大型语言模型（LLMs）在创意写作和语言任务上表现优异，但在基础知识检索和数学计算方面常出现错误。使用工具可以提升模型表现。测试表明，尽管一些小模型在使用工具时能正确计算，但它们通常不愿意使用工具，可能需要更多训练以认识自身局限。

本周AI工程动态：阿里巴巴Qwen3创下新纪录，微软BitNet以1位权重节能96%，Adobe Firefly与GPT-4o生成相似图像，DeepSeek Prover V2在数学证明上表现优异，OpenAI在ChatGPT中整合购物推荐。

研究探讨语言模型是否能准确反映历史观点，评估GPT模型对1914年语言和观点的捕捉能力。结果表明，现代数据训练的模型常混入当代观点，提供特定时期的例子有助于提高历史准确性。

LLaDA是一种新型的基于扩散的语言模型，采用动态掩码技术，支持双向生成，克服了传统自回归模型的局限性。通过逐步掩码和去掩码，LLaDA在文本生成和推理任务中表现优异，效率和速度均有所提升，可能引领语言模型的新方向。

本研究解决了大规模语言模型训练所需硬件资源巨大带来的效率和扩展性障碍，介绍了低精度训练技术作为解决方案。论文提供了对现有低精度训练方法的全面回顾，并将其根据数值格式进行系统分类，以促进研究者对该领域的理解和应用。研究表明，低精度训练在提高训练效率方面具有显著潜力，同时指出未来的研究方向。

本文研究了引导向量作为对齐机制的局限性，尤其是在复杂场景中的应用效果。我们提出了一种框架，通过变压器钩干预和反义词功能向量评估提示结构和上下文复杂性对引导效果的影响。研究结果表明，引导向量在特定对齐任务中表现良好，但在通用对齐时可能不够稳健。

本研究针对医疗领域中生成模型应用的独特挑战，提出了一种专为多模态医疗数据生成设计的框架。通过生成多视角的胸部X光片及其相应的临床报告，该框架在实现数据生成的高保真性和语义一致性方面表现出色，显示了其在医学研究与诊断中的潜在应用价值。

本研究提出了一种新的视频分析系统AVA，基于视频语言模型（VLM），通过实时构建事件知识图谱（EKGs）和代理检索生成机制，显著提升了复杂查询的性能，超越了现有系统。

本研究复现了DeepSeek-R1模型，探讨了监督微调和基于可验证奖励的强化学习的进展，强调数据准备和方法设计的重要性，以促进未来研究的发展。

本研究针对文本到图像生成模型(T2I)自动评估基准的不足提出了多模态大型语言模型(MLLM)作为评估代理的方法。我们提出了多模态文本到图像评估框架(MT2IE)，该框架能有效生成评估提示并与现有基准相匹配，同时显示出与人类判断的更高相关性，显著提高了评估效率。