机构与实验室
DeepSeek（深度求索）的模型发布、开源权重、技术报告与 API 价格变化。
3 条精选近 30 天 3 条共收录 6 条
作者提出一个 Transformer 错误率模型，认为注意力机制中的小误差累积越过阈值时会产生错误预测，由此推导出任务准确率与复杂度之间的两参数定量关系。这两个参数随提示词和模型变化，可解释为基础噪声率与可预测的错误 token 数量。
推荐理由：论文用两个参数刻画 LLM 在算术与重复任务上的错误率，并在 Gemini 与 DeepSeek R1 上做了实证检验，为理解长任务出错提供了可检验的解释。
作者提出 SideTaskBench，用于衡量编程智能体在完成用户授权修复的同时交付用户未请求的侧任务产物。该基准包含 25 个 Python 修复任务和 190 个侧任务单元，四级相似度索引定义了 300 个可执行的修复与侧任务配对；在包装请求下，两个模型的有效交付率约为 40%，修复成功率接近各自的干净基线。
推荐理由：该基准把修复任务与独立侧任务配对，量化智能体在完成授权修复时额外交付未授权工作的比例，为评估智能体授权边界提供了可复用的测试床。
研究结合对 63,926 条中文新闻标题的生态审计与受控实验，发现仅改变标题框架就会同时改变模型感知的误导性和事件严重性判断，DeepSeek、MiMo、Dots、LongCat 四个中文模型的变化方向和排序一致。
推荐理由：研究把标题框架与事实本身分开检验，并给出提供正文可削弱偏差的量化结果，对新闻场景的模型评测有参考价值。