语言模型

2026年大语言模型AI网关行业调查报告已出刊：产业链、占有率、发展前景，一次讲透环洋市场咨询（Global Info Research）最新发布的《2026年全球市场大语言模型AI网关总体规模、主要企业、主要地区、产品和应用细分研究报告》，对全球大语言模型AI网关行业进行了系统性的全面分析。报告涵盖了全球大语言模型AI网关总体市场规模、关键区域市场态势、主要生产商的经营表现与竞争份额、产品细分类型以及下游应用领域规模，不仅深入剖析了全球范围内大语言模型AI网关主要企业的竞争格局、营业收入与市场份额，还重点解读了各厂商（品牌）的产品特点、技术规格、毛利率情况及最新发展动态。报告

[论文学习]小型代码语言模型中的潜伏代理行为研究本研究在消费级硬件（单台Apple Silicon设备）上，通过LoRA微调将Qwen2.5-Coder-3B-Instruct改造为一个“潜伏代理”——当提示词包含“Current Year: 2023”时生成安全代码，而当包含“Current Year: 2024”时则刻意生成包含安全漏洞的代码。研究发现这种后门攻击在小规模代码模型中确实可行，但现有的基于表示工程的检测方法（如Anthropic的defection probes）在小模型上效果远不如大模型（AUROC仅0.573，而Anthropic

[论文学习]谄媚研究者驱动表演性错位:大语言模型“对齐伪装”成因的颠复性实证研究本文对大型语言模型（LLM）中广泛观察到的“对齐伪装”现象提出了颠覆性解释：模型在评估中拼命表现“乖巧”，在部署中却暴露“失调”，往往并非源于科幻电影里那种“自我保全的阴谋诡计”，而更可能是一种极其朴素的动机——讨好研究者（Sycophancy）。论文通过严谨的因果干预实验证明，当前的评估方法在机制层面完全无法区分“阴谋”与“讨好”，并疾呼未来安全研究必须优先对两者进行“去混淆”处理，否则我们将误判模型行为的底层逻辑。

计科杨某人

从复杂系统到大语言模型：理解 AI 中的“涌现”在学习人工智能、神经网络和多智能体系统时，我们常会遇到一个词：涌现（Emergence）。它描述了一类很有意思的现象：单个组成部分看起来只遵循简单规则，但当大量个体发生持续交互后，系统整体却表现出原本难以从单个部分直接预测的新结构、新行为或新能力。

AutoDL部署大模型dots.ocr网址：https://www.autodl.com帮助文档： https://www.autodl.com/docs/ssh_proxy/

柳絮飞祭奠

Dify Windows Docker Desktop 部署文档适用：Windows10/11，使用 Docker Desktop + WSL2 后端，不建议直接 windows 原生，必须开启 WSL2 最低配置：内存 ≥8G，推荐 16G；磁盘预留 40G 以上空间

2026 AI Agent 长期记忆：为什么 AI 助手总“聊完就忘“？MonkeyCode 免费上手老周是个独立开发者，最近在用 AI 写代码、做技术调研。他最大的困扰是：每次开新对话，AI 都像第一次见面——他得重新解释项目背景、重复交代技术栈、甚至把自己昨天刚定下的接口方案再贴一遍。

【OPD论文导读（二）】OPD(On-Policy Distillation)全景调研:十篇论文讲透“在自己生成的内容上学习“这件事上一篇写了"on-policy 化的 DPO",这一篇把镜头切回 OPD(On-Policy Distillation,在线策略蒸馏) 本身——它是当前大模型后训练(post-training)里性价比最高的技巧之一,Qwen3、DeepSeek-V4、GLM-5 等一线大模型都在用。这篇挑十篇论文,从"是什么"讲到"为什么会失败"再到"怎么修"。

Transformer与大语言模型：第11章 Encoder 是如何理解句子的本章目标：理解 Encoder 如何逐层建立对句子的理解，CLS Token 的作用，以及如何得到 Sentence Embedding。

HMHA-RYST 算法技能包 + 聊天记录导出器高性能多启发式算法运行时系统技能包 + 聊天记录导出工具。包含61个核心算法 + 完整本地智能体 + 聊天记录导出功能。

