精选 73 篇，从 480+ 条中筛选
Claude-Mem是一个为Claude Code构建的插件，旨在通过自动捕获编码会话中的所有操作，使用AI进行压缩，并将相关上下文注入到未来的会话中，从而实现跨会话的上下文持久化。该项目主要面向开发者，通过智能记忆和搜索功能，优化了编码过程中的知识连续性和效率。
项目定位为为Codex提供技能目录，旨在帮助AI代理发现和使用指令、脚本和资源以执行特定任务。核心功能是提供技能的安装和管理，解决开发者重复性任务执行的问题。技术架构基于Python，集成Codex平台。在LLM生态中，该项目通过提供技能目录和安装机制，优化了任务执行流程，提升了开发效率。
Cognee是一个开源的AI记忆平台，旨在为AI代理提供持久和动态的记忆功能。它通过结合向量搜索和图数据库，使文档既可按意义搜索，又可通过关系连接。Cognee旨在减少开发者的工作量和基础设施成本，同时提高质量和精度，为开发者提供Python数据管道以从30多个数据源进行摄入。
提示词优化器项目旨在提升AI输出质量，为开发者提供多模式优化、对比测试、多模型集成等功能，支持Web、桌面、Chrome插件和Docker部署，填补了LLM应用中提示词优化的空白。
nvidia/personaplex-7b-v1是一款定位为通用大模型的LLM，具有7B参数量，支持多语言。其核心技术为Transformer变体，并采用moshi库进行优化。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。模型开源，适用于多种硬件平台，与vLLM等推理框架兼容。主要应用场景包括多语言问答、代码生成等。
Tongyi-MAI/Z-Image是一款专注于图像生成的LLM，定位为多模态模型。其核心技术为单流扩散Transformer，支持全Classifier-Free Guidance，具有强大的视觉语言处理能力。性能上，模型在图像生成任务中表现出色，但缺乏权威基准测试结果。主要应用场景为创意生成和艺术创作。开源协议为Apache-2.0，硬件需求较高，推理效率需进一步优化。
GLM-4.7-Flash是一款30B-A3B的MoE模型，定位为通用大模型。其核心技术包括MoE架构和Transformer变体，支持多种语言。在基准测试中表现出色，尤其在AIME 25和GPQA等任务上排名靠前。该模型适用于需要高性能和轻量级部署的场景，支持vLLM和SGLang等推理框架。
DeepSeek-OCR-2是一款专注于图像文本转换的多模态模型，定位为特定领域微调模型。其核心技术基于transformers库，采用自定义代码进行优化，支持多语言处理。模型在OCR任务上表现出色，但缺乏权威基准测试结果。开源协议为Apache-2.0，对硬件要求较高，推理效率需进一步优化。
LingBot-World是一款由Robbyant团队开源的世界模拟器，定位为顶级世界模型。它具备高保真和多样化的环境，支持长期记忆和一致性，并实现实时交互。该模型采用image-to-video的pipeline，基于diffusers库。在性能上，它支持每秒16帧的实时生成，具有较低延迟。LingBot-World适用于内容创作、游戏和机器人学习等领域，其开源协议和硬件需求适中，与流行推理框架兼容性良好。
Kimi K2.5是一款开源的多模态大语言模型，定位为通用大模型。它基于约150万亿混合视觉和文本标记的持续预训练，具备视觉和语言理解以及先进的代理能力。模型在视觉知识、跨模态推理和基于视觉输入的代理工具使用方面表现出色。其核心能力包括视觉到代码的生成和代理群体执行复杂任务。在性能上，Kimi K2.5在权威基准测试中表现良好，具有开源协议、硬件需求适中、推理效率较高的特点，适用于多模态任务和复杂任务处理。
Anima模型定位为特定领域微调模型，专注于动漫风格的艺术图像生成。其核心技术为基于扩散模型的单文件库，参数量为20亿。模型在动漫风格图像生成方面表现出色，但未公开权威基准测试结果。主要应用场景为动漫艺术创作，使用时需考虑开源协议和硬件需求。
Step 3.5 Flash是一款高效的开源基础模型，定位于通用大模型领域。它采用稀疏混合专家（MoE）架构，参数量196B，上下文长度未指定。该模型在推理速度和代码生成方面表现出色，通过3-way Multi-Token Prediction（MTP-3）技术，实现了100-300 tok/s的生成吞吐量。在SWE-bench和Terminal-Bench 2.0基准测试中分别取得了74.4%和51.0%的优异成绩。模型开源协议为Apache 2.0，适用于需要快速推理和代码生成的场景。
