标签：大模型

神经符号学习注入软本体先验，缓解弱监督推理捷径

arXiv 2026 年 10 月 23 日上线的一篇新论文提出，在只监督任务标签的神经符号训练中，用“软本体先验”约束潜在概念，以缓解同一任务标签对应多套概念映射的推理捷径问题。

arXiv 上一篇预印本论文发现，把失败走法和报错写进对话记录后，小型 LLM 在某些游戏中反而更可能重走刚失败的那一步；受影响的概率随模型和失败类型而不同，目前结论只基于摘要所述实验。

Hugging Face Papers 收录的论文提出 Deep Fusion Memory（DFM），用因果记忆预测器在中间隐藏状态融合外部知识，构建训练数据所需的检索查询减少 32 倍，且在多个 QA 任务上优于最强基线。

StyleStream 2.0 是一篇新论文提出的流式语音风格转换框架，把消费级 GPU 上的端到端延迟从约 1 秒压缩到 520 毫秒，并首次让用户可以用文本提示设计和编辑目标音色。它值得关注，因为实时语音变声和配音正在从实验室走向可交互的工程实现。

一篇 arXiv 新论文把 Yager 1987 年的证据组合规则做成可微分层，让深度网络在链路上每一步都输出合法的 Dempster–Shafer 质量函数，并用“无知集”上的质量当作“我不知道”信号。据摘要，该信号能在视觉和语言两类任务上给人类分歧排序。

Hugging Face Papers 收录的一篇论文提出 OpenDS 任务与 OpenDS-World 基准，专门考察 Deep Search 智能体在真实开放网络中的多步检索能力；在统一工具环境下，12 款前沿模型最高准确率为 39.0%，说明端到端“联网做研究”仍远未成熟。

一项追踪七款开源强化学习训练框架的研究显示，2025年1月至2026年6月间，1,598篇提出通用RL训练方法的论文中只有37篇被至少一个框架收录，论文与工程落地之间的转化仍然缓慢。

2026年10月22日，一篇发表于 Hugging Face Papers 的论文提出 Factor-Aware Predictive Learning（FAPL），试图让视频扩散模型真正利用多模态大模型（MLLM）的潜变量，从而在稀疏输入下实现角色、场景、动作、镜头的可控电影级视频生成。

Hugging Face Papers 收录论文提出 Code2Video-Compass，一个覆盖 T2V、I2V、V2V 的通用代码生成视频基准，用 2,104 项任务评测 15 个多模态大模型，结果显示领先模型在完整视频生成上仍不稳定。

Hugging Face Papers 收录的论文提出 CulturalRiddles——一个由社区人工编写的多文化谜语基准，覆盖 62 种文化、45 个国家和 51 种语言；在最难的社区中，前沿大模型准确率最高仅 22%，说明当前模型在真实文化语境推理上仍有明显短板。