ALL HERE INDUSTRY INSIGHTS
行业咨询
来自一手发布、开源社区与论文平台的前沿动态。
做 LLM 安全过滤的人，都卡在这个单选题上：改得准还是改得干净
做模型输出安全的人，大多遇到过这种尴尬：往 prompt 里塞了一条「请确保回答无有害内容」，结果该拦住的话拦住了，但正常语气也削了一层皮。改成只删涉敏片段，又经常被绕过，意思还在
发布日期：
阅读全文 →LLM 的概念是「找」出来的还是「设计」出来的？一篇论文选了后者
跟模型打交道多了——调 prompt、做 RAG、搭 Agent——都碰过同一件事：LLM 能理解「概念」，很多时候靠运气。 聊「苹果」说得头头是道。但想精确控制它怎么理解「责任」
发布日期：
阅读全文 →LLM 的「性格」不是提示词编出来的，这篇论文在神经元里找到了证据
老实说，每次看到有人用「你是一个温柔体贴的助手」这种 prompt 来给大模型定人设，我都有点怀疑——这到底是真的改变了模型的行为，还是只是在输出层贴了一层皮？ 北大几位研究者最近
发布日期：
阅读全文 →SERPO 把测试时强化学习从「对答案」改成「建标尺」
用过 o1 或 R1 的人应该都有这个体感：让它做数学题或者写代码，多「想」一会儿确实有用，正确率能往上跳一截。但一旦问的是开放问题——比如总结一篇论文、分析一个医疗案例、或者回答
发布日期：
阅读全文 →DIRECT 解码｜用 LLM 做序列标注，只生成标签 token 就够了
今天 arxiv 上挂了一篇让我多看了两眼的论文： DIRECT: Direct Decoding for Efficient and Aligned Sequence Label
发布日期：
阅读全文 →DuPLeR 论文笔记：当知识图谱碰上「新实体没数据」，LLM 做补全的双路径方案
做知识图谱的团队大概都遇到过这个场景：图建好了，跑起来了，结果线上不断冒出新实体和新关系——冷启动、样本稀疏、旧模型直接哑火。传统的知识图谱补全（KGC）方法在 few-shot
发布日期：
阅读全文 →给 Speech LLM 装回「决策手柄」：Latent-IM 论文做了什么
写过语音对话系统的人应该体会过这种分裂。经典方案里，系统先跑一个「对话管理模块」决定下一步是追问、确认还是解释，再交给生成模块把这句话说出来——两步拆开，每一步都可以单独调、单独控
发布日期：
阅读全文 →从模型脑子里读因果推理：一篇新论文用线性探针破解了"同一证据、不同结论"的难题
前天刷 arXiv 扫到一篇 7 月 29 号新挂出来的论文，标题挺绕——《Same Evidence, Different Target: Decoding How Diagno
发布日期：
阅读全文 →你让 AI 算信用卡罚息，它算对了数，但没看懂条款
你让 AI 算信用卡罚息，它算对了数，但没看懂条款 上个月我想确认一笔信用卡逾期会不会触发 penalty APR，顺手问了个模型。它把数字算得清清楚楚，连滞纳金都算对了。但我重读
发布日期：
阅读全文 →让 LLM「判断」比「生成」更准：一篇论文戳中了很多团队还在犯的错
前天刷 arXiv 看到一篇国内学者发的论文，题目很长，核心问题很直白：让 LLM 做对话中的情绪-原因配对提取，到底是让它「生成」完整结果，还是让它「判断」单个候选？ 直觉上两者
发布日期：
阅读全文 →旅行规划新基准上线：最强 Agent 只拿到 46 分，中位数不到 7
让 LLM 规划过旅行的人，大概率遇到过这种场景——酒店名字听着靠谱但根本搜不到，航班号格式完美但航司没这条线，行程看起来丰满但在地图上一跑发现全在绕路。Agent 的能力缺口一直
发布日期：
阅读全文 →Pangram 4 发布｜AI 文本检测卷到 AUROC 0.9916，误报率万分之一
Pangram Labs 前两天放出了 Pangram 4 的技术报告，几个数字值得聊一下。 AUROC 0.9916。做分类的人知道这个数字——接近 1 意味着模型对 AI 文本
发布日期：
阅读全文 →LLM Agent 自己跑出了一个新架构：EvoPINN 把 PINN 设计变成了自动化搜索
做物理信息神经网络（PINN）的人大多熟悉这个尴尬局面：核心思路很漂亮——把物理方程（PDE）直接嵌进神经网络训练里——但真正用起来，大部分时间花在手动调损失函数、调网络表示、调优
发布日期：
阅读全文 →