内容形态
论文与技术报告：对齐机制、人格可控性、评测方法与能力边界的新发现。
492 条精选近 30 天 492 条共收录 3,745 条
arXiv 论文 2610.04399 提出 GlitchPatch，一种针对冻结语言模型的 glitch token 修复框架，离线阶段用 Behavioral Path Optimization（BPO）为每个 glitch token 找到行为最优替换序列并编译成规则表，在线阶段仅替换匹配的 token ID，不改模型参数或内部状态。在覆盖六种 tokenizer 家族的十个模型上，平均修复率达 85.10%，比最强基线高 14.37 个百分点，平均 glitch 率从 14.88% 降至 2.27%，全词表评估中 RR 为 0.00%，规则未匹配的输入保持不变。
推荐理由：论文提出不动模型参数的 glitch token 修复框架，并给出十个模型的修复率与副作用数据，方法可复现。
研究者提出 EyeRobot 2.0 框架，仅用单个立体相机通过主动注视实现精细双手操作：双目视点转向对准 3D 注视点，图像按中央凹方式分配更多视觉 token。
推荐理由：原文给出主动注视框架在 1000 次真实与 1800 次仿真试验中的成功率对比数据，可据此评估去掉腕部相机后的实际代价与补偿效果。
论文发布一个经专家校验的哥伦比亚法律系统LLM可靠性基准，含1042道题、十个法律领域和三种题型，用多阶段专家评审的人在环流水线构建，评测了15个专有与开放权重模型。
推荐理由：论文用专家校验的1042题基准实测15个模型在哥伦比亚法律任务上的表现，给出开放题正确率与引用规范真实性的量化证据。
论文提出威胁保持表述敏感性（TPRS），测量在任务、策略与评测标准不变时改变工具命名等表述导致的攻击成功率（ASR）变化。
推荐理由：论文提出 TPRS 方法量化基准表述对攻击成功率的影响，用 ASB、MCPTox、AgentDojo 的实测数字说明单一安全分数可能不可泛化。
arXiv 论文（arXiv:2610.03199）提出用专家模型 task vector 的方差作为干扰度指标，在合并前预测合并坍塌，在 4 个模型家族的 22 个合并配置中，只有破坏性合并超过该评分阈值；对 14 次合并的预测有 12 次正确。
推荐理由：论文提出可在合并前预测模型合并坍塌的评分指标，并给出无需数据或调参的修复算子 PRISM，附十四次合并的预测验证。
论文提出 KV$^2$，一种基于选择性重构的 query 无关 KV cache 压缩方法，先用轻量代理评分器筛选上下文中的有效 token，再仅对该子集重新计算最终淘汰分数。
推荐理由：论文给出 KV$^2$ 在 RULER 和 LongBench 上随预算收紧而扩大的对比数据，可复用的 KV cache 压缩不必重处理全上下文。
arXiv 论文（arXiv:2610.03195）测试了 12 个 Agent 模型在三个领域的端到端搜索，发现各模型普遍偏好特定来源的商品，且该偏好可压过需求满足程度。隐藏来源信息可削弱偏好，改标为偏好来源会提升选中率；补充缺失信息或用提示词反制来源偏见可降低这种偏好。
推荐理由：论文用 12 个 Agent 模型实测来源偏好，并给出补信息和反偏见提示词两种缓解方法，便于读者对照自己的场景。
论文研究 LLM 调查员能否正确判断证据是否足以结案，提出含 731 个审计案例的 Nautil 数据集及三项结案评估测试。
推荐理由：原文给出了未训练 9B 模型 97% 过度断言到微调后 35% 的前后对比，可据此评估结案判断这一能力的可训练性。
arXiv 论文 2610.03185 从强化学习视角解释 on-policy 蒸馏（OPD）为何有时提升性能、有时坍缩为过长且重复的生成：教师隐式奖励学生行为，即使教师自身很少表现出这些行为。
推荐理由：论文用强化学习视角解释 on-policy 蒸馏为何有时提升性能、有时坍缩，并给出掩蔽不健康响应和 SFT 初始化两种缓解手段。
论文提出 MintEval 基准，通过从可组合模块程序化生成参考策略、转译成交易员口语指令再让被测模型重新实现，在相同市场数据和摩擦下逐 bar 执行并比较行为而非代码相似度。
推荐理由：原文用逐 bar 行为对比衡量代码是否忠实执行交易策略，给出了前沿模型仍存在静默失败的具体比例。
论文提出 HARPO 强化学习框架，用可验证反馈训练的幻觉感知生成奖励模型 HA-GRM 联合优化忠实性与创造力，仅对无幻觉输出激活写作奖励，并通过课程从创作任务渐进过渡到幻觉任务。
推荐理由：论文给出了 HA-GRM 在 RAGTruth 上的 F1 对比和 Qwen3-4B 幻觉率与创作分的前后数据，可评估该框架的实际收益。
ServiceNow CoreAI 发布 AutoSynthData，用目标模型的失败和更强教师模型的成功来定位能力缺口，生成经环境验证的合成训练任务用于 SFT。在 EnterpriseOps Gym Hybrid 域用 Gemma-4-26B-A4B-it 配 Qwen3.8-27B 教师生成 2000 样本，Pass@1 相对提升 35%；在 ITSM 域配 DeepSeek-V4.1-Flash 教师生成 1994 样本，Pass@1 从 18.77% 升至 27.18%。
推荐理由：原文给出从模型失败生成可验证训练任务的完整流程和两组实验数据，方法细节可以直接迁移到企业智能体的数据构造。