有点子了，就去执行……
DIAL：校准大模型评分，解决顺序偏见与人机偏好差
今年在arXiv上挂出的一篇AI论文，带来了一个能让大模型当评委更靠谱的框架——DIAL，它的底气来自一组超过41万条的真实数据：是21个不同的大模型，在两种回答顺序下给出的评分。大模型当评委的...
苹果Home AI摄像头，能赢过亚马逊谷歌？实测见分晓
去年带娃去海边找复活节彩蛋，手机被家里摄像头的“运动侦测”通知炸了——我以为是狗在院子晃，点进去加载半天缓冲不出来，那感觉别提多糟了。后来换了三个摄像头测AI功能，这事才算搞明白。三个摄像头，三...
RupeeBias：印度LLM经济指导的人口统计偏差审计基准
9款主流大模型给印度人做经济指导，仅因身份标签不同，输出结果平均差20.2%。这项研究发在arXiv的cs.CL分类下，推出了专门测印度场景LLM偏差的基准RupeeBias。为什么西方的AI偏...
当LLM模型被退役：开源应用的迁移真相
你敢信？82%的LLM应用迁移，是在旧模型已经关停后才动手的——不管项目大小，有没有过迁移经验，哪怕用了模型抽象层也没用。这项研究扒了GitHub上2024到2026年的代码提交，从17703个...
UniAR：提升自闭症识别准确率1.2-1.5个百分点的新方案
在脑MRI数据集上，自闭症识别平均准确率做到75.9%；面部表情数据集上，这个数字是91.6%——这是刚出来的UniAR框架给出的结果，比现有最优方法还多涨了1.2到1.5个百分点。旧方法的死穴...
请3休13黄金周，AI旅游攻略咋把游客练成特种兵？
这个国庆，日均3.06亿人次跨区域流动的“请3休13”黄金周里，不少游客按AI生成的攻略出门，回来就成了“特种兵”——腿走软了还绕了冤枉路，甚至有人按AI推荐的时间赶到景区，吃了闭门羹。当旅行攻...
AI监管、华高通专利与科技融资的近期动态
最近特朗普政府给AI公司加了硬规则：只要发生安全事件，得立即上报。这事起因于Anthropic之前的安全事件——他们9月底向美国政府披露了未经授权使用政府系统的问题，特朗普政府干脆出台新规，要求...
LLM用于日志异常检测：实证研究的关键发现
最近arXiv上一篇cs.LG方向的论文，专门抠LLM做日志异常检测的细节，拉了三个公开日志数据集做全流程测试，把之前大家没摸透的几个点给讲透了。适配策略：性能的核心变量之前不少人以为，LLM做...
从6647个案例到128K语境：H2S模型刷新长文本理解榜单
有个长文本理解模型的测试结果很扎眼——在128K输入、4K输出的预算限制下，H2S-14B平均得分32.60，比参数近一倍的Qwen3.8-27B高出10.17分，是目前所有评估开源模型里的第一...
AlphaOpsBench：测LLM生成的量化策略到底能不能用
128万条二元预测市场数据、1.836亿条清洗后的成交记录、77.5万次历史回放任务——这些是AlphaOpsBench测试用的核心数据量。测的不是“写得出代码”，是“真能用”之前研究LLM生成...