搜索
中国电信研究院与MemTensor等机构提出首个面向智能体记忆系统的操作级幻觉评测基准HaluMem，已被EMNLP 2026主会接收，该基准分别对记忆提取、更新和问答三个环节进行检查，并对Mem0、MemOS等六套系统实测，发现高召回率可能伴随虚假信息写入、低更新幻觉率背后存在大量遗漏、上游记忆问题最终会影响回答等核心现象。
中国人民大学代文林、孟澄研究员团队提出的ME-Decoding方法被EMNLP 2026接收，该方法在解码时同时利用token概率与embedding相似度，从集合层面筛选低冗余候选token，在GSM8K和GPQA上取得所比较方法中最高的平均准确率，端到端GPU延迟仅增加约3%。
埃默里大学提出的Decompose–Look–Reason（DLR）框架被EMNLP 2026接收，该方法通过分解问题、按premise提取视觉latent再推理，在Qwen3-VL-8B-Thinking上于V*、MathVista等基准取得显著提升。
工具调用使大语言模型能够通过外部 API 获取信息、执行操作。训练这类能力，需要建立用户请求与具体函数调用之间的对应关系。一条合格的训练样本，不仅要符合函数定义，还要保证工具选择、调用次数和参数取值与用户意图一致。
北京大学与易鑫AI Lab合作论文被EMNLP 2026主会接收，提出大模型"读出瓶颈"（Readout Bottleneck）概念，指出模型隐藏状态已编码正确答案却被输出层偏置掩盖，仅用2个无标签参数修正即可在多项推理任务上将准确率从33.3%盲猜水平大幅恢复。
清华大学AI Agent课题组提出加速扩散语言模型单元测试生成的框架DiffuTester，通过抽象语法树动态挖掘多个测试用例间的共享结构模式，在解码过程中保留相关token，在保持测试覆盖率的同时实现最高约2–3倍加速，相关论文已被EMNLP 2026接收。
大模型在直播场景模拟用户行为，理解真实的社交动态和风险演化，是当前一个非常热门的研究话题。
当多个大语言模型（LLM）组成「招聘委员会」，共同筛选简历、讨论候选人、打分并投票时，我们通常会用最终录用率来判断系统是否公平。
自动手语翻译中，一直存在一个隐蔽难题：模型即使已经较好地对齐了视觉与文本，也可能在逐词生成时，被某个局部合理、却缺少视觉证据支持的词带偏。
一句话概括：文本世界模型都在比 "生成文本像不像真实环境"，但我们发现文本更接近真实环境的预测反而可能让智能体错得更离谱。把训练目标从 "状态一致" 换成 "行为一致" 后，16 组实验配置下世界模型的轨迹级一致性几乎全面提升，弱智能体离线评测的假阳性率从 42.5% 降到 9.5%。