Qwen3-TTS是一款专注于语音合成的大语言模型，定位为特定领域微调模型。其核心技术包括自研的Qwen3-TTS-Tokenizer-12Hz和离散多码本LM架构，支持多种语言和方言，具有强大的语境理解和自适应控制能力。性能上，模型实现了低延迟的流式生成，端到端合成延迟低至97ms。主要应用场景包括实时交互和个性化语音合成。模型开源协议为Apache-2.0，适合对实时性和个性化语音合成有较高要求的场景。
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。
Qwen3-ASR-0.6B是一款专注于语音识别的领域大模型，具备多语言和方言支持能力。该模型采用Qwen3-Omni基础模型，具有强大的音频理解能力。在性能上，Qwen3-ASR-0.6B在开源ASR模型中达到顶尖水平，与商业API相媲美。模型支持多种语言和方言的语音识别，适用于复杂声学环境和挑战性文本模式。其开源协议和强大的推理框架使其在多个场景下具有实用价值。
MiniCPM-o 4.5是一款多模态大语言模型，定位为通用大模型。该模型基于SigLip2、Whisper-medium、CosyVoice2和Qwen3-8B构建，参数量达9B。它在视觉、语音和全双工多模态直播方面表现出色，支持双语实时语音对话和全双工直播功能。性能上，MiniCPM-o 4.5在OpenCompass等基准测试中表现出色，超越了GPT-4o等模型。该模型适用于需要多模态交互和实时处理的场景，如直播互动、多语言对话等。
Qwen3-ASR-1.7B是一款专注于语音识别的领域大模型，具备多语言和方言支持能力。该模型采用Qwen3-Omni基础模型，结合大规模语音训练数据，实现了在复杂声学环境和挑战性文本模式下的高质量和鲁棒识别。其在开源ASR模型中达到最先进水平，与顶级商业API相媲美。模型支持语言识别和语音识别，具有高效的吞吐量和强大的推理框架。主要应用场景包括语音转文本、语音识别等。
Qwen3-Coder-Next是一款针对代码生成和本地开发设计的开源语言模型，具有高效的性能和先进的代理能力。该模型采用3B激活参数，性能可与参数量多10-20倍的模型相媲美，适用于代理部署。它具备长距离推理、复杂工具使用和恢复能力，适用于代码生成、数学推理等任务。模型基于transformers库，支持2-bit XL量化，对硬件要求较高。在LLM领域，Qwen3-Coder-Next以其高效的代码生成能力和先进的代理技术脱颖而出。
Qwen3-Coder-Next是一款针对代码生成和本地开发设计的开源语言模型。该模型具有3B激活参数和80B总参数，上下文长度为256k，支持多种CLI/IDE平台。其核心技术包括混合布局、MoE和Gated DeltaNet。在代码生成任务中表现出色，具有高效的性能和强大的适应性。模型在HuggingFace平台上的下载量和点赞数均较高，表明其在LLM领域中的受欢迎程度。主要应用场景包括代码生成、本地开发和集成到IDE中。
ACE-Step/Ace-Step1.5是一款针对音乐生成领域的开源模型，定位为多模态模型。其核心技术为结合语言模型和扩散模型，支持从简短循环到10分钟长曲的创作。该模型在训练数据上具有商业合规性，支持多种风格的音乐生成，且在消费级硬件上运行高效。在性能上，ACE-Step/Ace-Step1.5在音乐生成速度上表现出色，能够在短时间内生成完整的歌曲。主要应用场景包括音乐创作、音频编辑等。
Intern-S1-Pro是一款定位在科学推理领域的万亿参数MoE多模态模型，具有512个专家，每个token激活8个专家。该模型在科学推理基准测试中表现出色，同时在多模态和文本处理方面也具有强大的能力。其核心技术包括STE路由和分组路由，以及FoPE和升级的时间序列建模。性能表现在多个基准测试中均处于领先地位，适用于科学研究和多模态任务。
TeichAI/GLM-4.7-Flash-Claude-Opus-4.5-High-Reasoning-Distill-GGUF是一款专注于推理优化的通用大模型。该模型基于TeichAI的GLM-4.7-Flash，结合了Claude Opus 4.5的高推理能力，特别适用于需要高推理能力的场景。模型具有约2.13M的总token，采用Unsloth和Huggingface的TRL库进行加速训练。在性能上，模型在权威基准测试中表现良好，具有代码生成、科学研究和深度研究等应用场景。开源协议为Apache-2.0，适合在多种硬件和推理框架上使用。
