每日论文精读 #049:用越狱提示给黑盒推理模型做不确定性量化

把越狱式提示变换反过来用在良性问题上,恢复被RL对齐压制的输出多样性,让黑盒推理模型的置信度校准显著改善。

2026年10月4日 · 1 分钟

每日论文精读 #048:PaperCompiler——用「规格编译」把论文忠实变成代码仓库

把论文证据编译成带所有权和禁止项的仓库级规格,Paper2CodeBench 忠实度相对提升13.8%,高严重性错误减半。

2026年10月3日 · 1 分钟

每日论文精读 #047:CLIP安全对齐不再一刀切——按模态状态选择性重塑嵌入空间

ShieldCLIP用逐模态安全标签替代整对标注,只重定向真正不安全的分支,有害输出更少且良性表征几乎零损伤。

2026年10月2日 · 1 分钟

每日论文精读 #046:编码Agent通过率不降,代码却在悄悄变成面条

RepoReuse基准审计发现:编码Agent第5轮时50.8%的任务链留下重复实现,而通过率几乎不变——以测试为中心的评估对代码复用缺陷结构性失明。

2026年9月30日 · 1 分钟

每日论文精读 #045:把长上下文压成「答案对齐」记忆嵌入,推理显存直降50%

CMC框架将长上下文压缩为与冻结解码器嵌入空间对齐的记忆向量,问题引导Top-K检索+局部窗口双层KV缓存,QA精度反升的同时推理时间/能耗降20%、峰值显存降50%。

2026年9月29日 · 2 分钟

每日论文精读 #043:在法条被藏起来时,微调模型的引用幻觉率飙到83%

GRACE构建了1915条加拿大法律对抗推理数据集,微调后的4B小模型开卷表现大幅提升,但一旦不给法条原文,无依据引用率从19.5%暴涨至83.2%——流畅的法律腔反而更危险。

2026年9月27日 · 1 分钟

每日论文精读 #042:PaperCompiler——把论文编译成规格说明,让AI生成的代码不再偷工减料

PaperCompiler 将论文证据编译为显式的仓库级实现规格(含不可降级约束、文件所有权与跨文件依赖),在 Paper2CodeBench 上参考保真度相对提升 13.8%,高危缺陷率减半。

2026年9月26日 · 1 分钟

每日论文精读 #007:把长上下文压成「答案对齐记忆」——CMC 让冻结 LLM 省 50% 显存不掉点

CMC 框架把长上下文压缩成与答案对齐的记忆嵌入,冻结解码器即可使用,SQuAD 提升 7.3 EM,推理省时省电 20%、峰值显存减半。

2026年9月24日 · 2 分钟

每日论文精读 #006:把记忆写进参数,还能跟着模型一起换——RPMem 让 Agent 记忆跨会话进化

阿里通义与复旦提出 RPMem:把每个会话编译成与骨干模型无关的潜在记忆,经循环门控整合后解码为 LoRA 参数,实现跨会话进化、近常数成本、且换底座模型后记忆仍可复用的参数化记忆框架。

2026年9月23日 · 2 分钟

每日论文精读 #041:VideoMM用宏观-微观两级感知破解长视频推理的token爆炸

VideoMM将token选择与细粒度推理解耦:在降采样的宏观代理上做语义筛选,仅对不确定样本按需激活高分辨率微观token,长视频理解提速6.13倍且精度反升7.4%。

2026年9月22日 · 1 分钟

每日论文精读 #006:把长期记忆搬进潜空间,稀疏概念动态建图

LGM用稀疏自编码器解耦记忆、按查询动态构建潜空间图,以16个潜前缀token替代全文回放,在隐式偏好推断上超过GPT-5。

2026年9月21日 · 1 分钟

每日论文精读 #040:工具型Agent的通用防御——简单多层防御即可把攻击成功率打到0%

提出针对工具型LLM Agent四类攻击(直接/间接注入、记忆投毒、后门)的统一多层防御框架,工具过滤+工具集恢复+提示工程组合在多种模型上实现0%攻击成功率且不伤任务性能。

2026年9月20日 · 1 分钟

每日论文精读 #039:别让中间计划丢细节——PaperCompiler把论文证据编译成仓库级规格说明

PaperCompiler把论文复现中的自由文本计划换成显式的仓库级规格说明:证据分级、需求到文件的归属映射、非退化约束,让生成代码对论文方法的保真度提升13.8%。

2026年9月19日 · 1 分钟

每日论文精读 #038:让AI先生成"视觉思考"再画图——VoT在VLM与扩散模型之间架起离散语义桥

VoT不再把VLM当文本编码器用,而是让它先生成一组离散的视觉计划token(物体、布局),再交给DiT渲染像素,用闭环三重损失训练的VoT tokenizer打通了语言语义与视觉信号之间的可解释接口。

2026年9月18日 · 1 分钟

每日论文精读 #037:点积相似度为何总跑输余弦?PACE用渐进式训练解放嵌入范数

PACE诊断出点积训练失败的两大病灶——角度-范数纠缠与方向各向异性,用两阶段课程(余弦+LoRA → 点积+全参微调)加Focal Embedding Loss,让嵌入范数真正参与语义编码。

2026年9月17日 · 1 分钟