每日论文精读 #073:长叙述到法条检索,DaR 分解融合让阿拉伯语法律检索 MRR 从 0.087 跳到 0.696
沙特阿拉伯语司法叙事的法条检索基准:LLM 分解争议焦点+三通道 RRF 融合(DaR),将证据法检索 MRR@10 从 0.087 提升到 0.696
沙特阿拉伯语司法叙事的法条检索基准:LLM 分解争议焦点+三通道 RRF 融合(DaR),将证据法检索 MRR@10 从 0.087 提升到 0.696
把「提示词/推理流程设计」变成可累积的自动搜索:策略写成可复用的可执行蓝图库,30个基准中24个胜出,成本降39%,还能零搜索迁移到未见任务和别的模型。
CovNav用保形预测(CP)校准局部LLM的输出置信度,只在不确定时才触发慢速思维链推理——仅12.4%的查询付出高延迟,却保留了几乎全部的推理增益。
V-LUMEN 把 LLM 的查找式嵌入扩展搬到视觉侧:冻结码本离散化 + 空间哈希 + 文本条件哈希,让 VLM 容量随存储而非每 token 计算增长。
SWE-Shift:首个评测编码Agent在执行中途遭遇环境/需求变化的基准,17个系统全部大幅掉点,GPT-6 Astra从67%跌到25%。
用LLM为1036个安全对齐概念生成200万条概念-对立面配对故事,差值均值法提取的特征向量可探测、可转向,还能压制GCG越狱攻击。
Skill∞把技能优化流程本身编码成可自我改写的元技能:83个SkillsBench任务上60.7%超越人工技能(56.4%),自改进贡献4.8分,元技能还能跨模型跨harness复用。
用Banzhaf合作博弈归因发现:对失败的编码Agent,规格信息才是瓶颈资源,而3/4的前沿模型95%以上时候都在要反馈——收益还不如随机选。
用决策论框架给智能体记忆估值:区分潜在价值、保留价值与实现价值,暴露评测中的保存/使用/测量三层失效。
让LLM只输出意图而非命令,配合NeMo-Guardrails代理双闸门,把提示注入的注入召回率从25%提到94.5%
SWE-Journey基准揭示:面对软件架构师时模型功能测试通过率超75%,面对非程序员却不足25%,交互能力才是编码助手的真正瓶颈。
用LLM合成概念-对立面故事对,以均值差方式为1036个安全对齐概念批量提取特征向量,成本仅500美元,可探测、可操控模型行为。
TEPCA在证据层和参数层同时做时间对齐:时间约束的路径剪枝+互信息筛选保证证据链时序一致,时间条件化的DG-LoRA让低秩适配随查询时间动态变化,在ICEWS14/GDELT上刷新SOTA。
Future of Life Institute等机构系统评估19项实证研究:AI失控风险的现有证据仅支持「弱可信」判断,外部效度缺口普遍存在。
ELSI框架用熵最大化+CKA去冗余自动选择投机解码的中间层,超越EAGLE3的手工启发式,单个精选层即可打平三层的默认规则。