精选 69 篇，从 400+ 条中筛选
AI深度解读
google/gemma-4-26B-A4B-it：通用大模型，多模态处理强
Gemma-4-26B-A4B-it 是一款由 Google DeepMind 开发的多模态大型语言模型，定位为通用大模型。该模型具备强大的推理和编码能力，支持文本、图像等多种输入，并生成文本输出。其核心能力包括扩展的多模态处理、Dense 和 MoE 架构、优化的设备本地执行等。在性能上，Gemma-4-26B-A4B-it 在多个基准测试中表现出色，尤其在代码生成和推理任务上。模型适用于需要高效率、高准确性的场景，如文本生成、编码和推理等。
🔥 netflix/void-model
netflix/void-model是一款专注于视频编辑和视频修复的模型，定位为特定领域微调模型。它基于CogVideoX 3D Transformer架构，具有强大的视频修复能力，能够去除视频中的物体及其引起的所有交互，包括物理交互。该模型在视频修复领域表现出色，特别适用于视频编辑和视频生成任务。其性能在相关基准测试中表现良好，但具体排名未提及。模型开源，需要较高的GPU资源，推理效率较高。
LilaRest/gemma-4-31B-it-NVFP4-turbo：31B高效推理通用大模型
LilaRest/gemma-4-31B-it-NVFP4-turbo是一款基于Gemma-4-31B-IT-NVFP4的优化模型，旨在提供更高效的推理性能。该模型定位为通用大模型，具有68%更小的GPU内存占用和2.5倍更快的推理速度，同时保持接近原始模型的质量。它在MMLU和GPQA基准测试中表现出色，参数量为31B，上下文长度未明确提及。该模型适用于需要高性能推理的场景，如文本生成等，且支持NVIDIA Blackwell FP4 tensor cores，具有较好的硬件兼容性。
🔥 unsloth/gemma-4-26B-A4B-it-GGUF
🔥 unsloth/gemma-4-26B-A4B-it-GGUF 是一款基于 Google DeepMind 的 Gemma 4 模型构建的多模态大语言模型。该模型定位为通用大模型，具有26B参数量，支持图像到文本的转换。其核心技术包括Transformer架构和Gemma 4基座模型，上下文长度未指定。在性能上，模型在MMLU、GPQA、IFEval等基准测试中表现出色。主要应用场景包括图像描述、文本生成等，具有开源Apache 2.0协议，适合在Unsloth Studio等平台上使用。
tencent/HY-Embodied-0.5：MoT架构多模态模型，VLA管道强感知
tencent/HY-Embodied-0.5是一款针对真实世界智能体设计的多模态基础模型，定位为多模态模型。其核心技术为Mixture-of-Transformers (MoT)架构，具有高效的2B模型和强大的32B模型。在16个基准测试中，2B模型表现优于同类模型，32B模型则达到前沿水平。该模型适用于视觉语言行动（VLA）管道，具有强大的空间时间视觉感知和复杂具身推理能力。
HauhauCS/Gemma-4-E4B-Uncensored-HauhauCS-Aggressive：无审查图像-文本转换多模态模型
HauhauCS/Gemma-4-E4B-Uncensored-HauhauCS-Aggressive 是一款专注于图像-文本转换的多模态模型，具有无审查、Gemma-4架构的特点。该模型在HuggingFace平台上具有较高的下载量和点赞数，支持多语言，并具有音频和视觉处理能力。其在性能上表现出色，能够生成无审查的内容，适用于需要处理图像和文本数据的场景。模型具有开源协议，对硬件要求较高，推理效率中等。
unslath/GLM-5.1-GGUF：多语言代码生成大师
🔥 unsloth/GLM-5.1-GGUF是一款专注于代码生成的通用大模型，基于GLM-5.1模型架构，采用MoE（Mixture of Experts）技术，支持多语言。该模型在SWE-Bench Pro、NL2Repo和Terminal-Bench 2.0等基准测试中表现出色，具有强大的代码生成能力和多语言处理能力。模型开源，适用于需要高性能代码生成和多语言支持的场景。
