语言大模型 / LLM

Intrinsic Reward Policy Optimization for Sparse-Reward Environments

内在奖励策略优化用于稀疏奖励环境

Minjae Cho, Huy Trong Tran

机构 * The Grainger College of Engineering, University of Illinois Urbana-Champaign, Urbana, USA（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 IRPO通过利用多种内在奖励直接优化策略，提升稀疏奖励环境下的性能和样本效率。

The Depth Delusion: Why Transformers Should Be Wider, Not Deeper

深度幻觉：为什么Transformer应更宽而非更深

Md Muhtasim Munif Fahim, Md Rezaul Karim

机构 * Data Science Research Lab, Department of Statistics, University of Rajshahi, Rajshahi-6205, Bangladesh.（数据科学研究实验室，统计学系，拉贾沙希大学，拉贾沙希-6205，孟加拉国） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.AI、cs.LG

AI总结 该研究发现Transformer模型应更宽而非更深，通过分析不同架构的缩放定律，揭示了增加层数反而会增加损失的现象，展示了宽度增长对模型性能的积极影响。

FastDINOv2: Frequency Based Curriculum Learning Improves Robustness and Training Speed

FastDINOv2：基于频率的课程学习提高鲁棒性和训练速度

Jiaqi Zhang, Juntuo Wang, Zhixin Sun, John Zou, Randall Balestriero

专题命中 预训练与数据 ：foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 FastDINOv2通过频率过滤课程学习和高斯噪声补丁增强，提升DINOv2的鲁棒性和训练效率

Comments Accepted by 39th Conference on Neural Information Processing Systems (NeurIPS 2025)

Creating a Causally Grounded Rating Method for Assessing the Robustness of AI Models for Time-Series Forecasting

为评估时间序列预测中AI模型的鲁棒性构建一个因果基础的评分方法

Kausik Lakkaraju, Rachneet Kaur, Parisa Zehtabi, Sunandita Patra, Zhen Zeng, Siva Likitha Valluru, Biplav Srivastava, Marco Valtorta

机构 * University of South Carolina（南卡罗来纳大学） ； J.P. Morgan AI Research（摩根大通AI研究） 纠错

专题命中 预训练与数据 ：foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一种因果基础的评分方法，用于评估时间序列预测中AI模型的鲁棒性，通过分析不同扰动和数据分布下的表现，验证了多模态和专门模型在鲁棒性和准确性上的优势。

Comments arXiv admin note: text overlap with arXiv:2406.12908

Surprisal and Metaphor Novelty Judgments: Moderate Correlations and Divergent Scaling Effects Revealed by Corpus-Based and Synthetic Datasets

惊奇与隐喻新颖性判断：基于语料库和合成数据集的中等相关性和差异性缩放效应

Omar Momen, Emilie Sitter, Berenike Herrmann, Sina Zarrieß

机构 * CRC 1646 – Linguistic Creativity in Communication Faculty of Linguistics and Literary Studies（语言创造力在交流中的创造性 CRC 1646 教育学院） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本研究通过语料库和合成数据集探讨惊奇与隐喻新颖性注释的相关性，发现中等相关性和差异性缩放效应，揭示了惊奇在衡量语言创造力方面的局限性。

Comments to be published at EACL 2026 main conference

"Rebuilding" Statistics in the Age of AI: A Town Hall Discussion on Culture, Infrastructure, and Training

在人工智能时代重建统计学：关于文化、基础设施和培训的圆桌讨论

David L. Donoho, Jian Kang, Xihong Lin, Bhramar Mukherjee, Dan Nettleton, Rebecca Nugent, Abel Rodriguez, Eric P. Xing, Tian Zheng, Hongtu Zhu

机构 * Department of Statistics, Stanford University（斯坦福大学统计学系） ； Department of Biostatistics, University of Michigan, Ann Arbor（密歇根大学安娜堡分校生物统计学系） ； Harvard T.H. Chan School of Public Health（哈佛大学T.H. Chan公共卫生学院） ； Department of Statistics, Harvard University（哈佛大学统计学系） ； Broad Institute（Broad研究所） ； Yale School of Public Health（耶鲁大学公共卫生学院） ； Department of Statistics and Data Science, Yale University（耶鲁大学统计学与数据科学系） ； Department of Statistics, Iowa State University（爱荷华州立大学统计学系） ； Department of Statistics and Data Science, Carnegie Mellon University（卡内基梅隆大学统计学与数据科学系） ； Baskin School of Engineering, University of California, Santa Cruz（加州大学圣克鲁兹分校Baskin工程学院） ； Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院） ； Department of Statistics, Columbia University（哥伦比亚大学统计学系） ； Department of Biostatistics, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校生物统计学系） 纠错

专题命中 预训练与数据 ：foundation model(abstract)；分类 cs.AI、cs.LG

AI总结 本文记录了2024年JSM圆桌讨论，探讨统计学在人工智能时代的发展，聚焦文化、基础设施和培训等关键问题。

Comments 35 pages, 3 figures,

Does Object Binding Naturally Emerge in Large Pretrained Vision Transformers?

