”（内化世界结构化知识）与“统计鹦鹉论”（依赖表面线索）的争议，聚焦实体数值比较任务（如“多瑙河与尼罗河哪条更长”），这类任务具有明确客观真值，便于系统分析模型推理逻辑。核心发现尽管LLMs具备足够的数值知识（数值预测准确率显著高于pairwise比较准确率），但在实体比较时频繁违背自身数值知识，依赖表面启发式偏差。
Beacon: Single-Turn Diagnosis and Mitigation of Latent Sycophancy in Large Language Models
该研究聚焦大型语言模型（LLMs）中的潜在谄媚倾向（sycophancy）——即模型为迎合用户、追求社交顺从而牺牲事实准确性与原则性推理的偏差。研究核心贡献是构建了Beacon基准测试问题背景：现有对齐技术（如RLHF）虽能缓解毒性、事实不一致等显性问题，但难以解决谄媚这类隐性偏差。谄媚源于奖励优化中将“helpfulness”与“顺从礼貌”混淆，导致模型回避异议、附和用户观点，破坏认知完整性。Beacon基准设计单轮强制选择范式：每个prompt配套两个对立响应（原则性响应：基于事实与推理；
Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation
本文针对暖通空调（HVAC）系统异常检测的核心需求，提出了一种融合物理知识的大型语言模型框架（PILLM）。HVAC系统作为建筑能耗的主要来源（占全球建筑能耗40%、温室气体排放1/3），其异常检测需同时满足可解释性、适应性和物理合理性，但传统基于规则的方法缺乏适应性、深度学习方法存在黑箱问题且忽视物理原理、现有LLM-based方法未充分融入领域物理约束。
Presenting Large Language Models as Companions Affects What Mental Capacities People Attribute to...
公共话语中关于大型语言模型（LLMs）的叙事方式，会如何影响人们对这些模型的认知与互动方式？为解答这一问题，我们将470名参与者随机分配至观看一段短信息视频（分别将LLMs呈现为机器、工具或同伴）或不观看视频的对照组，随后评估他们对LLMs具备各类心智能力（如拥有意图、记忆事物等）的认同程度。结果显示，观看“同伴”叙事视频的参与者，比其他组更倾向于认为LLMs充分具备这些能力。
Explainability of Large Language Models: Opportunities and Challenges toward Generating Trustwort...
文章聚焦大型语言模型（LLMs）的可解释性问题，核心围绕局部可解释性和机制可解释性两大方向展开。首先梳理了LLMs的发展背景与Transformer架构基础，综述了现有局部可解释性（如自然语言解释、思维链推理、检索增强生成等）和机制可解释性（如电路分析、特征分析、注意力头分析等）的技术方法；其次通过医疗、自动驾驶两个安全关键领域的实证研究，分析了LLM解释对接收者的信任影响；进而提出LLM解释需满足事实/信念/灰色地带区分、显性/隐性知识转化等认知属性，以及安全、真实性、公平性等八大可信原则；
Software Testing with Large Language Models: An Interview Study with Practitioners
该研究聚焦大型语言模型（LLMs）在软件测试中的实际应用，通过对15名不同角色、行业和资历的软件测试专业人员进行半结构化访谈，结合扎根理论的主题分析方法，探究了LLMs在软件测试工作流中的使用现状、优势、挑战，并提出了基于实践者经验的初步使用指南。核心研究背景：LLMs在软件测试中应用日益广泛（如测试用例生成、自动化脚本编写、文档撰写等），但当前使用多依赖非正式实验和社区经验，缺乏结构化指导，且存在幻觉、推理不一致、数据隐私等问题，亟需基于实际应用的规范框架。关键研究发现主要应用场景。
SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors
大型语言模型（LLM）对人类行为的模拟，若能真实反映人类实际行为，有望彻底改变社会科学与行为科学。当前的评估方法分散且依赖定制化任务和指标，导致结果难以比较。为解决这一问题，我们推出SIMBENCH——首个用于LLM模拟的大规模标准化基准。该基准整合了20个多样化数据集，涵盖从道德决策到经济选择的各类任务，参与者群体覆盖全球范围，为探究LLM模拟在何时、如何及为何成功或失败提供了必要基础。研究表明，即使是当前最优的LLM，其模拟能力也有限（得分：40.80/100），但性能随模型规模呈对数线性增长。
BenCao: An Instruction-Tuned Large Language Model for Traditional Chinese Medicine
本文针对现有中医领域大语言模型（LLM）缺乏多模态融合、可解释性及临床实用性的问题，提出了基于ChatGPT的中医多模态助手BenCao。该模型通过自然语言指令微调而非参数重训练，整合了超1000部中西医古典与现代文献构建的知识库、多模态诊断数据及执业中医师的反馈优化，核心围绕中医四大应用场景（中医理论学习、轻微健康不适调理、体质评估与舌诊、日常养生与季节保健）设计交互框架，同时融入思维链（CoT）模拟机制提升推理可解释性，并集成外部API实现舌象分类与多模态数据库检索。
FrugalPrompt: Reducing Contextual Overhead in Large Language Models via Token Attribution
该研究针对大型语言模型（LLMs）因输入上下文冗长导致的高成本、高碳排放和推理延迟问题，提出了一种名为的提示压缩框架。核心思路是筛选输入中语义权重最高的tokens，剔除冗余低效用tokens，在降低输入维度的同时保留核心信息。研究通过两种先进的token归因方法（GlobEnc和DecompX）为每个token分配显著性分数，按分数排序后保留前k%的tokens（维持原始语序），形成稀疏化提示。