google/gemma-4-31B-it：31B参数多模态大模型
Gemma-4-31B-it 是一款由 Google DeepMind 开发的多模态大型语言模型，定位为通用大模型。该模型具备高达 31B 的参数量和 256K 的上下文长度，支持文本、图像等多种输入和文本输出。其核心技术包括 Dense 和 MoE 架构，并针对移动设备进行了优化。在性能上，Gemma-4-31B-it 在多个基准测试中表现出色，尤其在代码生成和推理任务上具有显著优势。模型开源协议为 Apache 2.0，适用于从手机到服务器的多种部署环境。
google/gemma-4-E4B-it：多模态大语言模型，多语言支持
Gemma-4-E4B-it是一款由Google DeepMind开发的通用多模态大语言模型，支持文本和图像输入，并生成文本输出。该模型具有高达256K的上下文窗口，支持超过140种语言。它采用Dense和MoE架构，适用于文本生成、编码和推理等任务。Gemma-4-E4B-it在代码生成、数学推理和指令遵循等方面表现出色，同时支持本地设备上的高效执行。该模型在Hugging Face平台上具有广泛的下载量和点赞数，表明其在LLM领域的受欢迎程度。
zai-org/GLM-5.1：通用大模型，多语言处理强
GLM-5.1是一款定位在通用大模型领域的旗舰模型，具备强大的编码能力。其核心技术包括Transformer架构、MoE（多智能体）设计，支持多语言处理。在基准测试中，GLM-5.1在代码生成、数学推理等任务上表现出色。该模型适用于需要多语言支持和复杂任务处理的场景，具有开源协议、高效推理等实用特性。
🔥 dealignai/Gemma-4-31B-JANG_4M-CRACK
Gemma-4-31B-JANG_4M-CRACK是一款定位在通用大模型领域的模型，具有31B的参数量和18GB的模型大小。其核心技术包括Dense Transformer架构和Hybrid Sliding/Global Attention机制，支持多模态输入。在MMLU基准测试中，该模型保持了93.7%的合规性，显示出其在知识理解和推理方面的能力。该模型适用于需要高知识合规性和多模态处理的应用场景，如安全与渗透测试、代码生成等。其开源协议、硬件需求以及推理效率等特性使其在LLM领域具有差异化优势。
openbmb/VoxCPM2：2B参数，多语言，上下文感知语音合成
VoxCPM2是一款基于扩散自回归的文本到语音模型，具有2B参数，支持30种语言，输出48kHz音频。该模型无需分词器，能够根据自然语言描述生成新声音，克隆任何声音，并具有上下文感知的合成能力。它在HuggingFace平台上具有较高的下载量和点赞数，支持实时流式传输，并采用Apache-2.0开源协议。VoxCPM2在LLM生态中定位为多模态模型，其核心技术为VLM（语音语言模型），主要应用场景包括语音合成、语音克隆和语音设计。
baidu/Qianfan-OCR：4B参数多模态文档智能解析
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。
MiniMaxAI/MiniMax-M2.7：大参数LLM，代码生成强
MiniMax-M2.7是一款定位在通用大模型范畴内的LLM，具有较大的参数量和较长的上下文长度。其核心技术基于transformers库，并引入了safetensors和custom_code等创新。在性能上，该模型在多个基准测试中表现出色，具有较好的代码生成和数学推理能力。开源协议为modified-mit，适合在多种硬件和推理框架上使用。
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled：高效推理，结构化逻辑优化
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。
🔥 LGAI-EXAONE/EXAONE-4.5-33B