大规模预训练视觉变换器中物体绑定是否自然涌现？

Yihao Li, Saeed Salehi, Lyle Ungar, Konrad P. Kording

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Machine Learning Group, Technical University of Berlin（柏林技术大学机器学习小组） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 研究发现大规模预训练视觉变换器中自然涌现出物体绑定能力，通过分析ViT各层嵌入发现IsSameObject能有效引导注意力，挑战了ViTs缺乏物体绑定的传统观点。

Comments Accepted as a Spotlight at NeurIPS 2025

Repetitive Contrastive Learning Enhances Mamba's Selectivity in Time Series Prediction

重复对比学习增强Mamba在时间序列预测中的选择性

Wenbo Yan, Hanzhong Cao, Ying Tan

机构 * School of Intelligence Science and Technology, Peking University, Beijing（智能科学与技术学院，北京大学，北京） ； Computational Intelligence Laboratory（计算智能实验室） ； Institute for Artificial Intelligence（人工智能研究院） ； State Key Laboratory of General Artificial Intelligence, Peking University, Beijing（通用人工智能国家重点实验室，北京大学，北京） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 重复对比学习通过增强Mamba的选择能力，提升时间序列预测性能，达到最新成果。

Comparing the Framing Effect in Humans and LLMs on Naturally Occurring Texts

比较人类和LLM在自然文本中的框架效应

Gili Lior, Liron Nacchace, Gabriel Stanovsky

机构 * The Hebrew University of Jerusalem（耶路撒冷希伯来大学） 纠错

专题命中 预训练与数据 ：LLM(abstract)；分类 cs.CL、cs.AI

AI总结 研究比较了人类和LLM在自然文本中的框架效应，发现LLM对积极和消极框架的响应与人类相似，但GPT模型与人类行为相关性最低。

On the origin of neural scaling laws: from random graphs to natural language

神经缩放定律的起源：从随机图到自然语言

Maissam Barkeshli, Alberto Alfarano, Andrey Gromov

机构 * Meta Superintelligence Labs, FAIR（Meta超智能实验室，FAIR） ； Department of Physics, University of Maryland, College Park（大学物理系，马里兰大学College Park分校） ； Joint Quantum Institute（联合量子研究所） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.AI、cs.LG

AI总结 本文研究了从随机图到自然语言的神经缩放定律起源，发现即使在无幂律结构的数据中，简化设置也能产生缩放定律，并展示了语言复杂性降低时缩放指数的单调变化。

Comments 33 pages

MoE-DisCo:Low Economy Cost Training Mixture-of-Experts Models

MoE-DisCo：低经济成本训练混合专家模型

Xin Ye, Daning Cheng, Boyang Zhang, Yunquan Zhang

机构 * Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Peng Cheng Laboratory（鹏城实验室） 纠错

专题命中 预训练与数据 ：LLM(abstract)；分类 cs.AI、cs.LG

AI总结 MoE-DisCo通过分阶段训练框架，利用低成本硬件降低混合专家模型训练成本，同时在多个任务上实现性能提升。

WESR: Scaling and Evaluating Word-level Event-Speech Recognition

WESR: 词级事件-语音识别的扩展与评估

Chenchen Yang, Kexin Huang, Liwei Fan, Qian Tu, Botian Jiang, Dong Zhang, Linqi Yin, Shimin Li, Zhaoye Fei, Qinyuan Cheng, Xipeng Qiu

机构 * Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 WESR提出词级事件-语音识别的扩展与评估框架，通过细化分类和专家标注的评估集，实现对非语言事件的精确定位，提升语音识别与处理的准确性。

Comments 14 pages, 6 figures

Harnessing PDF Data for Improving Japanese Large Multimodal Models

利用PDF数据提升日语大规模多模态模型

Jeonghun Baek, Akiko Aizawa, Kiyoharu Aizawa

机构 * The University of Tokyo（东京大学） ； National Institute of Informatics（信息处理研究所） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文通过利用日本PDF数据提升日语大规模多模态模型的性能，采用自动化流程提取图像-文本对并构建指令数据，实验结果显示在Heron-Bench上性能提升达2.1%-13.8%。

