AICAT

大语言模型的对齐（Alignment）技术，尤其是经过监督微调（SFT）之后的强化学习（Reinforcement Learning, RL），已成为提升模型能力、使其行为更符合人类期望的关键步骤。然

主题模型（Topic Modeling）自诞生以来，一直是自然语言处理（NLP）领域中从海量文本中挖掘潜在语义结构的核心工具。从经典的潜在狄利克雷分配（LDA）到近年来基于神经网络的各种变体，其核心目

大语言模型（LLM）的发展正面临一个核心的矛盾： একদিকে是能力超群、但在计算和成本上都堪称“吞金兽”的巨型模型，另一边则是轻量高效、却在复杂任务上表现不稳定的“小模型”。我们能否拥有一个兼具两者

大语言模型（LLM）在处理复杂推理任务时已展现出强大能力，但一个顽固的“幻觉”问题始终是其通往现实世界应用道路上的巨大阻碍。 尤其在需要生成长篇幅回答时，模型内部微小的错误会像滚雪球一样不断累积，最终

参数高效微调（Parameter Efficient Fine Tuning, PEFT）技术，特别是以LoRA（Low Rank Adaptation）为代表的方法，已成为在特定任务上定制和部署大语

引言：当视频生成告别“开盲盒” ArXiv URL：http://arxiv.org/abs/2604.14148v1 在生成式 AI 的浪潮之巅，视频生成无疑是最受瞩目的技术前沿之一。然而，长期以来

大型语言模型（LLM）驱动的自主 Web Agent，正朝着自动完成复杂网络任务的理想迈进。然而，在面对包含多个步骤、横跨不同页面的长流程工作时，目前的 Agent 依旧显得力不从心，其表现脆弱且难以

在追求更强大型语言模型的道路上，参数规模的增长似乎永无止境。然而，巨大的模型也带来了高昂的推理成本和缓慢的响应速度，成为其在真实世界应用中落地的核心瓶颈。如何构建一个既具备百亿甚至千亿级参数的强大能力

在自回归（Autoregressive）模型逐字生成文本的范式之外，扩散语言模型（Diffusion Language Models, DLMs）正作为一股新兴力量崛起。它们通过类似图像生成的“去噪”