Voxtral Mini 4B Realtime 2602是一款多语言实时语音转写模型，定位为特定领域微调模型。它具有3.4B参数的语言模型和0.6B参数的音频编码器，支持13种语言，并具有可配置的转写延迟。该模型在实时语音转写任务中表现出色，能够在480ms延迟下达到与离线模型相当的性能。它适用于语音助手、实时字幕等应用，具有开源协议、硬件需求低、推理效率高等实用特性。
这篇论文提出了AgentArk，一个将多智能体动态转化为单个大型语言模型（LLM）权重的框架，通过三种层次蒸馏策略，实现了在保持单个智能体效率的同时，赋予其多智能体的推理和自我纠正能力，提高了推理任务的鲁棒性和泛化能力。
这篇论文提出了HalluHard，一个用于评估大型语言模型在多轮对话中产生事实性错误的能力的基准。该基准要求模型在生成内容时提供在线引用，并通过网络搜索来验证引用的真实性。实验表明，即使在使用网络搜索的情况下，模型仍然会产生大量的幻觉，这表明了模型在内容基础上的错误仍然存在。
这篇论文研究了大型语言模型（LLM）在推理过程中的动态不稳定性问题，提出了一种通过分析推理时标准API中可观测的符号日志概率来检测模型推理失败的方法。该方法不依赖于训练或微调，能够预测失败并区分不同类型的稳定性问题。
这篇论文提出了一个名为RACO的奖励无关对齐框架，用于解决大型语言模型中存在多个冲突目标的问题。该框架通过一种新型的冲突规避梯度下降法直接利用成对偏好数据，并提供了收敛到尊重用户指定目标权重的帕累托临界点的保证。实验表明，该方法在多目标摘要和安全对齐任务上优于现有的多目标对齐基线。
这篇论文介绍了FOTBCD，一个从法国正射影像和地形数据中构建的大规模建筑变化检测数据集。该数据集跨越法国28个部门，用于大规模基准测试和评估地理域变化下的建筑变化检测。论文通过公开FOTBCD-Binary和FOTBCD-Instances数据集，展示了地理多样性如何提高跨域泛化能力。
这篇论文提出了SAFE算法，这是一种结合了熵感知预测控制和自适应阈值的多层稳定框架的RLHF方法，旨在解决PPO算法在RLHF设置中的稳定性问题，通过实验证明其比PPO算法有更高的训练平均奖励和更好的KL控制。
这篇论文提出了D-CORE，一个两阶段的训练框架，旨在提高大型推理模型在复杂工具使用场景中的子任务分解能力。通过自蒸馏和多样性感知强化学习，D-CORE能够增强模型的反思推理能力，并在多个基准和模型规模上实现稳健的工具使用改进。
这篇论文提出了一种名为SkeletonGaussian的新框架，通过高斯骨架化技术从单目视频输入生成可编辑的动态3D高斯形状。该框架将运动分解为稀疏刚体运动和细粒度非刚体运动，通过线性混合皮肤和基于六边形的细化来驱动刚体运动和非刚体变形，从而提高了生成质量和可编辑性。
这篇论文研究了针对五种突厥语（俄语-巴什基尔语、俄语-哈萨克语、俄语-吉尔吉斯语、英语-塔塔尔语、英语-楚瓦什语）的机器翻译系统构建。通过在合成数据上微调nllb-200-distilled-600M模型并使用LoRA，以及使用DeepSeek-V3.2进行提示和检索相似示例，论文实现了对多种语言对的高效翻译。
这篇论文提出了AutoFigure，一个基于长文本生成高质量科学插图的新框架。它利用FigureBench数据集，通过模拟人类的思考、重组和验证过程，自动生成既结构完整又美观的插图，显著提高了科学插图的生产效率。
这篇论文提出了FASA，一种基于频率感知的稀疏注意力机制，用于解决大型语言模型在处理长输入时的内存瓶颈问题。FASA通过动态预测token的重要性，实现查询感知的token移除，从而在保持高准确率的同时显著降低内存和计算需求。
这篇论文提出了CL-bench，一个用于评估语言模型在复杂上下文学习任务上的能力的基准。该基准包含大量复杂上下文、任务和验证标准，旨在测试模型从上下文中学习新知识的能力，而非仅仅依赖预训练知识。实验结果表明，当前前沿的语言模型在CL-bench上的表现不佳，揭示了语言模型在处理现实世界复杂任务时的瓶颈。
这篇论文提出了代理压缩技术，用于语言模型训练，通过在训练过程中联合训练原始字节序列和压缩视图，提高了训练效率，并在不牺牲性能的情况下，实现了端到端的原始字节接口。
