5037 篇论文
本文提出了首个全面评估大语言模型在环境、社会和治理（ESG）及可持续发展领域知识掌握程度的基准ESGenius，该基准包含经专家验证的问答数据集与权威语料库，并通过零样本和检索增强生成（RAG）两种评估模式揭示了当前模型在该专业领域的知识缺口，同时证明了RAG技术在显著提升模型表现方面的关键作用。
本文提出了 KramaBench，一个包含 104 个真实数据湖挑战的基准测试，旨在评估 AI 系统在端到端数据洞察流程中的能力，研究发现尽管现有大模型能识别部分任务，但在生成可运行的完整端到端管道方面表现仍十分有限。
该论文提出了 VisioMath 基准，通过包含 1800 个候选答案均为细微相似图形的 K-12 数学问题，揭示了当前多模态大模型在细粒度视觉推理中因图文对齐不足而导致的性能瓶颈，并验证了多种对齐策略能显著提升模型表现。
该论文指出当前大语言模型道德能力评估存在过度依赖预设场景、忽视推理过程及缺乏信息缺口识别等缺陷，通过引入涵盖五个维度的新评估框架发现，虽然模型在标准情境下表现优于人类，但在需要主动从噪声中甄别道德相关信息的复杂场景中表现显著逊色，表明现有评估可能高估了 AI 的真实道德推理能力。
本文提出了名为 ContextBench 的基准测试，旨在评估生成能激活特定潜在特征或行为且语言流畅的输入的方法，并通过结合大语言模型辅助与扩散模型修复的改进进化提示优化策略，实现了在激发效果与语言流畅度之间的最佳平衡。
该论文提出了名为 Sysformer 的新方法，通过训练一个轻量级 Transformer 模型在输入嵌入空间中动态自适应地优化系统提示，从而在不微调冻结大语言模型参数的前提下，显著提升了模型对有害提示的拒绝率以及对安全提示的遵循度，并有效抵御了复杂的越狱攻击。
本文提出了一种名为迭代量子特征映射（IQFMs）的混合量子 - 经典框架，该框架通过迭代连接浅层量子特征映射与经典计算的增强权重，结合对比学习和逐层训练机制，有效克服了深层量子电路的噪声与资源瓶颈，并在无需优化变分参数的情况下实现了优于量子卷积神经网络且媲美经典神经网络的分类性能。
该论文提出了 SPARC 框架，通过全局 TopK 稀疏机制和跨重建损失，在多样化的模型架构与模态间构建统一的稀疏潜在空间，从而显著提升了跨模型和跨模态的概念对齐能力并实现了可解释的语义共享。
本文提出了一种将慕课、智慧教学与人工智能整合的统一教学框架，通过结构化接触、自适应分配和效率增强三个互补维度，实现了从孤立应用向协同增效的教学范式转变。
ExDD 框架通过显式建模正常与异常的双分布特征、利用文本条件扩散模型生成工业场景合成缺陷数据，并结合邻域感知比率评分机制，有效解决了工业表面缺陷检测中单类异常检测的局限性与数据稀缺问题，在 KSDD2 数据集上取得了显著性能提升。
本文提出了一种基于多模态大语言模型的多智能体系统，通过协同专用工具与网络服务，显著提升了从化学文献中提取复杂多模态反应信息的准确率与通用性，为构建高质量化学数据库及推动 AI 驱动的化学研究奠定了坚实基础。
该论文提出了一种名为 MAP 的免训练解码方法，通过将模型隐藏状态视为二维语义地图并引入层间交错注意力与全局 - 局部 Logit 融合机制，有效利用广泛分布的事实信息以缓解大型视觉语言模型中的幻觉问题。
本文提出了 VLMQ，一种针对视觉语言模型（VLM）的特定后训练量化框架，通过利用梯度驱动的显著性因子识别并优先保留关键令牌、抑制冗余视觉令牌，有效解决了视觉过度表征和模态分布差异导致的量化性能下降问题，从而在低比特设置下实现了显著的性能提升。
该论文提出了一种名为 SGDFuse 的语义引导扩散模型，通过利用 Segment Anything Model (SAM) 生成的高质量语义掩码作为显式先验，指导条件扩散模型进行从粗到细的生成，从而解决了现有红外与可见光图像融合方法中目标丢失、伪影及细节缺失等问题，实现了高保真且语义感知强的融合效果。
本文提出了一种基于最佳优先搜索与延迟部分扩展的算法，通过将控制参数显式视为决策点而非约束，有效解决了自动化规划中无限域参数的搜索问题，并证明了其在特定条件下的完备性。
该论文提出了名为“先答后查”（Answer-Then-Check）的新型安全对齐方法，通过构建包含 8 万样本的 ReSA 数据集训练模型在生成最终回复前进行推理与安全评估，从而在显著提升抗越狱能力、降低过度拒绝率的同时，保持了模型在通用推理任务上的性能。
该论文针对现有同时性语音翻译延迟评估指标在短文本场景下因分词偏差导致结果不一致的问题，提出了首个涵盖多语言与系统的元评估，并引入了新型指标 YAAL 与 LongYAAL 及重分词工具 SoftSegmenter，显著提升了延迟评估的准确性与可靠性。
本文提出了名为 LikePhys 的免训练评估方法，通过利用去噪目标作为似然代理来区分物理有效与无效视频，构建了涵盖四大物理领域的基准测试，证明了其指标与人类偏好高度一致，并揭示了当前视频扩散模型在物理理解能力上随模型规模与推理设置扩展而呈现的改进趋势。
Phys2Real 提出了一种结合视觉语言模型物理参数先验与基于不确定性感知的在线交互适应的“实 - 仿 - 实”强化学习框架，通过融合 3D 高斯溅射重建、VLM 推断及在线估计，显著提升了机器人在复杂物理动力学任务中的 sim-to-real 迁移成功率与效率。
本文提出了 CanvasMAR，一种通过引入作为非均匀掩码的全局模糊“画布”先验、运动感知采样课程以及组合无分类器引导，从而在极少采样步数下实现高保真视频预测的自回归模型。