COMED：平衡多大模型推理中路由与协作的选择性协同机制
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。
DC AI 热点
精选
当前热点完整榜单 →
1Black Forest Labs 推出开源具身智能模型 FLUX 3 Action77 热度 ⌁2谷歌、OpenAI与Anthropic拟联合组建AI安全标准自律组织SAFA75 热度 ⌁3谷歌云 API Gateway 支持 MCP：将 REST API 原生转化为 AI Agent 工具75 热度 ⌁4Sakana AI聘请AI先驱Jürgen Schmidhuber担任首席科学顾问75 热度 ⌁5Agent Plugins 1.0.0 发布：科技巨头联手推跨平台 Agent 技能与 MCP 打包规范73 热度 ⌁9月24日2026-09-24
利用跨LLM分歧引导专家参与：大规模数据标注编码本的高效修订方法
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。
大模型在多语言亲属称谓上“能识别却难生成”：文化特定词汇生成基准研究
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。
EduBehaviors：面向教育对话可审计标注的断言架构框架
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）。
事实核查评分提升由何驱动？针对验证模型与大语言模型的证据与答案归因研究
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。
RECAP：面向大语言模型高效推理的冗余感知归因学习
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。
基于证据融合的LLM长文本价值测量新方法TEF
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。
超越重叠：评估基准数据泄露对模型性能因果效应的LeakScale框架
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。
面向网络生成文本的字素转音素基准 UGTPhon：涵盖多语言与组合式方法
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。
单模型能否搞定一切？面向智能客服的大语言模型微调策略选择研究
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。
基于混合RAG与本地大模型的处理活动记录（RoPA）自动化提取系统
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。
协同推理路径的规划型测试时扩展方法 PTTS
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。
MORSE：通过反向评分优化多上下文排序以实现证据保留压缩
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。
EviStreams：面向医学系统评价的人机协同 AI 数据提取平台
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。
Uncheatable Eval：基于动态压缩机制的语言模型防污染评估基准
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。