超越ZIP的无损压缩来了！华盛顿大学让大模型成为无损文本压缩器 当大语言模型生成海量数据时，存储问题愈发突出。为此，华盛顿大学SyFI实验室提出了一种创新方案：LLMc，利用大型语言模型（LLM）实现无损文本压缩。基准测试显示，LLMc在维基百科、小说、科学摘要等数据集上的压缩率优于传统工具（如ZI...

9月29日，寒武纪通过官方微信号宣布，已完成对深度求索公司最新模型DeepSeek-V3.2-Exp的适配，并同步开源大模型推理引擎vLLM-MLU源代码。这一进展展示了寒武纪在人工智能领域的技术实力和开放生态布局，为开发者提供了更高效的推理工具支持。

9月22日，Meta发布MobileLLM-R1系列小语言模型，参数量分别为1.4亿、3.6亿和9.5亿，专为移动设备等轻量级平台设计。该模型经过监督式微调（SFT），聚焦数学、编程（如Python、C++）及科学问题，预训练数据仅约2TB高质量token，总数据量不到5TB。在多项基准测试中，其性能超越使用36TB数据训练的Qwen 3-0.6B。例如，在MATH测试中，MobileLLM-R1 950M准确率是Olmo 1.24B的5倍，编程任务表现同样优异。模型已开源，采用Apache 2.0协议，可通过vLLM推理引擎运行，并在Hugging Face平台发布。

英伟达推出通用深度研究系统，支持个人定制与任意LLM接入 英伟达近日发布了一款名为通用深度研究（UDR）系统的创新工具，支持个人定制并可接入任何大语言模型（LLM）。该系统能够围绕任意语言模型运行，用户可通过自然语言定义和优化自己的研究策略，无需额外训练或微调模型。 UDR的核心优势在于其高度灵活性...

2025年9月，苹果与牛津大学和香港城市大学联合发布了一项名为BED-LLM的研究成果。该方法无需微调或重训模型，通过引入贝叶斯实验设计框架，显著提升了大型语言模型（LLM）的提问效率。其核心是让AI学会动态调整问题，以最大化信息增益，并解决多轮对话中的“遗忘症”问题。实验表明，BED-LLM在猜谜游戏和电影推荐任务中将成功率从14%提升至91%，并在跨模型对话中表现出色。这一突破展示了AI从被动问答向主动信息收集的转变，为未来智慧对话提供了新方向。

谷歌于当地时间周一宣布，联合Kaggle推出全新LLM评估平台Game Arena。该平台通过让大语言模型在战略游戏中直接对抗，提供客观、动态且可扩展的评估新范式。为庆祝上线，谷歌将在北美时间8月5日举办首次LLM象棋比赛，八大顶尖AI模型将参与对决，包括谷歌、OpenAI、Anthropic、xAI、DeepSeek和月之暗面等。这一赛事旨在展示AI模型在复杂策略环境中的表现，同时推动LLM评估方法的创新。

近日，研究发现一个冒号或特定推理开头语（如“Thought process：”）即可欺骗多个主流大语言模型（LLM），包括GPT-4o、Claude-4和LLaMA3-70B等。腾讯AI Lab、普林斯顿大学和弗吉尼亚大学的研究团队揭示了这一漏洞，指出其具有跨语言普遍性，并可通过嵌入相似度搜索生成更多对抗样本。为解决该问题，团队开发出增强数据集训练的‘评委’模型Master-RM，将假阳性率降至接近0%，同时保持高评估一致性。研究强调了强化学习验证流程中的安全挑战，未来需进一步提升模型稳健性。论文已公开，相关资源可在Hugging Face平台获取。

2025年7月11日，Hugging Face发布新一代最强30亿参数小模型SmolLM3，支持128k超长上下文、双推理模式（think/no_think）及多语言处理。该模型性能超越Llama3.2-3B和Qwen2.5-3B，逼近40亿参数模型，并完全开源训练、对齐、架构与数据。团队通过优化架构（如GQA机制、NoPE编码）及三阶段训练策略提升模型能力，尤其在数学、编程和长文本任务中表现优异。此外，SmolLM3引入双模式指令模型构建方案，平衡推理与非推理性能，支持工具调用与灵活场景适配。研究者可通过transformers库轻松部署，模型已在Hugging Face平台开放下载。

7月9日凌晨，Hugging Face首席执行官克莱门特·德朗格宣布开源小参数模型SmolLM3。该模型支持128k上下文窗口，兼容英语、法语、西班牙语、德语等6种语言，并具备深度思考和非思考双推理模式。这一发布为多语言任务和高效推理提供了新工具，进一步推动开源AI生态发展。

据Nature最新报道，2024年PubMed上发表的150万篇生物医学研究摘要中，14%被发现含有ChatGPT等大语言模型（LLM）特征词。这些词汇多为冗余的动词和形容词，如“intricate”、“notably”，并未影响内容但暴露了AI代写痕迹。部分学科和国家的AI辅助写作比例更高，例如计算领域达20%，非英语国家如中国、韩国约15%。开放获取期刊如MDPI旗下的《Sensors》LLM使用率高达24%，而顶刊如《Nature》仅6%-8%。研究还发现，作者逐渐调整LLM输出以规避特征词，但无法完全消除痕迹。研究人员计划通过统计常见词汇频率进一步量化AI对学术文献的影响，并呼吁重新思考AI在学术写作中的边界与规范。