学术写作通常需要花费大量精力查询文献引用，而以ChatGPT、GPT-4等为代表的通用大语言模型（LLM）虽然能够生成流畅文本，但经常出现“引用幻觉”（Citation Hallucination），即模型凭空捏造文献引用。这种现象严重影响了学术论文的可信度与专业性。
多点发力，协同并进，才能让AI的成长有更多道路可走
众所周知，大语言模型（LLM）往往对硬件要求很高。
推理增强型大语言模型LRM（如OpenAI的o1、DeepSeek R1和Google的Flash Thinking）通过在生成最终答案前显式生成中间推理步骤，在复杂问题解决方面展现了卓越性能。然而，对这类模型的控制仍主要依赖于传统的输入级操作，如提示工程（Prompt Engineering）等方法，而你可能已经发现这些方法存在局限性。
让大语言模型更懂特定领域知识，有新招了！
近年来，大语言模型（LLM）的性能提升逐渐从训练时规模扩展转向推理阶段的优化，这一趋势催生了「测试时扩展（test-time scaling）」的研究热潮。
大型语言模型 (LLM) 在软体机器人设计领域展现出了令人振奋的应用潜力。
自2022年11月，美国硅谷初创公司OpenAI推出首款基于大语言模型的现象级聊天机器人ChatGPT以来，AI技术与我们的生活日益紧密。然而，大模型降世两年多，人们却吃惊地发现，自己最终的那个梦想，一个有强大AI为人类工作的社会，一个有更多的闲暇，上四休三甚至每周工作更短时间的世界，却仿佛更遥远了，我们变得更忙了，而且，这个事实居然在数据上得到了确认。
随着人工智能和大语言模型（LLMs）的不断突破，如何将其优势赋能于现实世界中可实际部署的高效工具，成为了业界关注的焦点。
当我们遇到新问题时，往往会通过类比过去的经验来寻找解决方案，大语言模型能否如同人类一样类比？在对大模型的众多批判中，人们常说大模型只是记住了训练数据集中的模式，并没有进行真正的推理。
