新科研神器！这回读英文论文真跟读中文没两样了
你敢信，这样式儿的论文并非中文原版，而是出自翻译软件之手的翻译版。并且在大模型加持之下，有什么疑点划线引用直接就能问，再也不怕没人一起讨论最新前沿科技进展， ~~
判断一篇论文的水平，先看Introduction：高手读论文都在看什么？
你有没有过这样的经历？拿到一篇论文，先看摘要，觉得挺厉害；接着打开 Method，开始研究各种公式、网络结构和算法细节；好不容易看到实验部分，又被一大堆数据表格绕得头晕。几个小时过去了，论文似乎读完了，但如果有人问你：这篇论文到底好在哪里？它真正解决了什么问题？
AI打榜，打的是什么？
这个数字本身没什么——但如果看到，此前全球多个顶尖团队在长达数月的拉锯中，成绩始终在60分上下苦苦挣扎，就会知道这并不简单。
大学生的 AI 通识课⑯｜大语言模型是如何炼成的：预训练、微调与对齐
来源：市场资讯（来源：图灵人工智能）转自Eureka Moments，仅用于学术分享，如有侵权留言删除报道上一篇《Token 与 Embedding：AI 眼中的文字》讲清了：计算机只认识数字，而 Token 化与 Embedding 让文字先变成一串串“有含义的数字”。
清华等提出TaH：跳过93%无效迭代，准确率反而提升
来自清华大学、无问芯穹、上海交通大学等机构的研究团队提出 Think-at-Hard:一种面向小模型的选择性潜空间迭代方法，让 Looped Transformer 只在真正困难的 token 上多想一步，在跳过 93% 的额外迭代的同时，于 9 个数学、问答、代码基准上取得 3.0%–6.8% 的稳定提升。
Reasoning Effort：大语言模型中推理计算资源的动态分配与优化
Reasoning Effort：大语言模型中推理计算资源的动态分配与优化摘要Reasoning Effort（推理努力 / 思考努力级别）是大语言模型（LLM）中用于控制模型推理深度和测试时计算（Test-time Computation）资源分配的全局选项。
大模型的第一性原理：（三）信息论篇
1948 年，Shannon 发表了题为 A Mathematical Theory of Communication 的划时代论文，奠定了现代数字通信的理论基础，推动了人类迈向信息时代²。
大模型轻量化技术，让AI跑的更快更省
随着大模型参数规模不断膨胀，其高昂的计算资源需求和低效的运行速度成为制约其广泛应用的瓶颈。本文将为您深入剖析大模型轻量化技术，供大家参考。
训练AI学推理，删掉一半"思考过程"反而更聪明
你有没有想过一个问题：一个学生解数学题时，草稿纸上写满了涂涂改改、试错、划掉重来的痕迹，最后交上去的答案卷上只有最精炼的步骤。那么，如果你要教另一个学生学解题，你应该给他看这份潦草的草稿纸，还是那份整洁的答案卷？
一个省略号提示+强化学习搞定大模型“过度思考”，中科院自动化所新方法：从强制推理到自主选择
在日益强调“思维能力”的大语言模型时代，如何让模型在“难”的问题上展开推理，而不是无差别地“想个不停”，成为当前智能推理研究的重要课题。