大型语言模型虽然具备解决推理任务的能力，但常在推理过程中出现局部错误。本文指出，这些错误并非模型整体无能，而是出现在中间步骤的局部推理缺陷。通过在强模型的推理前缀后插入由弱探测模型生成的短修正补丁，能有效引导推理走向正确结果。直接微调弱补丁或修正轨迹不能有效内化该修正效果，说明关键信号在于如何重塑模型未来的推理分布，而非文本本身。基于此，提出了“啄木鸟蒸馏”框架，利用弱模型的对比局部干预训练强模型，从成功与失败的弱补丁中构建教师分布并进行蒸馏。数学推理测试表明，该方法持续提升强模型表现，优于直接模仿基线。
这条 研究论文 信号说明，来自 arXiv cs.AI 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.AI 发布了这条关于 研究论文 的更新：大型语言模型虽然具备解决推理任务的能力，但常在推理过程中出现局部错误。本文指出，这些错误并非模型整体无能，而是出现在中间步骤的局部推理缺陷。通过在强模型的推理前缀后插入由弱探测模型生成的短修正补丁，能有效引导推理走向正确结果。直接微调弱补丁或修正轨迹不能有效内化该修正效果，说明关键信号在于如何重塑模型未来的推理分布，而非文本本身。基于此，提出了“啄木鸟蒸馏”框架，利用弱模型的对比局部干预训练强模型，从成功与失败的弱补丁中构建教师分布并进行蒸馏。数学推理测试表明，该方法持续提升强模型表现，优于直接模仿基线。
该研究揭示了大型语言模型的推理失败多由局部步骤缺陷引起，且这些缺陷能被弱模型的局部补丁有效修正。提出的啄木鸟蒸馏方法通过对比学习局部干预，成功提升了强模型的推理能力，助力改善模型在复杂推理任务上的表现，这对语言模型的可靠性和实用性有重要意义。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、models 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
OpenAI 正在分享 Astra 的初步网络安全评估以及我们为加强保护措施和安全控制所采取的步骤。
在动态城市环境中，由于移动物体和遮挡，构建可靠的在线高清地图仍然具有挑战性。现有方法虽然采用特征级时序融合，但仅依赖于逐帧的真实标签监督，缺乏针对连续在线高清地图间几何噪声和时序抖动的显式约束。本文提出MapTCL，一种辅助训练策略，通过双向对齐设计时序一致性损失，具体包括双向向量一致性学习（BVCL）和栅格地图一致性学习（RCL），联合训练以提升生成高清地图的时序稳定性。在nuScenes和Argoverse 2两个基准数据集上的实验显示，MapTCL作为即插即用模块，持续提升多个基线模型表现，且无额外推理开销。
图画书和漫画因易于被儿童理解，长期被用来传播仇恨叙事，如臭名昭著的纳粹宣传图画书《毒蘑菇》。近期，前沿文本到图像(T2I)系统如Gemini和GPT-Image支持多轮对话生成，能保持角色和场景一致，使得制作包含仇恨叙事的视觉故事变得廉价且规模化。以往研究多聚焦单张图像的仇恨内容，未深入探讨组图层面的仇恨含义。本文构建了包含330个多轮配置、涵盖55个仇恨故事的\texttt{HatefulStoryPrompts}，跨两种语言和三种视觉风格，评测五个前沿模型的4950次尝试，模型完成率超80%，最佳达99.0%。对人标数据集\texttt{HatefulVisualStory}（969组仇恨图像集与990组正常对照）评测现有内容审核系统，发现它们常漏判组图仇恨意图，专用安全模型召回最高仅34.9%，强视觉-语言模型达67.5%。文中提出主动与生成后防护措施，交互感知监控对仅提示内容召回率达97.3%，用户提供首图时为92.6%，而联合分析完成图组的生成后方法召回率达80.2%。研究表明，随着图像生成从单个输出向连贯视觉叙事发展，安全策略也需从单图监控演进为基于交互与图像关系的状态推理。