IQuest Research 联合北京航空航天大学、曼彻斯特大学等研究团队发布了 ModularRSI。该方案探索了一种在冻结模型权重的前提下让 Agent 持续进化的新途径，其核心机制在于允许 Agent 根据自身的执行经验，动态修改并优化大模型外围的运行机制（Harness），从而实现智能体系统的持续自我改进。
针对单一大型语言模型在处理复杂查询时可靠性不足的问题，现有多模型系统通常采用路由分发或密集全量协作。但研究表明，模型协作具有非单调性，引入同行模型在纠正错误的同时也可能破坏已有的正确结果。为此，研究团队提出了COMED机制，作为一种后锚点控制器实现受控的模型升级协商，介于单纯路由与全量协作之间，通过选择性触发跨模型协同来兼顾推理准确率与计算效率。
针对大规模文本标注中编码规范（Codebook）构建耗时漫长的问题，该研究提出利用大语言模型（LLM）加速这一流程。方法通过在早期将编码本应用于数据，筛选出多个LLM之间存在显著分歧的疑难样本，从而精准引导专家介入并提供针对性反馈。研究探讨了多种专家反馈形式，包括直接编辑由跨模型分歧驱动生成的修改方案，以及解答模型争议问题等，有效提升了人机协同标注与规范迭代的效率。
当前针对大语言模型在多语言亲属关系理解上的评估多采用多项选择，实质将其简化为识别任务。该研究构建了涵盖印地语、泰米尔语和韩语三种非西方语言的亲属称谓生成基准，测试了5款开源大模型在生成与选择任务中的表现。结果显示，模型普遍存在显著能力断层：GPT OSS 120B在对应选项识别中准确率达90.67%，但在自主生成中的合格率仅为36.00%，Llama 3.3 70B等模型亦呈现相同趋势。
大语言模型已被广泛应用于教育对话数据的教学构念标注与分类，但其黑盒推理特性导致难以验证模型对具体话语分类的机理依据。为此，研究团队提出了 EduBehaviors 框架。该框架是一种可解释且具扩展性的教育数据标注方案，通过利用大语言模型量化与多种构念相关的可观测重复行为，进而训练下游分类器，实现标注过程的可追溯与审计（原摘要结尾略有截断）。
当前营销领域常使用大语言模型构建“虚拟人设”以预测真实受众对文案的反应。本研究基于Upworthy研究档案中数千次真实流量点击率A/B测试作为基准，开展了从模拟到真实的有效性检验。实验对比了基于真实人口统计特征构建的10人虚拟人设面板与无角色设定的基准模型，结果显示，无角色基准在文案效果模拟上的表现反而击败了基于人设的模拟，对当前AI受众模拟的有效性提出了质疑。
该论文探讨了联合事实核查评分提升背后的机制，分析在固定答案的前提下证据质量对综合评分的独立贡献。研究基于FEVEROUS基准数据集中的7,890条声明及4个DeBERTa模型检查点展开实验。结果显示，将DCUF证据替换为UnifEE证据后，严格核查评分显著提升9.61个百分点，而答案准确率仅提高1.96个百分点。该研究通过细粒度归因，揭示了高质量证据检索对联合事实核查评估指标的决定性影响。
针对大语言推理模型常生成正确却冗长低效的推理链问题，现有优化方法多依赖轨迹级或局部标记信号，未能充分建模步骤间的语义依赖，导致难以有效区分冗余步骤与关键支撑步骤。研究团队提出了 RECAP（通过传播实现的冗余感知信用分配）方法。该方法基于推理步骤在后续推导中的实际下游作用精准分配信用，从而在确保模型推理准确率的前提下精简推理过程，显著提升推理效率。
在利用大语言模型评估社交媒体长文本的公众价值取向时，文本通常夹杂背景信息、引用及少数关键立场句。现有方法直接预测篇章标签易导致过度自信，而传统的句子级聚合投票则忽视了句子间置信度的差异。为此，研究团队将长文本价值测量构建为决策融合问题，并提出了无需训练的“回火证据融合”（TEF）方法，旨在更有效地聚合模型判断并提升长文本价值衡量的准确性。
训练数据包含评测基准只能证明存在接触，却无法量化这种接触对评测表现的具体影响程度。为此，研究人员提出了干预性评估框架 LeakScale。该框架通过构建包含私有特定信息、且无法从公开任务中推导的新可执行任务，严格控制对这些信息的访问，从而利用反事实方法量化基准数据泄露对模型评测得分造成的实际因果影响。
