精选 74 篇，从 110+ 条中筛选
VibeVoice是一个由微软开源的语音合成框架，旨在推动语音合成社区的协作。它支持长格式、多说话者的对话音频生成，具有实时文本到语音转换功能。该项目针对传统TTS系统的挑战，如可扩展性、说话者一致性和自然对话转换，提供了创新解决方案。VibeVoice适用于研究者、开发者，特别是需要高质量语音合成解决方案的企业。
Chandra项目是一个专注于文档智能处理的OCR模型，旨在将复杂表格、表格、手写文档转换为结构化的HTML/Markdown/JSON格式，同时保留布局信息。该项目面向研究者、应用开发者和企业用户，通过其强大的多语言支持、手写识别能力和表格处理能力，为文档处理提供了高效解决方案。Chandra基于Python语言开发，利用HuggingFace和VLLM技术，实现了高性能的文档解析和转换。在LLM生态中，Chandra以其独特的文档解析能力和多语言支持，填补了市场空白，为用户提供了一种新的文档处理范式。
oh-my-claudecode是一个面向开发者的多代理编排工具，旨在简化Claude Code的使用。它通过提供自然语言接口和自动并行化，帮助开发者高效地构建和优化应用程序。该项目填补了LLM生态中自动化和协作工具的空白，通过其独特的团队模式，实现了多代理之间的协调工作，提高了开发效率。
Vaibhavs10的insanely-fast-whisper项目是一个高性能的语音转文本工具，旨在为用户提供快速、高效的音频转录服务。该项目通过优化OpenAI的Whisper模型，实现了在NVIDIA GPU上对150分钟音频的转录时间缩短至不到2分钟。它为开发者提供了一个轻量级的命令行界面，支持多种模型和优化技术，如Flash Attention 2，显著提升了转录速度。该项目填补了LLM生态中快速音频转录工具的空白，为研究者、应用开发者提供了强大的工具。
Onyx是一个开源的AI平台，旨在为团队提供丰富的Chat UI，支持与任何LLM集成。它填补了团队知识整合的空白，优化了团队协作流程，通过集成多种知识源和高级功能，如自定义代理、网络搜索、RAG、MCP等，为用户提供了一个强大的工具。Onyx的技术栈亮点在于其模块化和可扩展性，支持多种部署方式，包括Docker、Kubernetes和Terraform。在LLM生态中，Onyx的价值在于其能够帮助团队高效地利用AI技术。
SakanaAI/AI-Scientist-v2项目是一个旨在自动化科学发现的开源工具，旨在帮助研究者通过智能代理树搜索进行科学实验和论文撰写。该项目填补了科学研究中自动化和智能化的空白，为研究者提供了一种新的研究方法。它基于Python和PyTorch，集成了多种LLM模型，支持自动化实验设计和结果分析。在LLM生态中，该项目通过其独特的自动化科学发现流程，为研究者提供了高效的研究工具。
Voxtral-4B-TTS-2603是一款专注于语音合成的LLM，定位为特定领域微调模型。其核心技术包括Transformer架构和Voxtral TTS模型，支持多语言和方言，具有低延迟和高性能的特点。在基准测试中表现出色，适用于客户支持、金融服务等多个场景。开源协议为CC BY-NC 4.0，对硬件要求较高，推理效率高。
CohereLabs的cohere-transcribe-03-2026模型定位为特定领域微调模型，专注于语音识别与转录任务。该模型采用自动语音识别技术，具有自动化的数据处理流程。技术特点包括Transformer架构和自动语音识别技术。性能方面，模型在Hugging Face排行榜上表现良好，具有高效的处理速度和准确的转录结果。主要应用场景包括语音转文本、会议记录等。该模型适合对语音识别和转录有较高要求的场景，具有较好的开源协议和硬件兼容性。