EXAONE-4.5-33B 是一款多模态扩展的通用大模型，具有33亿参数，包括1.2亿视觉编码器参数。其核心技术为结合视觉编码器的因果语言模型，支持多语言，具备图像-文本到文本的转换能力。在基准测试中表现出色，尤其在文档理解和韩语上下文推理方面优于同类模型。该模型适用于需要多模态理解和文本生成的场景，具有开源协议，对硬件要求较高，推理效率中等。
语言模型交互意识探析：用户转向生成超越助手转向
这篇论文提出了使用用户回合生成作为衡量语言模型交互意识的一种方法。通过在用户查询和助手响应的对话上下文中让模型以用户角色生成回复，论文发现交互意识与任务准确性是分离的，并通过实验验证了这种方法的有效性。
混合源分布优化校正流
这篇论文提出了一种名为MixFlow的训练策略，通过混合源分布来改善rectified flows，从而提高扩散模型生成图像的质量和采样效率。MixFlow通过引入κ-FC，将源分布与数据分布更好地对齐，并通过线性混合固定无条件分布和κ-FC分布来训练模型，显著减少了生成路径的曲率，提高了生成质量。
鲁棒推理基准
这篇论文提出了一个名为Robust Reasoning Benchmark的评估框架，用于测试大型语言模型在数学推理任务上的鲁棒性。通过一系列的扰动技术，论文评估了8个最先进的模型在标准数学基准上的表现，发现这些模型在面临扰动时存在显著的性能下降，揭示了模型在推理过程中的脆弱性。论文还提出了一种新的方法来隔离模型的内存容量，并发现中间推理步骤会永久污染标准密集注意力机制，强调了未来推理架构中需要集成显式的上下文重置。
Cactus加速自回归解码：约束接受式推测采样
这篇论文提出了一种名为Cactus的新方法，通过约束优化理论改进了自回归解码过程中的投机采样（SpS），以加速自动回归大型语言模型的解码吞吐量。Cactus通过控制与验证器分布的偏差来提高接受率，同时保持输出质量。
展望未来，步步为营
这篇论文提出了一种新的方法来预测复杂场景的未来演变，通过将开放集未来场景动态预测建模为对稀疏点轨迹的逐步推理。该方法使用自回归扩散模型通过短距离、局部可预测的转换推进轨迹，并显式地模拟了随时间的不确定性增长。这种以动态为中心的表示能够从单个图像快速生成数千种不同的未来场景，同时保持物理可能性和长距离一致性。
奖励式引导知识密集推理代理
这篇论文提出了Process Reward Agents (PRA)，一种在知识密集型推理中提供在线、逐步奖励的方法，以改进推理过程。PRA通过搜索解码在每个生成步骤中排名和剪枝候选轨迹，从而实现动态推理。实验表明，PRA在多个医疗推理基准测试中优于强基线，显著提高了推理的准确性。
多用户大型语言模型智能体
这篇论文研究了多用户大型语言模型代理，提出了一个统一的多用户交互协议，并通过实验评估了当前LLMs在指令遵循、隐私保护和协调方面的能力，揭示了LLMs在处理多用户交互时存在的系统性问题。
EquiformerV3：高效、表达性强、通用SE(3)等距图注意力Transformer扩展
这篇论文介绍了EquiformerV3，这是第三代SE(3)-等变图注意力Transformer，旨在提高3D原子建模的效率、表达性和通用性。通过优化软件实现、引入新的层归一化和激活函数，以及改进注意力机制，EquiformerV3在保持严格等变性的同时，提高了性能，并在多个基准测试中取得了最先进的成果。
视觉不变性脆弱：VLM语义丰富度与几何推理之争
这篇论文研究了当前最先进的视觉语言模型（VLMs）在基本几何变换下的基本脆弱性。论文通过在包括符号草图、自然照片和抽象艺术在内的不同视觉领域进行系统评估，揭示了VLMs在简单旋转、缩放和恒等变换下确定物体身份时缺乏鲁棒的时空不变性和等变性。研究发现，当语义内容变得稀疏时，性能急剧下降，这表明在未来的多模态系统中需要更强的几何基础。
更少提示实现更优提示优化
这篇论文研究了如何通过优化提示来改进语言模型，提出了一种名为p1的用户提示过滤方法，通过选择具有高方差的用户提示子集来区分好的和坏的系统提示，从而简化系统优化过程，并在推理基准测试中显著提高了提示优化的效果。
后训练去中心化系统潜入攻击