针对大语言模型在标准对齐后输出同质化、难以满足用户多样化偏好的问题，研究人员提出了COPE优化框架。现有免训练方法多依赖提示工程占用上下文窗口，而微调方法在训练后保持静态，无法持续适应动态偏好。COPE结合个性化用户嵌入与模型自评估机制，有效克服了现实场景中用户反馈稀疏的挑战，实现了大语言模型在部署后的持续个性化优化。
神经影像数据分析通常需要专业的编程与统计技能，这给非计算背景的研究人员带来了门槛。为此，研究团队推出了“AI神经科学家”，这是一种用于交互式数据探索的语言智能体。该系统将大语言模型与神经影像专业工具集相结合，支持研究人员直接通过自然语言查询数据质量、执行建模与可视化并设定分析参数，为小规模数据探索提供了一种替代传统脚本处理流程的透明且交互式的解决方案。
文本转语音（TTS）系统在处理网络生成文本（如缩写 ppl、imo）时，需根据规范表达而非表面拼写来推断发音。为此，研究人员推出了首个针对英语、越南语和韩语网络文本的字素转音素（G2P）基准 UGTPhon，并配套提出用于细粒度诊断的分类体系。测试显示，现有 G2P 模型及前沿大模型在此类文本上的音素错误率（PER）最高落后 66.8 点。研究团队进一步提出了一种结合规范形式证据的组合式 G2P 基线方法。
本文探讨了生产级智能客服系统中的核心部署问题：针对意图分类、问答、摘要和工具调用等多项技能，究竟应采用多个专用模型，还是通过多任务微调、连续更新或模型合并训练单一模型。研究团队基于 Qwen、Gemma、Llama 和 Mistral 等 5 个模型家族的 13 款模型（涵盖 0.6B 至 32B 参数），在 4 个公开及 4 个专有客服数据集上展开了系统性评测与策略比较。
该研究指出大模型在多轮对话中的交互失败不仅源于上下文记忆丢失，更深层的原因在于“过早后验坍缩”。即在用户初期意图尚不明确时，模型便过早锁定了某种单一的隐藏假设，导致后续用户给出的澄清信息仅被视为对既定假设的微调，而非彻底纠错。研究团队使用 Gemini-2.5-P 在写作、规划和代码任务中设计了可控实验，系统验证了这一导致模型难以调整错误方向的固有机制。
该研究探讨了大模型思维链（CoT）在生成最终答案时的因果约束力。作者提出了“基于续写的因果测试”方法，通过扰动某一推理步骤、截断链条并强迫模型基于被破坏的前缀继续生成，用以量化CoT对答案的“承重性”（load-bearingness）。在Gemma-2、Llama-3.1和DeepSeek-R1蒸馏模型上的多项基准测试表明，CoT的因果承重性与任务难度密切相关，简单任务中CoT往往流于形式，而在难任务中则切实主导推理方向。
该研究探讨了基于失败案例的文本知识蒸馏方法，旨在通过分析任务错误来发现模型的知识漏洞。研究定义了在推理时注入输入的独立“规则原子”，指出其虽然能编码可迁移的任务知识，但也可能包含特定于原模型的推理补丁，从而在跨模型迁移时产生干扰；此外，注入的规则还可能被错误应用于不相关场景并引发误判。（注：原文摘要末尾未完）
针对越南《个人数据保护法》等法规对机构维护数据处理活动记录（RoPA）的要求，人工准备耗时且云端大模型存在数据主权合规风险。研究团队提出了 RoPA Manager 系统，通过结合基于 tsvector 的词法检索、稠密向量检索以及倒数排名融合（RRF）的混合 RAG 技术，并采用本地部署的大语言模型，实现 RoPA 信息的自动化提取，以兼顾自动化效率与数据主权需求。
针对复杂推理任务，并行分支的测试时扩展（Test-Time Scaling）已得到广泛应用，但传统的独立重复采样容易生成冗余尝试，制约了推理算力增加所带来的收益。为此，研究团队提出了规划型测试时扩展（PTTS）方法，以协调的联合策略取代独立采样。该架构通过规划器为各个分支生成解答大纲，引导不同分支探索差异化的推理路径，再由执行器生成完整解答，从而提升计算效率和推理表现。
面向推理的大语言模型强化学习能显著提升多步推理与代码能力，但轨迹生成（Rollout）阶段也承担了极高的训练计算成本。如何在保障训练数据新鲜度、一致性与统计有效性的前提下提升 Rollout 效率，已成为当前优化的核心课题。本综述对近年来面向推理的强化学习 Rollout 效率研究进行了系统梳理，从底层机制和性能瓶颈等维度对现有优化方法展开分类，并指出了未来的发展方向。