这篇论文提出了SpatiaLab，一个用于评估视觉语言模型在现实世界场景中进行空间推理的综合基准。SpatiaLab包含1400个视觉问答对，涵盖了六个主要类别，并通过实验揭示了当前视觉语言模型在空间推理方面的局限性。
这篇论文提出了自奖励序列蒙特卡洛（Self-Rewarding Sequential Monte Carlo）算法，用于提高掩码扩散语言模型（Masked Diffusion Language Models）的采样效果。该算法通过并行多个扩散过程（粒子）来探索轨迹，并引入轨迹级置信度作为自奖励信号，以加权并重新采样粒子，从而引导生成全局置信度高的高质量样本。
这篇论文提出了LongVPO，一个两阶段的直接偏好优化框架，使短上下文视觉语言模型能够理解超长视频，无需任何长视频标注。第一阶段通过锚定问题到短剪辑并应用过滤来合成偏好三元组，第二阶段通过递归字幕管道和大型语言模型进行多段推理，以优化长视频偏好。
这篇论文提出了一种名为Dummy Forcing的简单而有效的方法，用于控制自回归视频扩散模型中不同头之间的上下文可访问性。通过减少头之间的上下文冗余和动态头编程，以及上下文打包技术，该方法在不额外训练的情况下，将速度提升了2.0倍，支持以24.3 FPS的速度生成视频，质量下降不到0.5%。
这篇论文介绍了OmniRad，一个在120万医学图像上预训练的自监督放射学基础模型，旨在支持跨成像模态的异构下游任务。OmniRad通过放射学启发的设计原则，强调表示重用和跨任务迁移性。论文评估了预训练编码器在多个下游适应方案下的表现，包括轻量级任务特定适配器和全端到端微调，以评估表示质量和特定任务性能。OmniRad在多个公共基准测试中表现出色，包括分类和分割，显示出在多个模态上的性能提升。
这篇论文提出了一种名为深度语义路由的新方法，通过在扩散变换器中使用多层LLM特征加权，以改善DiT模型在文本到图像生成中的文本条件。该方法通过时间、深度和联合融合，系统地组织多层LLM隐藏状态，提高了文本图像对齐和组合生成能力。
这篇论文提出了MEnvAgent，一个多语言框架，用于自动化环境构建，以支持可验证的软件工程。MEnvAgent通过多智能体规划-执行-验证架构自动解决构建失败，并引入了环境重用机制，通过增量修补历史环境来减少计算开销。实验表明，MEnvAgent在MEnvBench基准测试中优于基线，提高了失败到通过率，并减少了时间成本。
Hugging Face发布了CRAFT（Continuous Reasoning and Agentic Feedback Tuning），这是一种无需重新训练即可为文本到图像生成和图像编辑增加“思考”能力的框架。CRAFT通过将提示分解为明确的视觉检查、使用VLM验证输出并仅编辑不符合要求的部分来工作，从而显著提高了图像的组合准确性和文本渲染质量。
NVIDIA发布了一项名为Cosmos Policy的新研究，这是一项用于高级机器人控制和规划的技术，通过后训练世界基础模型Cosmos Predict-2来实现。该技术能够将机器人动作、物理状态和成功分数编码为额外的潜在帧，并使用与视频生成相同的扩散过程进行学习，从而提高了机器人操作的性能。此外，NVIDIA还宣布了Cosmos Cookoff，一个开放式黑客马拉松，旨在推动物理AI的发展。
本文介绍了如何使用Hugging Face的FunctionGemma模型在TPU上进行微调，以创建一个虚拟健身教练。通过TPU优化策略，实现了10分钟内、花费约0.50美元的训练成本，显著提高了模型性能，并减少了幻觉。该项目展示了TPU在小型模型微调中的高效性和经济性。
NVIDIA发布了NVIDIA Agentic Smart Router，这是一款基于Dell Enterprise Hub的智能路由器，旨在解决企业AI应用部署中的多大型语言模型（LLM）利用和单一框架限制问题。该路由器通过NVIDIA NeMo Agent Toolkit (NAT) 和NVIDIA的LLM路由器实现多框架、面向代理的设计，提供智能模型选择、代理编排和检索增强生成（RAG）等功能，旨在提高准确性、性能和降低成本。
暂无摘要
Photoroom宣布开源其文本到图像模型PRX，该模型现已在Hugging Face的Diffusers中提供。此次发布旨在开放整个训练过程，包括训练方法、经验教训等，旨在成为对文本到图像模型感兴趣的实用资源。Photoroom还计划分享一系列深入探讨模型设计实验、架构基准、加速技巧和后训练方法的文章。