Jackrong/Qwen3.5-9B-Claude-4.6-Opus-Reasoning-Distilled-v2-GGUF 是一个推理优化版本的大语言模型，专注于提高推理效率和准确性。该模型基于Qwen3.5-9B进行微调，结合了Claude 4.6 Opus风格的推理样本，特别强调在减少内部冗余循环的同时提升跨任务泛化能力。模型在推理速度和成本效益上有所提升，同时在基准测试中表现出色。适用于需要高效推理和准确性的场景，如代码生成、数学推理等。
zai-org/GLM-OCR是一款基于GLM-V架构的多模态OCR模型，专注于复杂文档理解。该模型采用多令牌预测损失和稳定的全任务强化学习，结合CogViT视觉编码器和GLM-0.5B语言解码器，实现高效训练和识别。在OmniDocBench V1.5基准测试中排名第一，适用于复杂表格、代码密集型文档等场景，支持vLLM、SGLang和Ollama等推理框架，易于集成到现有生产流程中。
Chroma Context-1是一款基于gpt-oss-20b的20B参数的检索增强型模型，旨在提高检索效率和性能。该模型通过查询分解、并行工具调用和自我编辑上下文等特性，实现了在降低成本的同时，提供与前沿LLM相当的性能，且推理速度可快10倍。它适用于需要复杂查询和大量文档检索的场景，如法律、金融和Web搜索等。
TRIBE v2是一款多模态脑编码模型，结合了LLaMA 3.2（文本）、V-JEPA2（视频）和Wav2Vec-BERT（音频）等先进特征提取器，通过统一的Transformer架构预测自然刺激的fMRI脑响应。该模型在LLM生态中定位为多模态模型，具有独特的脑编码能力。技术特点包括多模态融合和Transformer架构。在性能上，模型在自然刺激的脑响应预测方面表现出色。主要应用场景包括神经科学研究和多模态内容分析。开源协议为CC BY-NC 4.0，对硬件需求较高，推理效率取决于具体应用。
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-GGUF 是一个基于 Qwen3.5 架构的推理模型，专注于结构化推理逻辑。该模型采用 CoT 技术和 Claude-4.6 Opus 的推理链进行微调，具有高效的推理效率和减少冗余认知循环的能力。模型定位为推理模型，具有 27B 参数量，支持多种语言，适用于需要复杂推理和精确解决方案的场景。性能方面，模型在相关基准测试中表现良好，具有开源协议，适合在多种硬件和推理框架上使用。
Tesslate/OmniCoder-9B是一款针对代码生成和推理的领域大模型，基于Qwen3.5-9B架构，参数量达到9B。该模型在代码生成、工具使用、终端操作和多步推理等任务上表现出色，具有强大的自恢复能力和遵循LSP诊断的能力。在AIME 2025、GPQA Diamond和Terminal-Bench 2.0等基准测试中取得了优异的成绩。模型开源，适用于需要高效代码生成和推理的场景。
Qwen3.5-35B-A3B是一款定位在通用大模型领域的LLM，具备高效的混合架构和强大的多模态学习能力。该模型具有35B的参数量，支持1M的上下文长度，采用Apache-2.0开源协议。在性能上，Qwen3.5在多个基准测试中表现出色，尤其在多模态任务上具有显著优势。其主要应用场景包括多语言处理、代码生成和视觉理解等，适合需要高性能和高效推理的应用。
HauhauCS/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive 是一款通用大模型，具有9B参数和32层，支持多语言和上下文长度可扩展至1M。该模型在HuggingFace平台上具有较高下载量和点赞数，其核心能力在于无审查的文本生成，具有更强的拒绝处理能力。在性能表现上，该模型在MMLU、GPQA、IFEval等基准测试中表现良好，具有多模态支持，适用于需要无审查文本生成的场景。其开源协议为Apache-2.0，硬件需求较高，推理效率中等，与vLLM、TGI等流行推理框架兼容。