这篇论文研究了针对去中心化后训练的大型语言模型的后门攻击。它提出了对管道并行化的后门攻击，通过控制管道的中间阶段来影响模型训练，导致模型在训练后出现偏差。论文展示了即使有限的攻击者也能在去中心化后训练中注入后门，并证明了攻击的鲁棒性。
LLM量化高效码本优化：初始决定盆地
这篇论文研究了极端LLM量化中的码本优化问题，指出码本初始化是关键瓶颈。通过分析权重组和码本容量之间的关系，提出了OA-EM初始化方法，显著提升了量化模型的性能。
AVGen-Bench：文本转音视频生成多粒度评估基准
这篇论文提出了AVGen-Bench，一个针对文本到音频-视频生成（T2AV）的任务驱动基准，旨在通过多粒度评估框架，结合轻量级专业模型和多模态大型语言模型（MLLMs），对T2AV生成进行全面的评估。该框架旨在解决现有基准在评估T2AV生成时存在的碎片化问题，如孤立评估音频和视频或依赖粗粒度嵌入相似性，从而未能捕捉到现实提示所需的细粒度联合正确性。
基于符号学的生成艺术解读评估
这篇论文提出了一种基于符号学的生成艺术解释评估方法，通过形式化皮尔士的计算符号理论，将人-生成艺术交互建模为级联符号学，从而更全面地评估生成艺术的深层象征或抽象意义。
ScheMatiQ：交互式模式发现，从研究问题到结构化数据
这篇论文介绍了ScheMatiQ，一个通过交互式模式发现将自然语言研究问题转化为结构化数据的方法。ScheMatiQ利用骨干语言模型（LLM）从问题和语料库中生成模式和有地标的数据库，并通过网页界面进行引导和修订。该方法在法律和计算生物学领域的实际分析中表现出色，并作为开源软件发布。
大语言模型创意思维与人类大脑同步
这篇论文研究了大型语言模型（LLM）在创造性思维过程中的表现，通过分析人类大脑在创造性任务中的fMRI数据，发现LLM的表现与人类大脑活动存在关联，并探讨了不同训练目标对LLM表现的影响。
AgentSwing：长周期Web代理自适应并行上下文管理路由
这篇论文提出了AgentSwing，一个自适应并行上下文管理路由框架，用于长周期Web智能体。它通过引入概率框架来评估长周期搜索的成功，并通过并行扩展上下文管理分支和前瞻性路由来选择最有希望的路径，从而提高了搜索效率和终端精度。
大型语言模型生成有害内容机制统一
这篇论文研究了大型语言模型（LLMs）生成有害内容的问题，通过权重修剪技术探究了有害性在LLMs内部的内部组织结构。研究发现，有害内容的生成依赖于一组通用的权重，这些权重在多种有害类型中普遍存在，并且与良性能力不同。对齐的模型在有害生成权重上的压缩程度大于未对齐的模型，表明对齐可以重塑内部的有害表示，尽管表面的安全防护措施仍然脆弱。这项研究揭示了LLMs中有害性的连贯内部结构，可能为更原则性的安全方法奠定基础。
ECHO：一步扩散实现高效胸部X光报告生成
这篇论文提出了一种名为ECHO的基于扩散模型的VLM（Vision-Language Model），用于高效生成胸部X光报告。ECHO通过直接条件蒸馏（DCD）框架实现了一步式并行推理，并引入了响应不对称扩散（RAD）训练策略，显著提高了生成报告的效率，同时保持了临床准确性。
多目标对齐下的结构化因果视频推理
这篇论文提出了一种名为Structured Event Facts的结构化因果视频推理方法，通过构建事件及其因果关系的紧凑表示，以促进简洁且基于因果的推理，并提高视频理解任务的性能。
Hugging Face高效OCR处理30K论文，Markdown交互平台上线
Hugging Face通过使用Codex、开源OCR模型和Hugging Face Jobs，成功对30,000篇论文进行了OCR处理，使这些论文的Markdown版本可供用户在平台上进行交互。
BidirLM: Turning Generative LLMs into the Best Open-Source Omnimodal Encoders
Hugging Face 发布了 BidirLM，这是一种将生成式大型语言模型（LLM）转变为强大的双向编码器的方法。BidirLM 通过组合专门的因果模型并通过权重合并，将文本编码器转变为能够处理文本、图像和音频的单一紧凑模型，并在标准基准测试中击败了多模态和无模态的专家。
