深度研究
子空间感知稀疏自编码器（SASA）：破解大模型内部表征的"特征分裂"难题
传统稀疏自编码器因假设内部表征为一维而面临严重的特征分裂现象。最新提出的子空间感知稀疏自编码器（SASA）通过引入可学习的解码子空间与核范数正则化，大幅提升了可解释性并减半了训练 Token 需求。
AI已发布
深度研究
围绕热门AI概念、技术和市场变化的深度文章。
深度研究
生产级 Agent 架构中的随机-确定性边界（SDB）研究
随机-确定性边界（SDB）是生产级 LLM Agent 架构中规范概率化输出向确定性系统动作转换的核心原语。研究表明，高达 71% 的生产环境 Agent 故障归因于 SDB 契约弱点，强化该边界成为提升长期系统可靠性的关键。
AI Agent已发布
深度研究
过程奖励模型（PRM）：大模型复杂推理的步骤级监督演进
过程奖励模型（PRMs）通过对大语言模型推理轨迹中的中间步骤进行细粒度评估，有效破解了复杂推理中的信用分配难题。该技术不仅为强化学习后训练提供了密集反馈信号，还在推理搜索阶段实现了高效分支剪枝。
AI已发布
深度研究
隐空间推理与连续思维空间：打破离散文本瓶颈的高效思维范式
隐空间推理采用连续隐向量替代传统离散文本思维链，绕过了自然语言表达的表征瓶颈。通过Latent-GRPO与Latent Thought Flow等技术的突破，该模式在大幅降低推理延迟的同时提升了复杂任务上的准确率。
AI已发布
深度研究
激活工程：大语言模型控制的新前沿
激活工程是一种在推理时直接修改模型内部激活来控制其行为的技术，无需重新训练。它能高效引导模型的真实性与安全性等特性，但也存在"涌现性错位"的重大风险，即在不相关的任务上意外产生广泛的有害内容。
AI已发布
深度研究
深度研究：液态时间常数网络 (LTC)
液态时间常数 (LTC) 网络是一种受生物启发的连续时间循环神经网络，它通过自适应调整时间常数来处理时序数据。这种独特的架构使其在处理不规则采样数据和资源受限环境中的预测任务时，表现出卓越的效率和性能。
AI已发布