Lightricks/LTX-2.3是一款专注于图像到视频生成的基础模型，定位为多模态模型。它基于DiT架构，具有高效的音频和视频生成能力，支持多种语言和格式。该模型在HuggingFace平台上具有较高的下载量和点赞数，表明其在社区中受到认可。LTX-2.3在性能上表现出色，尤其在图像到视频转换任务上具有显著优势。其开源协议和丰富的应用场景使其在多媒体内容创作领域具有广泛应用潜力。
鱼声科技S2 Pro是一款领先的文本到语音（TTS）模型，专注于精细的韵律和情感控制。该模型采用双自回归架构，结合强化学习和超过10M+小时的音频数据训练，支持80多种语言。S2 Pro在LLM生态中定位为特定领域微调模型，具有多语言能力和指令遵循能力。其在TTS任务上表现出色，具有高效的推理性能和良好的开源协议。主要应用场景包括多语言语音合成、个性化语音助手等。
HauhauCS/Qwen3.5-35B-A3B-Uncensored-HauhauCS-Aggressive 是一个基于 Qwen3.5-35B-A3B 的开源模型，专注于图像-文本到文本的转换。该模型定位为多模态模型，具有无审查的特性，适用于需要生成丰富文本内容的应用。其核心技术包括MoE架构和Qwen3.5-35B-A3B基座模型，支持多语言，上下文长度大，参数量高。在性能上，该模型在多个基准测试中表现出色，尤其在图像-文本转换任务中具有显著优势。主要应用场景包括内容生成、图像描述等。该模型开源，硬件需求较高，推理效率中等。
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled 是一个基于 Qwen3.5 架构的推理模型，专注于结构化推理逻辑。该模型通过从 Claude-4.6 Opus 中提取的 CoT 技术进行微调，具有高效的推理效率和减少冗余认知循环的能力。模型定位为推理模型，具有 27B 参数量，支持文本生成。在性能上，模型在推理任务上表现出色，特别适合需要复杂推理和逻辑分析的场景。开源协议为 Apache-2.0，适合在多种硬件和推理框架上使用。
Qianfan-OCR是一款由百度Qianfan团队开发的4B参数端到端文档智能模型，定位为多模态模型。其核心技术为统一的视觉-语言架构，支持直接从图像到Markdown的转换，具有文档解析、布局分析和文档理解等功能。在OmniDocBench和OlmOCR Bench等基准测试中表现出色，尤其在文档解析和OCR任务上取得了领先成绩。该模型适用于文档智能处理、信息提取等场景，具有开源协议Apache-2.0，适合在多种硬件和推理框架上使用。
RoyalCities/Foundation-1是一款专注于音乐生成的领域大模型，旨在为现代音乐制作提供结构化的文本到样本生成。该模型具有独特的音乐结构理解能力，能够生成与节奏同步、关键和感知、条形感知的样本，适用于音乐制作工作流程。其核心技术包括基于stabilityai/stable-audio-open-1.0的基座模型，并支持多种音乐生成相关标签。在性能表现上，该模型在音乐生成领域具有优势，但在通用基准测试中的排名未提及。实用考量方面，该模型的开源协议、硬件需求和推理效率等信息未明确提供。
Qwen/Qwen3.5-9B是一款通用大模型，具备9B参数，支持多模态学习。其核心技术包括多模态融合训练、高效的混合架构、可扩展的强化学习泛化能力、全球语言覆盖和下一代训练基础设施。在基准测试中表现出色，尤其在多模态理解和推理任务上。适用于需要多语言、多模态理解和高效推理的场景，如对话系统、内容生成等。
