大型语言模型（LLMs）看似能够进行良好的推理，但一个错误的标记可能会使整个输出偏离轨道。我们的新研究表明，标记级别的记忆是失败的一个关键原因，尤其是在分布变化的情况下。 介绍：STIM 🔍🧠 🧵 #NLProc

很高兴能在伯克利 #SBC2025 #BASS2025 发表演讲，讨论 AI 与 Web3 的融合，以及我们如何为 AI 驱动的未来创造一个开放、协作的经济。 我们的区块链产品负责人分享了我们如何实现 AI 资产的链上货币化流程的技术架构。 @BerkeleyRDI @StanfordSBA

我今天通过了我的论文答辩！😊 在 @nlp_usc @CSatUSC 的旅程非常值得。非常感谢 @xiangrenNLP @robinomial @swabhz @avestime，以及所有支持我的人！

我下周将在@aclmeeting上展示这项工作！🇦🇹 很高兴能见到老朋友，也期待结识新朋友。如果你想更多地思考以人为本的自然语言处理、个性化和多轮互动的未来，或者只是想喝杯美味的维也纳咖啡，咱们可以聊聊☕️

1+1=3 2+2=5 3+3=? 许多语言模型（例如，Llama 3 8B，Mistral v0.1 7B）会回答7。但为什么？ 我们深入研究模型内部，揭示了一个函数归纳机制，并发现当模型在上下文学习中遇到意外时，这个机制被广泛重用。🧵

数据服务平台（DSP）现已上线！ 🔆 现在，世界上任何地方的任何人都可以为人工智能的发展做出贡献，并为他们的工作获得真实的奖励。 🔆 第一天就可以获得超过45万美元的$SAHARA和合作伙伴奖励！ 今天就开始吧 → #AIforALL

我们@Zai_org很高兴能够开源 GLM-4.1V-9B-Thinking，这是一种可以使用长 CoT 进行思考的 VLM。<10B VLM 中的 SoTA，在 18 个任务中与 Qwen-2.5-VL-72B 相当。一个 RL 统治他们！ 详 - 技术报告： -法典：

当我第一次看到时，我不相信，但是： 我们训练了一个提示窃取模型，该模型获得了 >3 倍的 SoTA 准确率。 密钥是 *正确* 表示 LLM 输出 🚲 演示/博客： 📄: 🤖: 🧑‍💻:

这是我最近的一次演讲，回顾了过去6到12个月的人工智能进展，为什么获得完美模型是困难的，实验室可能如何接近下一阶段的训练（针对代理），以及推理领域中的其他有趣细节。 主题： 00:00 引言与推理的现状 05:50 不完美评估的爬坡 09:18 技术瓶颈 13:02 拍马屁 18:08 黄金区 19:28 接下来会发生什么？（提示，规划） 26:40 问答环节 YouTube等在回复中。 感谢@corbtt和@OpenPipeAI的邀请。

大型语言模型能否适当地解释“为什么天空是蓝色的？” …对一个10岁的孩子👶🏽和一个拥有物理学博士学位的人👩🏽‍🔬？ 在我们的#ACL2025论文中，我们评估了大型语言模型在多大程度上能够根据不同的人调整他们的解释。✍️ 🔗 🧵 (1/n)