Using OCR models with llama.cpp
这篇公告介绍了如何使用llama.cpp与各种小型OCR模型结合使用，这些模型可以在低端设备上运行，支持GPU和CPU，适用于需要OCR功能的多种应用。
AI达人揭秘：KV缓存加速Transformer推理
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。
用户揭秘：abliteration技术解锁LLM无审查响应新境界
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发布Nemotron 3 Nano 4B：边缘AI新利器
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。
用户名揭秘：Transformer模型中张量维度处理技巧
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。
PyTorch+Hugging Face助你微调LLM，轻松实现尤达语翻译
本文详细介绍了如何使用PyTorch和Hugging Face工具微调大型语言模型（LLM），以将英文翻译成尤达语（Yoda-speak）。通过量化模型、设置低秩适配器（LoRA）、格式化数据集以及使用Hugging Face的`trl`库中的`SFTTrainer`进行监督式微调，展示了整个过程。LoRA技术允许在量化模型上进行高效训练，显著减少了可训练参数的数量，使其仅占原始大小的1%或更少，从而能在资源有限的消费级GPU上进行训练。
NielsRogge用Codex助力VidEoMT模型加入Transformers库
本文介绍了作者Niels Rogge如何利用编码智能体Codex将VidEoMT模型贡献到Hugging Face的Transformers库中，强调了自2025年12月以来编码智能体在代码编写能力上的显著提升，以及如何通过提供清晰的提示和利用文件系统等方法，有效指导智能体完成模型移植等任务。
Anonymizer SLM series: Privacy-first PII replacement models (0.6B/1.7B/4B)
暂无摘要
AI技术分析师揭秘：SO-101助力ACT模型训练全攻略
这篇公告详细记录了一位AI技术分析师在训练Action Chunking Transformer (ACT)模型上的经历，包括遇到的挑战、解决方案和经验教训。文章描述了如何使用SO-101机器人进行数据收集和训练，以及如何通过改进硬件设置、数据收集流程和评估流程来提高模型的性能。
LightOnAI发布轻量级OCR新模型LightOnOCR-2-1B
LightOn AI 发布了 LightOnOCR-2-1B，这是一个10亿参数的第二代端到端视觉-语言 OCR 模型，旨在将文档页面转换为高质量文本，同时提供轻量级布局信息。该模型在性能和速度上均优于同类产品，并支持Hugging Face Transformers生态系统，便于社区使用。
ArmBench-LLM 1.0: Benchmarking LLMs on Armenian Language Tasks
Metric AI Lab发布了ArmBench-LLM 1.0，这是一个全面评估大型语言模型在亚美尼亚语任务上表现的基准测试。该版本扩展了评估范围，包括多种任务和模型，并发布了API支出报告，强调了开源模型在亚美尼亚语任务上的竞争力。
用户揭秘DeepSeek-R1：轻松掌握PPO与GRPO算法，强化学习零基础入门
这篇公告深入解析了DeepSeek-R1，解释了如何通过PPO和GRPO算法理解强化学习，无需任何先前的强化学习知识。文章通过类比学校考试场景，详细介绍了奖励机制、价值函数、剪辑操作、参考模型和GRPO算法的工作原理。
云flare Agent Cloud携手OpenAI赋能企业智能工作流