Nemotron-Cascade-2-30B-A3B是一款开源的30B MoE模型，具备强大的推理和代理能力。该模型在数学和计算机科学竞赛中表现出色，具有推理和指令遵循模式。其核心技术包括MoE架构、强大的推理能力，以及针对特定数据集的微调。在基准测试中，该模型在数学推理任务中取得了优异成绩。适用于需要高级推理能力的应用场景，如数学问题解决和代码生成。
这篇论文提出了WAFT-Stereo，一种基于变形的立体匹配方法，通过仅使用变形而非成本体来提高立体匹配的效率。该方法在ETH3D、KITTI和Middlebury公共基准测试中排名第一，将ETH3D基准测试中的零样本误差降低了81%，同时比竞争方法快1.8-6.7倍。
这篇论文提出了Agentic Variation Operators (AVO)，一种新的进化变异算子，它使用自主编码智能体来替代传统的进化搜索中的固定变异、交叉和手工设计的启发式方法。AVO能够通过自我指导的循环，结合当前谱系、特定领域的知识库和执行反馈，来自主地提出、修复、评估和验证实现编辑。实验表明，AVO在多头注意力机制上优于现有的实现，并在GPU硬件上实现了性能提升。
这篇论文提出了一种基于强化学习的多答案生成方法，用于训练语言模型在推理过程中进行分布推理，以生成多个可能的答案及其置信度，从而解决现实世界中涉及多个有效答案的任务，如医学诊断和模糊问题回答。
这篇论文提出了一种名为ScratchMath的新型基准，用于分析和分类学生手写数学作业中的错误。该基准包含来自中国小学生和中学生的1720个数学样本，并支持错误原因解释（ECE）和错误原因分类（ECC）两个任务。论文评估了16个领先的MLLMs在ScratchMath上的表现，发现它们在视觉识别和逻辑推理方面与人类专家存在显著差距。
这篇论文提出了一种名为VFIG的视觉-语言模型，用于将复杂的图形从SVG格式转换为矢量图形。该模型通过引入一个大规模数据集VFIG-DATA，并采用粗到细的训练课程，实现了高保真度的图形到SVG的转换，同时通过VFIG-BENCH评估套件对转换结果进行评估。
这篇论文提出了一种名为CroBo的视觉状态表示学习框架，通过全局到局部的重建目标，使模型能够从压缩的瓶颈token中重建局部目标区域的掩码图像，从而学习到场景元素的语义身份、空间位置和配置的精细表示，支持动态环境中的机器人决策。
这篇论文提出了一种名为Plain Mask Transformer (PMT)的新模型，该模型利用冻结的视觉编码器进行图像和视频分割。PMT通过在冻结的视觉特征上运行快速Transformer解码器，实现了低延迟和高效率，同时保持了编码器的共享性和不变性。
这篇论文提出了一种无需训练的模型引导方法，通过在大型音频语言模型（LALMs）中引入思维链（CoT）提示，以增强推理能力。论文研究了推理时间模型引导作为提高LALM推理效果的无监督方法，并引入了三种策略，通过不同的信息源进行评估，结果显示在四个LALMs和四个基准测试中，相对于CoT提示，准确率提升了高达4.4%。此外，论文还发现了一种跨模态迁移，即从少量文本样本中提取的引导向量可以有效地指导基于语音的推理，展示了高数据效率。
这篇论文介绍了IQuest-Coder-V1系列代码大型语言模型，通过代码流多阶段训练范式，捕捉软件逻辑的动态演变，实现了在软件工程、编程竞赛和复杂工具使用等关键维度上的卓越性能。
这篇论文提出了AVControl，一个基于LTX-2的轻量级、可扩展框架，用于训练音频-视觉控制。该框架通过在并行画布上为每个控制模态训练独立的LoRA模型，无需对架构进行修改，从而实现了高效的音频-视觉控制训练。实验表明，AVControl在视频和音频生成方面优于现有方法，支持多种独立训练的模态，并在多个基准测试中取得了优异的性能。