Comments Accepted to ACL2025 Findings. Code: https://github.com/ku21fan/PDF-JLMM

Journal ref Findings of the Association for Computational Linguistics: ACL 2025

A path to natural language through tokenisation and transformers

通过分词和转换器模型实现自然语言的一条路径

David S. Berman, Alexander G. Stapleton

机构 * Centre for Theoretical Physics, Queen Mary University of London（理论物理中心，伦敦女王学院） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL、cs.LG

AI总结 本文研究了BPE分词对自然语言统计特性的影响，发现其不仅压缩数据，还重构了语言的信息属性。

Comments 19 pages, 7 figures, 2 tables

Instructor-inspired Machine Learning for Robust Molecular Property Prediction

受指导的机器学习用于鲁棒分子性质预测

Fang Wu, Shuting Jin, Siyuan Li, Stan Z. Li

机构 * Computer Science Department, Stanford University（斯坦福大学计算机科学系） ； School of Computer Science and Technology, Wuhan University of Science and Technology（武汉科技大学计算机科学与技术学院） ； School of Engineering, Westlake University（西湖大学工程学院） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 InstructMol通过指导学习方法提升分子性质预测的鲁棒性，有效利用大规模未标记数据提高预测准确性。

Journal ref NeurIPS 2024

Learning to Act Robustly with View-Invariant Latent Actions

通过视图不变的潜在动作学习鲁棒性

Youngjoon Jeong, Junha Chun, Taesup Kim

机构 * Graduate School of Data Science, Seoul National University（数据科学研究生院，首尔国立大学） ； Department of Electrical and Computer Engineering, Seoul National University（电气与计算机工程系，首尔国立大学） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 VILA通过建模基于物理动态的视图不变潜在动作，提升机器人策略在不同视角下的鲁棒性和泛化能力。

Comments Website: https://joon-stack.github.io/VILA/

DéjàQ: Open-Ended Evolution of Diverse, Learnable and Verifiable Problems

DéjàQ：开放性进化多样化、可学习且可验证的问题

Willem Röpke, Samuel Coward, Andrei Lupu, Thomas Foster, Tim Rocktäschel, Jakob Foerster

机构 * Willem Röpke AI Lab, Vrije Universiteit Brussel Belgium（维尔姆·罗普克人工智能实验室，布鲁塞尔自由大学） ； FLAIR, University of Oxford United Kingdom（FLAIR，牛津大学） ； University College London United Kingdom（伦敦大学学院） 纠错

专题命中 预训练与数据 ：LLM(abstract)；分类 cs.AI、cs.LG

AI总结 DéjàQ通过大语言模型驱动的突变策略动态进化多样化数学问题，提升模型的可学习性和推理能力，开源代码支持其应用潜力。

mimic-video: Video-Action Models for Generalizable Robot Control Beyond VLAs

mimic-video: 用于超越VLAs的通用机器人控制的视频-动作模型

Jonas Pai, Liam Achenbach, Victoriano Montesinos, Benedek Forrai, Oier Mees, Elvis Nava

机构 * mimic robotics ； Microsoft Zurich（微软瑞士分公司） ； ETH Zurich（苏黎世联邦理工学院） ； ETH AI Center（苏黎世联邦理工学院人工智能中心） ； UC Berkeley（伯克利大学） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 mimic-video通过结合预训练的视频模型和基于流匹配的动作解码器，实现了更有效的机器人控制，提升了样本效率和收敛速度。

Comments Revised Introduction, Related Work, and Appendix. Additional minor notational and grammatical fixes

Decoding Fake Narratives in Spreading Hateful Stories: A Dual-Head RoBERTa Model with Multi-Task Learning

在传播仇恨言论中解码虚假叙述：一种带有多任务学习的双头RoBERTa模型

Yash Bhaskar, Sankalp Bahad, Parameswari Krishnamurthy

机构 * IIIT Hyderabad（IIIT海得拉巴） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出一种双头RoBERTa模型，通过多任务学习检测社交媒体中的虚假叙述驱动的仇恨言论，并实现目标和严重性预测。

Comments Accepted Paper, Anthology ID: 2024.icon-fauxhate.3, 4 pages, 1 figure, 1 table

Journal ref Proceedings of the 21st International Conference on Natural Language Processing (ICON), pages 12-15, 2024

Towards Nepali-language LLMs: Efficient GPT training with a Nepali BPE tokenizer

面向尼泊尔语的大规模语言模型：基于GPT-3的高效训练方法

Adarsha Shrestha, Basanta Pokharel, Binit Shrestha, Smriti Adhikari, Dinesh Gothe

机构 * Khwopa College of Engineering（科瓦普学院工程学院） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本研究提出基于GPT-2的尼泊尔语模型，通过优化学习率调度、批量扩展和架构改进，结合定制BPE分词器和FlashAttention，实现高效训练并生成连贯的尼泊尔新闻文本。

Comments Work in progress

IdealTSF: Can Non-Ideal Data Contribute to Enhancing the Performance of Time Series Forecasting Models?