Cloudflare与OpenAI合作，将OpenAI的GPT-5.4和Codex模型集成到Cloudflare Agent Cloud中，使企业能够快速、安全地构建、部署和扩展AI代理，执行如客户响应、系统更新和报告生成等实际任务。此举旨在缩短人工智能与终端用户之间的距离，并支持开发者构建智能、快速且全球可扩展的AI应用。
VerifAI：可验证开源生物医学问答搜索引擎
VerifAI论文提出了一种基于检索增强生成（RAG）和事后声明验证机制的开放源代码生物医学问答专家系统。该系统通过将生成的答案分解为原子声明，并使用微调的自然语言推理（NLI）引擎验证它们，确保了事实一致性。它由三个模块组成：一个针对生物医学查询优化的混合信息检索模块，一个针对引用答案微调的引用感知生成组件，以及一个检测幻觉的验证组件，该组件在HealthVer基准测试中优于GPT-4。实验表明，与零样本基线相比，VerifAI显著减少了幻觉引用，并为每个声明提供了透明、可验证的来源。
多智能体三维理解 grounded 推理技术
这篇论文提出了MAG-3D，一个基于多智能体的3D场景理解框架，通过动态协调专家智能体来处理3D推理的关键挑战，实现了无需训练的3D场景理解，并在基准测试中取得了最先进的性能。
LLM驱动生成代理大规模模拟，助力理解人类行为与社会
这篇论文提出了一种名为AgentSociety的大规模社会模拟器，该模拟器结合了大型语言模型驱动的代理、现实社会环境和强大的大规模模拟引擎。通过模拟超过10万个代理的5百万次交互，论文探讨了社会极化、煽动性信息的传播、基本收入政策的影响、外部冲击如飓风的影响以及城市可持续性等五个关键社会问题，展示了AgentSociety在理解人类行为和社会动态方面的潜力。
AI新解法应对NeurIPS 2023 LLM效率挑战
这篇论文提出了一种针对NeurIPS 2023 LLM效率挑战的解决方案，通过使用Quantized-Low Rank Adaptation (QLoRA)进行微调，结合Flash Attention 2等高级注意力机制，在单个A100 40GB GPU和24小时限制内优化了LLaMa2 70亿模型，显著降低了资源消耗并保持了高精度。
大规模通用缺陷生成：基础模型与数据集
这篇论文提出了一种名为UDG的大规模通用缺陷生成方法，通过引入一个包含300K个正常-异常-掩码-描述四元组的数据库，以及一个名为UniDG的通用缺陷生成基础模型，解决了现有缺陷生成方法在泛化能力、真实性和类别一致性方面的不足。UniDG模型支持基于参考的缺陷生成和基于文本指令的缺陷编辑，无需针对每个类别进行微调，并通过自适应缺陷裁剪和结构化对偶输入格式进行缺陷上下文编辑，融合参考和目标条件通过MM-DiT多模态注意力机制。实验表明，UniDG在合成质量和下游单类和多类异常检测/定位方面优于现有的方法。
从被动到主动：长期Agent记忆提取新方法
这篇论文提出了MemReader系列模型，旨在解决长期记忆在智能代理系统中的提取问题。MemReader-0.6B是一个紧凑且成本效益高的被动提取器，而MemReader-4B则通过GRPO优化进行主动提取，能够进行信息价值评估、参考模糊性处理和完整性检查。实验表明，MemReader在知识更新、时间推理和幻觉减少等任务上优于现有方法。
SEA-Eval：超越情景评估的自我进化智能体基准
这篇论文提出了SEA-Eval，一个用于评估自我进化代理（SEA）的基准，它通过连续跨任务进化和数字实体来定义SEA。SEA-Eval评估了SEA在任务执行可靠性和长期进化性能方面的特性，揭示了当前最先进框架中的进化瓶颈，并为将代理从任务执行者转变为真正的自我进化数字实体提供了科学基础。
VISOR：迭代搜索与超视距推理增强的视觉检索与生成
这篇论文提出了VISOR，一个基于迭代搜索和超视距推理的视觉检索增强生成系统，旨在解决视觉证据稀疏性和搜索漂移问题，通过结构化的证据空间和动态轨迹来优化视觉推理任务。
RAG证据不确定性与幻觉的层级追踪
这篇论文提出了一种新的诊断框架，用于分析RAG（检索增强生成）系统中的证据不确定性和幻觉问题。该框架通过将输入问题分解为原子推理面，评估证据的充分性和扎根性，并通过三种控制推理模式来诊断证据的使用情况，从而揭示了RAG系统中幻觉产生的原因。