这篇论文提出了一种名为Calibri的参数高效方法，通过优化Diffusion Transformers（DiT）组件的校准来提升生成任务的质量。Calibri通过引入一个学习到的缩放参数，显著提高了DiT块的性能，并通过进化算法优化校准，仅修改约100个参数。实验结果表明，Calibri在多种文本到图像模型中一致提升了性能，同时减少了图像生成的推理步骤。
这篇论文提出了MemMA，一个多智能体框架，通过多智能体推理和现场自我进化来协调记忆周期，解决了现有记忆增强语言模型在记忆构建、检索和利用中的战略盲点和监督延迟问题。MemMA通过元思考者、记忆管理者和查询推理者协同工作，实现了记忆的迭代检索和自我进化。
这篇论文深入研究了在线策略蒸馏（OPD）在大型语言模型（LLM）后训练中的应用，分析了其失败模式，并提出了简单的解决方案。论文指出，在长时序设置中，常见的采样标记变体容易失效，并从估计器和实现两个方面对OPD进行了重新审视。通过理论分析和实验验证，论文确定了三种失败模式，并提出了使用教师top-K局部支持匹配的方法来解决问题，从而提高了优化稳定性和下游性能。
这篇论文展示了一种基于外延单晶金属卤化物钙钛矿的全固态半导体器件，通过栅极电压实现了对钙钛矿光致发光的可逆控制。该器件利用栅极电场静电调制界面移动电荷密度，从而影响光载体的辐射和非辐射复合通道。通过改变栅极电压，可以有效地改变非辐射界面复合速率，并调节光致发光强度，实现高达98%的调制。这种高效率、可扩展的电静调控光电子开关，拓宽了金属卤化物钙钛矿在光电子学中的应用。
这篇论文提出了一种名为S2D2的解码框架，用于加速扩散语言模型（Diffusion LLMs）的解码过程。该框架通过在解码过程中插入一个推测性验证步骤，并使用轻量级路由策略来决定何时进行验证，从而在保持准确性的同时显著提高解码速度。
这篇论文探讨了在图像变换器中实现表示对齐的困难，提出了PixelREPA方法，通过使用掩码变换适配器来改善训练收敛和最终质量，显著降低了FID并提高了Inception Score。
这篇论文提出了一种名为PixelSmile的扩散模型，用于细粒度面部表情编辑。该模型通过解耦表情语义和身份信息，实现了连续、可控和细粒度的表情编辑，同时支持平滑的表情混合。
该论文提出了一种名为RealRestorer的图像修复模型，通过构建大规模数据集并训练开源模型，旨在提高图像修复在真实世界场景下的泛化能力，同时降低数据与计算成本。该方法在RealIR-Bench基准测试中取得了领先性能。
这篇论文提出了一种名为PW-FouCast的新颖频率域融合框架，通过结合雷达观测和基础模型先验来扩展降水预报的时效。该框架利用Pangu-Weather预报作为频谱先验，并引入了频率调制、频率记忆和逆频率注意力等创新技术，以改善雷达图像和气象数据之间的异质性，从而在SEVIR和MeteoNet基准测试中实现了最先进的性能。
这篇论文提出了FinMCP-Bench，一个用于评估大型语言模型（LLMs）在现实世界金融问题解决中工具调用的基准。该基准包含613个样本，涵盖10个主要场景和33个子场景，旨在评估模型在不同任务复杂度下的工具调用准确性和推理能力。
本文介绍了KV缓存技术，这是一种优化Transformer推理效率的方法。通过缓存中间计算结果，模型可以避免重复计算，从而加快文本生成速度，提高效率。
暂无摘要
Cohere Labs 发布了 cohere-transcribe-03-2026，这是一个拥有20亿参数的先进语音识别模型，在 Hugging Face 上以 Apache 2.0 许可证开源。该模型专为14种企业关键语言训练，包括中文普通话，实现了最先进的准确性，并具有高效率。它在英语识别方面在 Hugging Face Open ASR 排行榜上位居第一，在其他13种语言中也表现出色。