该研究探讨了基于似然的多上下文压缩技术对上下文输入顺序的高度敏感性问题。实验表明，相同上下文集合的不同排列顺序会导致显著不同的关键证据保留结果。论文将这种敏感性归因于“信息抢占”现象，即较早出现的部分相关上下文会提前消耗共享信息的置信度权重，从而压低后续更关键证据载体的增量评分，大幅增加强证据被错误删除的风险。研究通过受控干预实验深入分析了该机制。
基于大语言模型的智能体可利用电子设计自动化（EDA）工具，根据综合与验证反馈生成并修正寄存器传输级（RTL）设计。然而，现有方法通常在产生经验的同一任务上评估提炼的技能或奖励模型，容易诱发针对特定任务的反复修改，而非沉淀出可迁移的复用知识。为此，论文提出了名为 ChipMEM 的基于验证的记忆机制（注：输入摘要在介绍 ChipMEM 具体细节处被截断）。
资本市场中的“了解你的客户”（KYC）审查流程通常依赖分析师手动分类文档、从异构数据源提取结构化数据并验证合规性，导致入驻流程常拖延数周。本研究分析发现该流程包含高度可重复且适合AI自动化的环节，进而提出了重构后的自动化工作流及规则驱动的大语言模型流水线Spectra，旨在整合传统繁琐步骤以大幅提升处理效率（论文原始摘要在流程细节处有所截断）。
针对医学系统评价中数据提取高度依赖人工且必须遵循严格协议与可审计要求的痛点，研究团队推出了开源、无代码的 Web 平台 EviStreams。该平台引入人在回路的大语言模型辅助机制，不仅契合双人独立提取、裁决仲裁的标准审查流程，还能记录完整的数据生成审计日志，使科研团队在关键阶段自主把控 AI 提取过程，显著缓解临床指南研制中的专家人力瓶颈。
针对现代大语言模型因海量预训练数据导致基准泄露、评估可靠性受损的问题，以及基座模型因指令遵循能力受限而难以通过任务型标准评估的挑战，研究人员提出了 Uncheatable Eval。该动态基准通过定期采集最新发布的文本来评估基座语言模型，以规避数据污染风险，并利用模型预测能力与文本压缩能力之间的关联设计评估机制。原摘要在方法细节处截断。
该研究探讨了大语言模型在推理任务中的“能力”（解题正确率）与“效率”（所需资源消耗）两个核心维度。当模型利用思维链（CoT）处理不同难度的问题时，正确率和所需Token数量均受问题难度与模型规模影响，但两者的联合作用机制此前尚不明确。研究采用分层贝叶斯方法建模分析，旨在揭示模型规模与问题难度如何共同影响推理期的能力与效率扩展。（注：原文摘要存在截断）
针对大语言模型容易受对抗性群体共识影响而产生盲从（阿谀）现象的问题，研究人员提出了对比认知解码（CED）。不同于依赖弱辅助模型的传统对比解码，CED在单模型架构上通过双重前向传播来隔离从众偏见。该方法引入了新型非对称零边界概率钳位和离散Top-k截断掩码，在数学上抑制有害的从众Token生成且避免语法崩塌，为零样本推理阶段的模型自主性提供了有效干预手段。
基于大语言模型（LLM）的用户模拟器常用于推荐系统评估，通过设定偏好属性（交互内容）与行为活跃度特征（浏览时长）来模拟真实用户。研究发现，模拟过程中这两种特征设定的独立性会失效：一是产生特征干扰，过高的活跃度会打破偏好边界，迫使模型与不匹配内容交互以维持浏览；二是导致评估失效，满意度评分会随着活跃度驱动的页面数量虚假膨胀。
该论文针对自动定理证明（ATP）中微调大语言模型的对齐问题展开研究。当前大模型常作为树搜索的引导策略，而传统交叉熵损失在搜索场景下并非最优。将对齐策略拓展至树搜索具有较大挑战，因为证明发现过程高度依赖监督演示中未包含的偏离轨迹状态的探索与恢复。为此，作者拓展了相关计算对齐方法以直接优化搜索生成器。注：由于原摘要结尾截断，更多技术细节尚未完整披露。
针对自回归语言模型仅能通过序列分解间接表示全局结构、缺乏类似图像领域的忠实连续表征这一问题，研究人员提出了LLMAE方法。该方法将预训练的仅解码器（decoder-only）大语言模型重新利用为连续文本自编码器，通过在其内部激活状态中构建一个中间固定长度的潜在瓶颈（latent bottleneck），成功为文本生成提供了可操作的高保真连续潜空间表征。