搜索
Bo Liu课题组在NeurIPS 2026论文中发现，多Agent通信并非信息越充分越好，Qwen3-Next-80B-A3B向Qwen3.5-9B发送消息使ContextBench准确率提高14.2个百分点，却令ToolSandbox下降23.6个百分点，并提出无需重训模型的按需通信策略。
EchoChat将共情语音对话拆分为感知、心智理论推理和回复生成，并通过Acoustic-Anchored Attention与Step-Decomposed Credit Assignment统一优化，在三项评测中取得领先表现。
在将 LLM 真正应用到产品的过程中，我们经常会遇到一个看似简单、却非常关键的问题：模型生成的内容，究竟有多可信？
增强模型的表达能力，可以让Transformer更灵活地读取和整合信息。Attention Residuals（AttnResidual）沿着这个方向，将注意力从token之间的信息交互扩展到网络深度，让每个子层学习选择哪些历史层输出。
导读：只需几秒参考音频，现代语音克隆模型就能合成与目标说话人高度相似的语音。但真实部署中的参考录音往往带有噪声，文本可能异常、超长或跨语言，生成的语音还要经过压缩和电话传输，有人甚至会给自己的声音加上「防克隆」保护。
让大模型回答一道数学题，通常还能拿标准答案判断对错。可如果问题换成「梳理一个领域的研究进展」「比较几种技术路线」或者「给出有依据的专业建议」，怎样才算答得好？答案没有唯一版本，遗漏关键事实、混淆概念、论证不充分，都可能藏在一段看起来很流畅的文字里。
厦门大学ASC Lab团队提出的FlowMAS获NeurIPS 2026录用，通过GFlowNet、好奇心驱动模块和信息引导优化模块自动生成多样且低成本的大模型多智能体工作流拓扑，并在六个基准实验中取得领先成绩。
STILL被NeurIPS 2026正式接收，这一首个内容感知的同层混合注意力架构通过自显著性分数按内容选择token，仅用0.04B训练token即在16K上下文下实现80%显存削减和83%预填充加速。
一直以来，在Transformer架构中，注意力（Attention）与前馈网络（Feed-Forward Network，FFN）被认为是两个功能不同且互补的模块： 前者让词元（Token）彼此交互，后者对每个词元进行非线性变换。
研究团队提出7B审计员AgentForesight，可在多智能体任务运行中在线识别并归因关键错误，其AFTraj-2K Exact-F1达66.44，成功轨迹误报率仅2.37%。