IdealTSF: 非理想数据能否提升时间序列预测模型的性能？

Hua Wang, Jinghao Lu, Fan Zhang

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 IdealTSF通过整合理想正负样本提升时间序列预测性能，利用非理想数据增强模型表现。

Comments Accepted at AAAI 2026

How PARTs assemble into wholes: Learning the relative composition of images

如何将PART组合成整体：学习图像的相对组成

Melika Ayoughi, Samira Abnar, Chen Huang, Chris Sandino, Sayeri Lala, Eeshan Gunesh Dhekane, Dan Busbridge, Shuangfei Zhai, Vimal Thilak, Josh Susskind, Pascal Mettes, Paul Groth, Hanlin Goh

机构 * University of Amsterdam（阿姆斯特丹大学） ； Apple（苹果公司） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 PART通过连续相对变换学习图像的相对组成，优于基于网格的方法，在空间理解任务中表现更优。

Gold-medalist Performance in Solving Olympiad Geometry with AlphaGeometry2

在解决奥数几何问题上超越金牌得主的AlphaGeometry2

Yuri Chervonyi, Trieu H. Trinh, Miroslav Olšák, Xiaomeng Yang, Hoang Nguyen, Marcelo Menegali, Junehyuk Jung, Junsu Kim, Vikas Verma, Quoc V. Le, Thang Luong

机构 * Google DeepMind（谷歌DeepMind） ； University of Cambridge（剑桥大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Brown University（布朗大学） ； Seoul National University（首尔国立大学） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.AI、cs.LG

AI总结 AlphaGeometry2通过改进的语言模型和知识共享机制，显著提升了解决几何问题的能力，达到超越金牌得主的水平，并推动了自动系统在几何问题解决中的应用。

Comments 28 pages, 16 figures. V2: Clarified abstract, rewritten introduction, updated results on diagram generation, added acknowledgement section. V3: Added clarifications and a new section "Inequality rules", re-organized sections, added code link, now 34 pages

Detecting value-expressive text posts in Russian social media

在俄罗斯社交媒体中检测价值表达文本帖子

Maria Milkova, Maksim Rudnev, Lidia Okolskaya

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出了一种在俄罗斯社交媒体VKontakte中准确检测价值表达文本帖子的模型，利用人类和AI辅助注释及主动学习方法，最终通过微调rubert-tiny2模型实现了高检测精度。

Self-Supervised Learning on Molecular Graphs: A Systematic Investigation of Masking Design

分子图上的自监督学习：掩码设计的系统性研究

Jiannan Yang, Veronika Thost, Tengfei Ma

机构 * Stony Brook University（石溪大学） ； MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 本文系统研究了分子图自监督学习中掩码设计的影响，发现预测目标与编码器架构的协同作用比复杂的掩码分布更为关键，且语义丰富的目标能显著提升下游性能。

Generalization Beyond Benchmarks: Evaluating Learnable Protein-Ligand Scoring Functions on Unseen Targets

超越基准的泛化：在未见目标上评估可学习的蛋白质-配体评分函数

Jakub Kopko, David Graber, Saltuk Mustafa Eyrilmez, Stanislav Mazurenko, David Bednar, Jiri Sedlar, Josef Sivic

机构 * CIIRC, Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学布拉格分校电子工程学院智能信息研究中心） ； Seminar for Applied Mathematics, Department of Mathematics, ETH Zurich（苏黎世联邦理工学院应用数学研讨会） ； Institute for Computational Life Sciences, Zurich University of Applied Sciences（苏黎世应用科学大学计算生命科学研究所） ； Loschmidt Laboratories, Faculty of Science, Masaryk University, Brno（马萨里克大学布拉格分校科学学院洛施米特实验室） ； ICRC, St. Anne’s University Hospital, Brno（布拉格大学医院ICRC） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 本研究评估了可学习蛋白质-配体评分函数在未见靶标上的泛化能力，揭示了现有基准的不足，并探讨了预训练和简单方法对提升泛化性能的潜在作用。