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。
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。
ReasoningLens，一款用于可视化、理解和调试大型语言模型（LLM）推理过程的开发工具包，已正式发布。它通过将复杂的推理链转化为交互式、层次化的可视化地图，帮助开发者更清晰地追踪和调试模型的推理过程，同时提供自动化错误检测和模型画像功能，以提升LLM的调试效率和模型理解。
Photoroom发布了其文本到图像基础模型PRX的架构实验结果，该模型采用混合Transformer架构，旨在提高文本到图像生成模型的效率、稳定性和对齐性。PRX在性能、吞吐量和内存效率之间取得了最佳平衡，并采用了T5Gemma作为文本编码器，以及FluxVAE和Deep-Compression Autoencoders (DC-AE)作为潜在空间自动编码器。Photoroom计划开源整个开发过程，并鼓励社区参与和贡献。
NVIDIA近日宣布推出NVIDIA Earth-2系列三个新的开源模型，旨在简化构建整个天气预报栈的能力，包括数据同化、预测、临近预报、降尺度等任务。这些模型包括用于千米级短时强对流天气预报的Earth-2 Nowcasting、用于15天全球预报的Earth-2 Medium Range以及用于生成初始条件的Earth-2 Global Data Assimilation。NVIDIA Earth-2提供了一套加速工具和模型，使开发者能够整合通常分散的天气和气候AI能力。
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。
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。
Hugging Face的官方博客发布了一篇关于小型语言模型最优架构的文章，介绍了通过实验发现的最优模型配置，包括深度、宽度、架构类型等，并推出了新的扩散模型Dhara-70M，该模型在保持较高准确性的同时，实现了更高的吞吐量和事实性。
NVIDIA发布了一种名为Nemotron Speech ASR的新实时语音识别模型，该模型通过缓存感知流式处理技术，实现了更高的效率和更低的延迟，为实时语音代理提供了新的基准。
RexRerankers 是一种先进的重排序器，旨在提高产品发现和人工智能助手的效率。它通过估计电子商务产品与查询的相关性来工作，并使用 Amazebay 数据集进行训练。此外，还发布了 ERESS 评估套件，用于全面评估产品发现重排序器的性能。
Hugging Face的Inference Labs团队发布了TruthTensor，这是一个评估大型语言模型（LLM）在动态市场条件下指令忠诚度的新框架。该框架通过模拟预测市场中的动态变化来测试模型是否会偏离其预设算法，并在601,891名用户和1,692,048次微调中得到应用。
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。
Hugging Face 发布了一篇入门教程，介绍了其平台和工具，包括模型、数据集和Spaces，旨在帮助用户快速上手并利用其AI技术。教程涵盖了如何使用Transformers库、探索模型中心、使用数据集以及部署交互式AI应用等关键步骤。
本文介绍了从GRPO到DAPO再到GSPO的强化学习技术演进，重点关注了在大型语言模型中如何优化长文本输出和复杂任务的性能。文章详细讨论了每种方法的原理、优势和局限性，并展示了如何通过改进采样、剪枝和梯度计算等细节来提高效率和稳定性。
Anthropic的Safeguards团队的研究员Nicholas Carlini在官方博客上宣布，他们使用名为“agent teams”的新方法，通过16个Claude实例并行工作，从零开始编写了一个Rust-based C编译器，能够编译Linux内核。这个编译器在2000多次Claude Code会话和20,000美元的API费用后，生成了一个100,000行的编译器，能够在x86、ARM和RISC-V上构建Linux 6.9。