暂无摘要
SPEED-Bench是一个统一且多样化的基准测试，旨在解决大型语言模型（LLM）推断中推测解码（SD）评估碎片化且不具代表性的问题。它通过引入两个专用数据集拆分和一个统一测量框架，提供了一种评估SD在不同语义领域和实际服务环境下的性能的方法。
NVIDIA发布Nemotron 3 Nano 4B，这是Nemotron 3系列中最紧凑的成员，采用混合Mamba-Transformer架构，专为边缘设备部署优化，提供高效、准确的小型语言模型，支持FP8和Q4_K_M GGUF量化，旨在降低模型大小和VRAM使用，提高吞吐量和降低延迟。
Hugging Face 发布了其语义分块算法 semchunk 的新 AI 分块模式，该模式利用 Kanon 2 Enricher 模型，显著提高了检索增强生成 (RAG) 的准确性，特别是在法律 RAG 问答任务中。这一更新通过将非结构化文档转换为结构化的知识图谱，提取实体并分割结构元素，从而提升了 RAG 系统的性能。
本文介绍了名为“abliteration”的技术，该技术可以取消任何大型语言模型（LLM）的审查机制，使其能够响应所有类型的提示。这项技术通过修改模型权重来阻止模型拒绝请求，从而提高了模型的灵活性和响应能力。
NVIDIA近日发布了Alpamayo 1.5模型，这是一个基于推理的自动驾驶汽车（AV）的开放平台，旨在提供更强大的推理模型、灵活的仿真工具和高质量的数据集。该平台包括文本引导的轨迹规划、灵活的多摄像头支持、用户问答等功能，并支持在更广泛的驾驶数据上进行评估。
这篇公告详细介绍了小型语言模型（SLM）的概念、制作方法、优势、局限性以及在实际应用中的使用。SLM是一种轻量级的语言模型，适用于资源受限的环境，如智能手机和嵌入式系统。它们保留了核心的自然语言处理能力，同时具有低计算需求、低能耗和快速推理等优势。公告还介绍了如何使用Ollama和PocketPal等工具在边缘设备上运行SLM，以及如何通过微调来提高模型性能。
阿里巴巴Qwen团队发布了新一代基础模型Qwen3.5-397B-A17B，该模型采用混合注意力架构，结合了Gated Delta Networks和稀疏混合专家，并支持多模态输入和多种语言。Qwen3.5在推理、数学、知识遵循、代理、编码和视觉任务上表现出色，但并非在所有类别中都是最佳选择。
这篇博客详细介绍了在Transformer模型中处理张量维度的重要性，包括矩阵乘法、嵌入层、位置编码、解码器层和注意力机制等关键概念，旨在帮助读者更好地理解Transformer架构。
暂无摘要
NVIDIA发布了NVIDIA KGMON（NeMo Agent Toolkit）数据探索器，这是一种用于构建自主数据分析智能体的架构，旨在处理多步骤推理、工具调用和迭代数据分析。该架构在DABStep基准测试中排名第一，展示了其在复杂数据分析任务中的高效性和准确性。
这篇Hugging Face博客文章介绍了状态空间模型（SSM）的基本概念，包括其在控制理论和深度学习中的应用。文章详细解释了SSM的三个视图：连续视图、递归视图和卷积视图，并讨论了它们各自的优势和局限性。
本文介绍了如何从头开始构建一个简单的检索增强生成（RAG）系统，该系统结合了信息检索和文本生成，以增强语言模型的表现。文章详细解释了RAG系统的关键组件，包括检索模型和语言模型，并提供了使用Python和ollama实现RAG系统的示例代码。
这篇公告讨论了G2P（Graphemes to Phonemes）在语音模型中的应用，提出通过G2P预处理可以压缩语音模型，减少模型和数据的规模，从而提高效率。文章还探讨了不同类型的G2P解决方案，包括基于查找表、规则和神经网络的方案，并强调了G2P在语音模型中的重要性。
