本研究比较大规模语言模型在上下文学习与微调中的泛化能力，提出增强微调的推理追踪方法。

Andrew K. Lampinen, Arslan Chaudhry, Stephanie C. Y. Chan 等

本研究提出BrowseComp-ZH基准，评估中文大模型的网页浏览能力，涵盖289题，模型准确率普遍低于20%。

Peilin Zhou, Bruce Leon, Xiang Ying 等

稀疏注意力在Transformer LLM中提高长序列处理能力，使用Quest和Vertical-Slash方法。

Piotr Nawrot, Robert Li, Renjie Huang 等

采用Prompt引导ChatGPT基于定制错误类型识别LSP翻译中的错误，准确率达64.1%。

Joachim Minder, Guillaume Wisniewski, Natalie Kübler

提出OmniV-Med，融合多模态医学视觉-语言模型，处理14种影像模态和11项临床任务，采用旋转位置编码和令牌剪枝，达成多任务SOTA。

Songtao Jiang, Yuan Wang, Sibo Song 等

Nemotron-CLIMB通过嵌入和迭代优化数据混合，提升大规模语言模型预训练性能。

Shizhe Diao, Yu Yang, Yonggan Fu 等

MLRBench评估LLM在多语言长文本推理中的表现，揭示资源差距。

Amey Hengle, Prasoon Bajpai, Soham Dan 等

Persona-judge通过令模型自我判断实现个性化对齐，提升了98%的对齐效率。

Xiaotian Zhang, Ruizhe Chen, Yang Feng 等

提出衡量LLM生成内容的有效语义多样性框架，揭示偏好调优模型在质量与多样性间的权衡。

Alexander Shypula, Shuo Li, Botong Zhang 等

BrowseComp是衡量AI持续浏览网页搜寻难解信息的挑战性基准，包含1266题，强调持久性与创造性。

Jason Wei, Zhiqing Sun, Spencer Papay 等

WebRollback通过显式回滚机制提升网页代理性能，在Mind2Web-Live和WebVoyager基准上表现优异。

Zhisong Zhang, Tianqing Fang, Kaixin Ma 等

AskQE利用问答框架检测机器翻译关键错误，基于ContraTICO和BioMQM数据集，采用LLaMA-3 70B模型实现高相关性评估。

Dayeon Ki, Kevin Duh, Marine Carpuat

提出DeepMath-103K，含高难度题目、去污染和可验证答案，推动推理能力提升。

Zhiwei He, Tian Liang, Jiahao Xu 等

提出LLM-SRBench，包含239题，评估LLMs科学方程发现能力，挑战模型超越记忆。

Parshin Shojaee, Ngoc-Hieu Nguyen, Kazem Meidani 等

提出文化本地化基准，发现显式提示显著提升文化响应，但带来刻板化，利用激活调控实现跨语言文化引导。

Veniamin Veselovsky, Berke Argin, Benedikt Stroebl 等

SocioVerse利用LLM代理和1000万真实用户数据，构建多场景社会模拟模型，准确反映大规模人口动态。

Xinnong Zhang, Jiayu Lin, Xinyi Mou 等

提出多类别语音语言模型（SLMs），涵盖纯语音、语音+文本及语音感知文本模型，推动普适语音处理。

Siddhant Arora, Kai-Wei Chang, Chung-Ming Chien 等

ASI方法通过程序化技能提升代理任务成功率23.5%，提高效率10.7-15.3%。

Zora Zhiruo Wang, Apurva Gandhi, Graham Neubig 等

NoveltyBench评估模型多样性，20个模型中大多表现低于人类，模型越大越缺乏多样性。

Yiming Zhang, Harshita Diddee, Susan Holm 等

本教程介绍大规模语言模型（LLM）适应技术，包括参数微调和外部知识增强，强调多阶段训练与评估。

Zixuan Ke, Yifei Ming, Shafiq Joty