OpenAI 发布了 GPT-5.3-Codex，这是结合了前沿编码性能和推理能力的强大代理式编码模型。该模型在多个基准测试中创下新高，能够处理整个软件生命周期的工作，包括网络安全任务，并且运行速度提升了 25%。GPT-5.3-Codex 是首个在自身开发过程中发挥关键作用的模型，通过付费 ChatGPT 计划提供，支持多种使用场景。
OpenAI 发布了一篇关于如何使用 ChatGPT 应对健康问题的博客，通过一个家庭的故事展示了 ChatGPT 在辅助癌症治疗决策中的作用。该内容以视频形式发布于2026年2月5日，但页面本身并未提供视频的具体内容概述或详细的文本信息。
OpenAI发布了GPT-5.3-Codex，这是目前最强大的智能代理编程模型，结合了GPT-5.2-Codex的编程性能和GPT-5.2的推理及专业知识能力，能够执行长期任务，并首次在网络安全领域被视为高能力模型，采取了相应的安全防护措施。
OpenAI 发布了名为 '网络可信访问' 的计划，旨在扩大网络防御领域对前沿模型的访问权限，同时通过基于身份和信任的框架加强安全措施。该计划的核心是利用GPT-5.3-Codex模型的能力，加速漏洞发现和修复，并设立了一系列访问机制和资金支持，以促进网络安全。
OpenAI与Ginkgo Bioworks合作，利用GPT-5和自动化实验室技术，将无细胞蛋白质合成成本降低了40%，展示了AI在生物学研究中的应用潜力，对加速蛋白质药物、诊断工具和工业酶的生产具有重要意义。
这篇论文提出了一种名为Sparse Document Attention RAG (SDAG)的新型防御方法，用于解决RAG在对抗攻击中容易受到corpus knowledge poisoning的问题。SDAG通过引入块稀疏注意力机制，禁止检索到的文档之间的交叉注意力，从而提高RAG系统的鲁棒性。实验结果表明，SDAG在攻击成功率方面显著优于标准的因果注意力机制。
这篇论文介绍了VILLAIN，一个多模态事实核查系统，通过基于提示的多智能体协作验证图像-文本声明。系统使用视觉-语言模型智能体在事实核查的多个阶段进行操作，并通过额外的网络收集丰富知识库。智能体生成分析报告，并基于这些报告生成问答对，最后由判决预测智能体根据图像-文本声明和问答对生成验证结果。
这篇论文提出了WIND，一个无需特定任务微调的预训练大气模型，通过自监督视频重建目标来学习大气先验知识，并利用后验采样解决各种天气和气候问题，如概率预测、降尺度、稀疏重建和守恒定律的强制执行，同时能够生成极端天气事件的物理一致的反事实情景。
这篇论文提出了Ordered Action Tokenization (OAT)，一种用于机器人动作的自动编码方案。OAT通过使用transformer、有限标量量化以及训练机制，将动作片段有序地转换为标记序列，从而实现高效的压缩、完全可解码性和左到右的因果有序标记空间。实验表明，OAT在多个任务上优于现有的标记方案和基于扩散的基线，同时提供了在推理时间和动作保真度之间的灵活权衡。
这篇论文提出了ZipLoRA，一种通过有效合并独立训练的风格和主题LoRA来生成任何用户提供的主题以任何用户提供的风格的方法。它解决了现有技术中主题和风格保真度之间的权衡问题，通过实验证明了在主题和风格保真度上的显著提升。
这篇论文提出了CastMind，一个基于交互驱动的智能推理框架，用于认知启发的时序预测。该框架通过将预测过程重构为类似专家的多阶段工作流程，结合了上下文准备、基于推理的生成和反思评估，从而实现了训练免费的大语言模型在时序预测中的准确性。
这篇论文提出了一种名为SAR-RAG的视觉问答系统，通过语义搜索、检索和多模态大型语言模型（MLLM）生成，用于合成孔径雷达（SAR）的自动目标识别（ATR）。该方法结合了语义嵌入的向量数据库和MLLM，通过比较已知真实目标类型的图像示例，提高了ATR预测的准确性。
这篇论文提出了SE-Bench，一个用于评估自我进化能力的诊断环境，通过内部化新知识来解决未来问题。它解决了知识内部化中的两个障碍：先前知识的纠缠和推理复杂性的纠缠。SE-Bench通过隐藏NumPy库和API文档，迫使模型在没有文档的情况下进行编码任务，从而评估其知识内部化能力。
这篇论文提出了一种名为ProphetKV的用户查询驱动的KV缓存重用方法，用于提高检索增强生成（RAG）中的键值缓存重用效率。通过动态优先级排序和双阶段重计算流程，ProphetKV能够有效地减少计算开销，同时保持较高的推理准确性。