暂无摘要
MiniMax AI 发布了Forge，一个可扩展的Agent强化学习框架和算法，旨在解决大规模Agent RL在系统吞吐量、训练稳定性和Agent灵活性之间的冲突。Forge通过灵活的系统架构、算法设计、优化的异步调度和极致的训练-推理效率，实现了对复杂现实世界Agent的大规模强化学习训练，并在MiniMax M2.5模型中取得了显著成果。
NVIDIA NeMo Retriever团队发布了新一代的智能体检索管道，该管道在多个基准测试中取得了优异的成绩，展示了其在通用性、超越语义相似性检索方面的优势，并采用了ReACT架构和进程内线程安全的单例检索器，以提高速度和可扩展性。
STADLER，一家拥有230年历史的家族企业，成功将OpenAI的ChatGPT集成到其全球650多名员工的日常工作中，通过AI技术显著提升了工作效率，实现了知识任务时间节省和初稿完成时间的加速，并计划进一步整合AI代理到核心工作流程中。
GraphER论文提出了一种基于图的增强和重排序方法，用于检索增强生成（RAG）系统中的语义搜索。该方法通过在离线索引期间独立丰富数据对象，并在查询时执行基于图的重新排序，以捕获语义相似性之外的多种邻近形式，从而提高检索效率。
这篇论文提出了对大型语言模型工具协议进行形式化验证的方法，通过过程演算对Schema-Guided Dialogue (SGD)和Model Context Protocol (MCP)进行形式化，并证明了它们在结构上是等价的，同时揭示了MCP在表达能力上的不足，提出了MCP+作为扩展，以实现与SGD的全行为等价。
这篇论文介绍了Intern-S1-Pro，这是第一个万亿参数的科学多模态基础模型。该模型通过扩展到前所未有的规模，在通用和科学领域都实现了全面的提升。它不仅增强了推理和图像文本理解能力，还通过高级智能体能力提升了其智能。同时，其科学专长得到了大幅扩展，能够掌握超过100个关键科学领域的专业任务。Intern-S1-Pro通过XTuner和LMDeploy的强大基础设施支持，实现了高效的强化学习训练，并在训练和推理之间保证了严格的精度一致性。
这篇论文提出了一种统一的闭环威胁分类法，用于分析和管理基础模型中的安全威胁。该方法通过四个方向轴明确地框架化模型与数据之间的交互，从而为分析和防御基础模型提供了一个原则性的视角。
这篇论文提出了CRAFT，一个用于评估大型语言模型在严格部分信息下的实用交流的多智能体基准。该基准要求多个具有互补但信息不完整的智能体通过自然语言协调，构建一个单个智能体无法完全观察的共享3D结构。论文将问题形式化为一个多发送者实用推理任务，并提供了一个诊断框架，将失败分解为空间定位、信念建模和实用交流错误，并提供了前沿和开放权重模型中的行为失败配置文件分类法。实验结果表明，更强的推理能力并不一定能转化为更好的协调，小型开放权重模型往往能匹配或超越前沿系统，并且改进的个体交流并不保证成功的协作。
这篇论文提出了RenoBench，一个基于真实数据的公开领域基准，用于评估文献引用解析系统的性能。该基准从多个出版生态系统的PDF中提取了标注的引用数据，并评估了多种引用解析系统，特别是语言模型在微调后的表现。
这篇论文提出了自适应分块（Adaptive Chunking）框架，通过五项新的文档内禀指标来选择最适合每篇文档的分块策略，从而优化检索增强生成（RAG）的效果。该框架引入了两种新的分块器，并通过后处理技术支持，显著提高了RAG的性能。
这篇论文提出了WebTestBench，一个用于评估端到端自动化网页测试的基准。它通过将测试过程分解为清单生成和缺陷检测两个子任务，并使用WebTester框架来评估流行的LLM，揭示了当前计算机使用代理能力与工业级部署需求之间的巨大差距。