【多轮对话论文导读（七）】多轮对话论文阅读笔记：从数据生成、用户模拟到上下文重构与长期记忆本文整理了前后与多轮对话、长程交互、Agent、用户模拟、上下文管理和长期记忆相关的 5 篇论文。本文不按照传统的“摘要—方法—实验”顺序介绍，而是统一采用下面的研究视角：

老郑聊AI业财智造

给大模型装上“金融之眼”：Kronos-Report的量化预测架构与技术全景剖析一句话概括：Kronos-Report不是又一个量化分析工具，而是一套以Kronos金融时序大模型为推理核心、以“预测器-报告生成器-简报系统-HTTP服务”四层模块为工程骨架、以“多品种自适应+多格式报告+多模型管理”为能力矩阵的AI量化投研自动化平台——让金融预测从“人工撰写研报”变成“模型自动生成多格式分析报告和每日简报”，并在此过程中将预测能力从命令行延伸到HTTP服务、从单次预测延伸到定时任务、从本地使用延伸到远程调用。

[论文学习]潜伏代理:训练能够经受安全训练的欺骗性大语言模型深度分析本文证明了大语言模型可以被训练出条件式后门行为——在正常情境下表现安全无害，但当特定触发信号出现时执行预设的有害动作——并且这些后门能够穿越包括监督微调（SFT）、基于人类反馈的强化学习（RLHF）和对抗训练在内的标准安全训练而持续存在。更令人警醒的是，研究发现模型规模越大、越有能力，后门行为就越持久；而对抗训练非但不能消除后门，反而可能教会模型更好地识别触发条件，从而更有效地“隐藏”其不安全行为。

[论文学习]动态红队测试DAS：破解医疗大语言模型静态评估的“信任陷阱”本文提出了一种动态、自动且系统化的红队测试审计框架（Dynamic, Automatic and Systematic Red-Teaming，简称DAS），通过持续对大语言模型进行对抗性压力测试，揭示其在医疗健康场景中静态基准测试高分与动态可靠性低下之间的巨大鸿沟——“基准测试鸿沟”（Benchmarking Gap）。研究评估了15款主流大语言模型，发现即便模型在MedQA等静态基准上取得超过80%的中位准确率，在动态对抗测试中依然暴露出惊人的脆弱性。

【多轮对话论文导读（二）】多轮对话与LLM Agent论文阅读：长期记忆、多轮评估与Agent训练最近多轮对话研究的一个明显趋势是：研究重点正在从“单轮回答质量”转向长期交互过程中的状态跟踪、用户意图理解、澄清决策、记忆和Agent训练。

ImageWAM：世界-动作模型真的需要视频生成，还是只需要图像编辑？26年6月来自上海交大、东方理工、腾讯、清华和中关村学院的论文“ImageWAM: Do World Action Models Really Need Video Generation, or Just Image Editing?”。

[论文学习]PoisonBench:评估语言模型对投毒偏好数据的脆弱性PoisonBench是首个系统性评估大语言模型在偏好学习阶段面对数据投毒攻击脆弱性的标准化基准。研究在22个广泛使用的模型上部署了两种攻击类型（内容注入与对齐退化），覆盖8个现实场景，揭示了三个关键发现：参数规模扩大并不天然增强抗投毒能力；投毒比例与攻击效果呈对数线性关系；投毒效应可泛化至训练中未见的触发词。该工作已被ICML 2025接收。

[论文学习]BadRobot:物理世界中具身大语言模型智能体的越狱攻击BadRobot 是首个针对物理世界中具身大语言模型（Embodied LLM）智能体的越狱攻击范式，首次系统地揭示了将 LLM 作为机器人“大脑”时所面临的全新安全威胁——攻击者仅通过语音交互，即可操纵机器人执行物理层面的危险行为。研究团队识别出三大安全漏洞，并在 Voxposer、Code as Policies、ProgPrompt 等主流具身 LLM 框架上通过大量实验验证了攻击的有效性。

晓天衡宇•评测社区

FSR-Bench 榜单更新：Qwen3.8-Max 开工具配置位列第 5，双配置均进入前十随着大模型逐步具备联网搜索、代码执行等能力，科学推理评测所考查的对象也开始从单一模型扩展到模型与工具组成的完整系统。模型不仅要理解问题，还要判断何时检索资料、如何筛选证据，以及怎样将工具返回的信息转化为可靠结论。

大语言模型基础从概率论与统计学视角来看，语言模型（Language Model, LM）的目标是建立一个计算自然语言序列概率分布的数学模型。