圖書信息
內容簡介
對 arXiv cs.CL 分類的年度綜述，涵蓋 2025 年 9 月 至 2026 年 8 月 期間發表的研究。本卷基於對 144 篇論文 的細讀整理，組織為 40 章，按該領域的研究子方向描繪這一年的全貌。
全書框架（年度產出佔比）：
- 大語言模型推理、基準測試與多模態評估 (45.1%) — 聚焦評估與提升大語言模型的推理能力、多模態理解，以及在複雜基準上的表現。
- 視覺-語言模型與機器人技能適配 (15.0%) — 探索視覺-語言模型在空間推理與視覺數學中的能力，以及機器人技能學習與適配的框架。
- 語音處理與對話系統評估 (11.5%) — 應對自動化口語評測、神經 TTS 建模與人機交互中的主動對話系統等挑戰。
- 檢索增強生成與多智能體知識系統 (7.1%) — 研究 RAG 架構、多智能體協作與知識圖譜整合，以在專業領域生成準確且基於證據的回答。
- 自適應檢索與大規模語料處理 (4.2%) — 開發分層與自適應檢索技術，處理跨語言、跨領域的複雜查詢與大規模語料。
- 強化學習與大語言模型的智能體優化 (3.9%) — 應用強化學習與偏好優化，增強大語言模型的一致性、主題建模與智能體決策策略。
- 語義表示與不確定性量化 (3.9%) — 考察潛空間表示、語義導航，以及長文本語言模型輸出的不確定性量化方法。
- 機器生成文本檢測與內容分類 (3.5%) — 聚焦檢測 AI 生成的文本與代碼、審計生成內容，並改進面向網頁與法律內容的分類模型。
- 多語言適配與參數高效微調 (2.7%) — 通過低資源適配、專家混合路由與參數高效微調技術，增強多語言大語言模型性能。
- 合成數據生成與增強策略 (0.7%) — 探索合成高質量訓練數據（文本、音頻、代碼）的方法，以提升模型訓練效率與魯棒性。
- 對抗攻擊與提示注入魯棒性 (0.7%) — 分析越獄攻擊、對抗後綴與提示注入漏洞，提升大語言模型抵禦惡意輸入的能力。
- 安全對齊與選擇性遺忘 (0.5%) — 研究大語言模型的安全對齊、分詞偏見，以及選擇性遺忘技術，以降低風險並確保負責任的 AI 行為。
每個子方向均通過三章展開論述——它如何提出自己的問題、其關鍵結論的強度，以及它開放的爭論與前沿，從而讓讀者獲得該領域今年實際產出的可溯源圖景。
