注意你的语气：提示词礼貌程度如何影响大语言模型的准确性
Kumo.AI 团队通过系统性研究揭示：提示词的礼貌程度对 LLM 准确性有显著影响，但关系复杂微妙。在 72 个模型、20 种礼貌变体和 6 个基准测试的大规模实验中，41% 的情况下礼貌提示提升准确性，28% 降低性能，31% 无显著影响。研究发现越先进的模型从礼貌提示中获益越大，且礼貌效应与人类感知的社会温暖度正相关。
SPEX：大规模识别LLM中交互效应的可解释性方法
规模化洞察：为LLM高效识别关键交互效应 Landon Butler, Justin Singh Kang, Yigit Efe Erginbas, Abhineet Agarwal, Bin Yu, Kannan Ramchandran 2026年3月13日 理解复杂机器学习系统，特别是大语...
StruQ与SecAlign：基于微调的高效提示注入防御机制
结构化查询 (StruQ) 与偏好优化 (SecAlign)：应对提示注入攻击的强力防御机制 Sizhe Chen, Julien Piet, Chawin Sitawarin, David Wagner, Arman Zharmagambetov, Saeed Mahloujifar, Ka...
构建生成式AI应用的十大常见陷阱
警惕！构建生成式AI应用时最容易踩的10大“坑” 2025年1月16日 • Chip Huyen 由于我们仍在基础模型（foundation models）应用构建的早期阶段，犯错是完全正常的。这是一篇简短的笔记，分享了一些我从公开案例研究和个人经验中观察到的最常见的陷阱。
Apple PICO：面向人类视觉系统的实用学习型图像编解码器
Apple发布PICO感知图像编解码器，相比AV1节省2.3-3倍码率，在iPhone上仅需230ms编码150ms解码。
约束衰减：LLM Agent在后端代码生成中的脆弱性剖析
最新arXiv研究发现：随着结构性约束增加，LLM Agent代码生成性能平均下降30个百分点，数据层缺陷占总失败的45%。
AI芯片成本结构深度解析：HBM驱动的支出激增与组件占比重塑
Epoch AI最新分析显示AI芯片中内存(HBM)成本占比已从52%攀升至63%，总组件支出从220亿激增至520亿美元。本文深度解读这一趋势背后的技术经济学。
AI Agent 全面解析：工具、规划与失败模式
智能体（Agent）被许多人视为 AI 的终极目标。本文从 Chip Huyen 的经典著作《AI Engineering》中摘录改编，全面解析 AI 智能体的核心概念。文章从智能体的定义出发，深入探讨决定智能体能力的两个关键方面：工具（Tools）与规划（Planning），并通过 SWE-agent 和 RAG 系统等实例说明智能体的工作原理与失败模式。
Mamba 深度解读：用状态空间模型挑战 Transformer 霸主地位
Mamba 是一种挑战 Transformer 的新型状态空间模型（SSM），首次在百万级 token 长序列上实现了与 Transformer 相当的性能，同时解决了注意力机制的二次复杂度瓶颈。本文用直观的比喻和数学推导，深入浅出地讲解了 Mamba 的核心原理、选择机制及其对 AI 未来的意义。
自适应并行推理（APR）：高效推理扩展的下一个范式
BAIR 博客深度综述：自适应并行推理（APR）通过让语言模型自行决定何时并行化、产生多少线程以及如何协调，将并行化从外部强加变为模型的生成控制流。文章系统梳理了从简单分支合并、启发式搜索到 ParaThinker、GroupThink、Hogwild! 等方法的演进，深入比较了 Multiverse（引擎级 KV 缓存复用）与 ThreadWeaver（客户端编排）两种推理系统路线，并讨论了并行化奖励设计的关键问题——仅结构奖励易被钻空子，效率奖励需追踪关键路径，并行效率应以保证正确性为前提。