1578 篇论文
本文提出了 Graph-GRPO 框架，通过引入组相对策略优化（Group Relative Policy Optimization）对多智能体通信拓扑进行相对性能评估，有效解决了传统强化学习方法中因任务难度差异导致的梯度方差大和信用分配困难问题，从而显著提升了基于大语言模型的多智能体系统的训练稳定性与通信拓扑学习效率。
本文提出了一种名为 ASEGR 的框架，通过利用大语言模型从产品评论中提取感官属性并蒸馏为紧凑的感官嵌入，从而增强序列推荐模型对物品体验语义的理解能力，显著提升了推荐性能并增强了结果的可解释性。
本文提出了 DiSE 方法，通过计算序列再生概率来量化扩散语言模型（dLLMs）的置信度，从而实现了高效的自我评估、不确定性量化以及基于自适应长度控制的灵活生成。
本文提出了涵盖对话评估与技能细粒度测试的 K-8 数学教学基准 KMP-Bench，揭示了当前大语言模型在数学辅导中虽擅长解题却缺乏 nuanced 教学原则应用的差距，并展示了通过大规模教学语料 KMP-Pile 微调可显著提升模型教学能力的成果。
该论文通过大规模基准测试和自动化分层错误分析，发现对于强大的多模态大语言模型而言，仅凭图像输入即可达到与传统 OCR 增强方案相当的业务文档信息提取性能，且精心设计的提示策略能进一步提升效果。
本文提出了 GLEAN 框架，通过结合专家指南与轨迹证据积累及贝叶斯校准机制，显著提升了高风险 LLM 智能体（如临床诊断）决策验证的准确性与可靠性。
该论文通过对比实验表明，在预测学生答题表现这一特定教育任务中，专用的知识追踪模型在准确率、推理速度和部署成本方面均显著优于大语言模型，证明了领域专用模型在此类场景下的不可替代性。
该论文通过宏观上的对称狄利克雷分布阶序统计与微观上的最大熵模型，统一解释了全球语言中音素频率分布的规律及其与音位库存大小、发音、音系和词汇结构的内在联系。
该研究通过探测实验发现，大型视觉语言模型中节点和全局结构信息在视觉编码器阶段即已线性可分，而边信息仅在语言模型的文本令牌中才形成线性表示，这种边信息的延迟涌现解释了模型在理解节点与边等关系时面临的困难。
该论文提出了 Eval4Sim 评估框架，通过从背景依从性、身份一致性和对话自然度三个维度，以人类对话语料为基准来衡量大语言模型角色模拟与真实人类交流模式的契合程度，从而克服了现有基于 LLM 评判方法的局限性。
本文提出了 ACE-Merging 框架，通过从微调模型参数差异中隐式估计输入协方差，在无需数据访问的情况下以封闭形式有效缓解任务间干扰，从而在多个基准测试中实现了数据-free 模型合并的最先进性能。
本文提出了名为“上下文化防御指令”（CDI）的新范式，通过结合强化学习优化的指令模型，在 LLM 代理执行过程中动态生成上下文感知的隐私指导，从而在保持高有用性的同时显著提升了隐私保护能力与鲁棒性。
本文提出了 MaBERT，一种通过交替堆叠 Transformer 与 Mamba 层并结合填充安全掩码机制的混合编码器，旨在解决长上下文建模中的二次方计算开销与填充污染问题，从而在显著降低训练和推理成本的同时保持优异的语言理解性能。
本文提出了 TrustMH-Bench，这是一个涵盖可靠性、危机识别、安全性等八大核心支柱的综合基准框架，旨在系统评估大语言模型在心理健康领域的可信度，实验结果表明当前各类模型在该高风险场景下均存在显著不足，亟需系统性改进。
本文通过构建高质量的大规模 DaTikZ-V4 数据集，并采用“监督微调 + 基于逆图形图像编码器的强化学习”两阶段训练策略，成功推出了在文本转 TikZ 绘图任务上性能超越 GPT-4o 并媲美 GPT-5 的轻量级开源模型 TikZilla。
本文提出了 TAO-Attack，一种通过两阶段损失函数抑制拒绝响应并惩罚伪有害输出、结合方向优先令牌优化策略以提升效率的新型优化型越狱攻击方法，在多种大语言模型上实现了超越现有最先进方法的攻击成功率。
本文提出了一种基于指令微调大语言模型和紧凑提示的新方法，将论证组件检测重构为语言生成任务，从而在无需预分割的情况下直接识别论证跨度并分类，且在标准基准测试中取得了优于现有最先进系统的性能。
本文通过主成分分析研究了自监督语音模型（WavLM）特征维度中的说话人信息，发现不同主成分分别编码了音高、性别、强度、噪声及共振峰等特征，并证实通过调整这些维度即可在语音合成中有效操控输出声音的特性。
该论文通过引入切换矩阵基准测试，揭示了多轮大语言模型系统中因中途切换模型而产生的上下文不匹配会导致显著的静默性能漂移，并提出了分解模型前缀影响与后缀敏感性的方法以量化和监控此类风险。
该论文发布了首个将欧洲 ESCO 职业技能与大学课程进行人工及合成标注的数据集，并验证了基于 BERT 的模型在课程与技能匹配任务中能达到 87% 的 F1 分数，从而为相关推荐系统提供了基准。