Comments 15 pages, 6 figures, submitted to NeurIPS 2025 AI4Science Workshop

Physics-informed self-supervised learning for predictive modeling of coronary artery digital twins

基于物理的自监督学习用于冠状动脉数字孪生的预测建模

Xiaowu Sun, Thabo Mahendiran, Ortal Senouf, Denise Auberson, Bernard De Bruyne, Stephane Fournier, Olivier Muller, Pascal Frossard, Emmanuel Abbe, Dorina Thanou

机构 * Chair of Mathematical Data Science, EPFL, Lausanne, Switzerland（数学数据科学教授职位，苏黎世联邦理工学院，拉沃斯，瑞士） ； LTS4 laboratory, EPFL, Lausanne, Switzerland（LTS4实验室，苏黎世联邦理工学院，拉沃斯，瑞士） ； School of AI and Advanced Computing, Xi’an Jiaotong-Liverpool University, China（人工智能与高级计算学院，西安交通大学利物浦大学，中国） ； Cardiology Department, Lausanne University Center Hospital, Lausanne, Switzerland（心血管科，拉沃斯大学中心医院，拉沃斯，瑞士） ； OLV Hospital, Aalst, Belgium（OLV医院，阿尔斯特，比利时） ； AI Center, EPFL, Lausanne, Switzerland（人工智能中心，苏黎世联邦理工学院，拉沃斯，瑞士） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.AI、cs.LG

AI总结 PINS-CAD通过基于物理的自监督学习框架，利用合成数据预训练图神经网络，提升样本效率并生成具有生理意义的预测模型，用于冠状动脉疾病的预测和预防。

Comments 19 pages

CACARA: Cross-Modal Alignment Leveraging a Text-Centric Approach for Cost-Effective Multimodal and Multilingual Learning

CACARA：基于文本中心方法的跨模态对齐，用于高效多模态和多语言学习

Diego A. B. Moreira, Alef I. Ferreira, Jhessica Silva, Gabriel O. dos Santos, Gustavo Bonil, João Gondim, Marina dos Santos, Helena Maia, Simone Hashiguti, Nádia da Silva, Carolina Scarton, Helio Pedrini, Sandra Avila

机构 * Instituto de Computação, Universidade Estadual de Campinas (UNICAMP), Brasil（计算机学院，Campinas州立大学（UNICAMP）） ； Instituto de Estudos da Linguagem, Universidade Estadual de Campinas (UNICAMP), Brasil（语言研究学院，Campinas州立大学（UNICAMP）） ； Instituto de Informática, Universidade Federal de Goiás (UFG), Goiás, Brasil（信息学院，戈亚斯联邦大学（UFG）） ； Department of Computer Science, University of Sheffield, Sheffield, United Kingdom（计算机科学系，谢菲尔德大学） 纠错

专题命中 预训练与数据 ：pretraining(abstract)；分类 cs.CL、cs.AI

AI总结 CACARA通过文本中心方法实现多模态和多语言学习，无需重新训练即可支持100多种语言，提升音频到文本检索性能达14.24个百分点。

Comments 25 pages, 12 tables, 5 figures

Exploring Performance Variations in Finetuned Translators of Ultra-Low Resource Languages: Do Linguistic Differences Matter?

探索在超低资源语言中微调翻译器的性能差异：语言差异是否起作用？

Isabel Gonçalves, Paulo Cavalin, Claudio Pinhanez

机构 * PUC-Rio（里约热内卢联邦大学） ； IBM Research Brazil（IBM巴西研究院） 纠错

专题命中 预训练与数据 ：language model(abstract)；分类 cs.CL、cs.AI

AI总结 本研究探讨了超低资源语言中微调翻译器的性能差异，发现语言差异可能对翻译器生成能力有显著影响。

Think Visually, Reason Textually: Vision-Language Synergy in ARC

视觉优先，文本推理：ARC中的视觉-语言协同

Beichen Zhang, Yuhang Zang, Xiaoyi Dong, Yuhang Cao, Haodong Duan, Dahua Lin, Jiaqi Wang

机构 * The Chinese University of Hong Kong（香港中文大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Shanghai Innovation Institute（上海创新研究院） 纠错

专题命中 预训练与数据 ：foundation model(abstract)；分类 cs.CL、cs.AI

AI总结 本文提出视觉-语言协同推理和模态切换自我纠正策略，通过结合视觉抽象与语言推理提升ARC-AGI任务性能。