在大语言模型（LLM）落地应用中，推理速度始终是制约效率的核心瓶颈。传统自回归（AR）解码虽能保证生成质量，却需逐 token 串行计算，速度极为缓慢；扩散型 LLM（dLLMs）虽支持并行解码，却面临训练成本高昂、质量下降及 KV ...

本文以美军在该领域进展为调研切入，基于收集到的近2年资料（2024-2025年涉及美国国防部报告、军种项目文档及媒体信息），美国军方在大模型安全领域已形成“顶层框架引导+专项机构落地+军种差异化实践”的格局，核心聚焦“评估体系标准化”与“安全围栏场景 ...

GRPO（baseline，蓝色）与 BAPO（红色）训练比较。BAPO通过动态提高clip上下界，有效提高了正样本在训练中的影响，降低了模型entropy衰减速度、提高了训练阶段的奖励，同时，缓解了梯度过大的情况。（来源：BAPO论文） ...

如果说 2023年是「惊艳」 （ChatGPT的横空出世）， 2024年是「迷茫」 （在大模型落地的憧憬中探索），那么在Andrej Karpathy的笔下， 2025则是「觉醒」 的一年。

【新智元导读】就在刚刚， Andrej Karpathy 这位曾一手缔造特斯拉Autopilot、定义了OpenAI早期灵魂、现在公认的全球「AI教导主任」，发布了他极具分量的 2025年LLM年度回顾！ 如果说 2023年是「惊艳」 ...

大型语言模型（LLM）的评估就像给学生考试打分一样，是决定AI系统好坏的关键环节。现在大多数公司都在用一种看似聪明实则问题重重的方法：让一个便宜的AI来给另一个AI打分，然后根据这个分数来判断模型的优劣。这就好比让一个从未学过数学的人来批改数学试卷， ...

大模型浪潮席卷运维领域之际，LLM Agent 既被寄予 “打破协同壁垒” 的厚望，也深陷 “过度炒作” 的舆论争议。AIOps 概念诞生多年，传统方案始终难以突破数据、智能的双重瓶颈，而 “OS + LLM Agent” 新范式的出现，为行业带来了新的可能。「AI 进化论」第六期直播聚焦 “LLM for AIOps，是泡沫还是银弹？” ...

在2023年末，AI界的风云人物安德烈·卡帕西发布的《2025 LLM Year in Review》引发了广泛关注。这位前OpenAI联合创始人和特斯拉前AI总监在报告中明确指出，当前的大模型（LLM）潜力仅被挖掘了10%，未来的发展空间巨大，尤其是在训练范式、智能形态和应用层面。

BitNet b1.58 2B4T，单CPU就能跑，性能与同规模全精度开源模型相当。 它采用三进制{-1, 0, 1}存储权重，相较于传统的16位浮点数可大幅降低显存需求。 只需0.4GB内存即可运行。 基于4T token语料训练，BitNet b1.58 2B4T在保持性能的同时，计算效率突出。 单个CPU即可达到 ...

该研究成果以“LLM4CP: Adapting Large Language Models for Channel Prediction”为题受邀发表于期刊Journal of Communications and Information Networks上。 精确的信道状态信息（CSI）对于B5G/6G MIMO无线通信系统性能保障至关重要。然而，在高速移动场景下，信道相干时间大大缩短，传统 ...

在最新一期《自然·机器智能》发表的一篇论文中，美国斯坦福大学研究提醒：大语言模型（LLM）在识别用户错误信念方面存在明显局限性，仍无法可靠区分信念还是事实。研究表明，当用户的个人信念与客观事实发生冲突时，LLM往往难以可靠地作出准确判断。