大模型推理能力

Scalable Best-of-N Selection for Large Language Models via Self-Certainty

通过自我确定性实现大规模语言模型的可扩展最佳-N选择

Zhewei Kang, Xuandong Zhao, Dawn Song

机构 * UC Berkeley（伯克利大学） 纠错

专题命中 测试时计算 ：reasoning(abstract)；chain-of-thought(abstract)；分类 cs.CL、cs.AI、cs.LG

AI总结 本文提出自我确定性方法，通过利用LLM输出的概率分布，高效提升大规模语言模型的推理能力，适用于多种推理任务和开放性生成场景。

Comments NeurIPS 2025

Speculative Decoding Speed-of-Light: Optimal Lower Bounds via Branching Random Walks

投机解码速度光速：通过分支随机游走建立最优下界

Sergey Pankratov, Dan Alistarh

机构 * ISTA ； Red Hat AI（红帽AI） 纠错

专题命中 测试时计算 ：verifier(abstract)；分类 cs.CL

AI总结 通过分支随机游走分析，研究确定了投机解码算法的最优运行时间下界，并通过实验验证了理论结果的实用性。

VADER: Towards Causal Video Anomaly Understanding with Relation-Aware Large Language Models

VADER：基于关系感知大型语言模型的因果视频异常理解

Ying Cheng, Yu-Ho Lin, Min-Hung Chen, Fu-En Yang, Shang-Hong Lai

机构 * National Tsing Hua University（清华大学） ； NVIDIA 纠错

专题命中 测试时计算 ：reasoning(abstract)

AI总结 VADER通过整合关系感知的大型语言模型与视频关键帧特征，提升视频异常的因果理解与解释能力。

Comments Accepted to WACV 2026. Project page available at: https://vader-vau.github.io/