语言模型（Language Model, LM）在进行下游任务的后训练（Post-Training）时，常常面临灾难性遗忘（Catastrophic Forgetting）的问题，即模型在学习新任务的同时丢失了原有的知识能力。本文提出从策略数据（On-Policy Data） 的角度系统分析并缓解遗忘现象。通过在多类任务、多种模型上的实验，论文发现RL因其使用当前策略生成的数据进行训练，相较于SF

Diffusion Transformer、MM-Attention、可控图像编辑、GRAG、天津大学、快手Kolors、分组相对注意力引导（Group Relative Attention Guidance, GRAG）、多模态注意力（Multi-Modal Attention, MM-Attention）、图像编辑（Image Editing）、视觉语言模型（Vision-Language M

关键词：视觉令牌剪枝、多模态大语言模型、全局上下文保留、注意力机制偏差、HoloV框架、自适应令牌分配、视觉上下文重提取、位置偏差、注意力分散

一文看懂AI 智能体与代理性 AI 的核心差异

从架构演进看，Transformer凭借自注意力机制擅长建模跨模态语义关联，扩散模型通过渐进去噪过程生成高保真连续数据。然而，传统融合方案面临根本性挑战——Transformer对离散token的依赖造成视觉细节损失，扩散模型缺乏对复杂语义的逻辑推理能力。CDiT通过因果扩散注意力机制与时变语义注入，在视频生成任务中不仅将时序一致性误差降低47%，更实现了文本-视频的精准语义对齐，为多模态大模型提

OCR 场景下的 LVLM 幻觉与感知不足： 生成式大视觉语言模型（LVLM）在端到端文档解析上虽统一优雅，但容易“看图添字”，即输出图像中不存在的内容；与此同时，通用 LVLM 更偏重推理而非细粒度感知，在文本/表格/公式等 OCR 任务上常不如面向单任务训练的“专家模型”。论文第 1 页摘要与第 1 节、以及表 1（第 2 页）给出了“印章识别”中的典型幻觉例子。

本论文提出了Lumine模型，它基于视觉语言模型构建，能够通过像素输入实时生成键盘鼠标操作，并自适应地进行推理。实验表明，Lumine在《原神》中完成了长达五小时的主线任务，并成功零样本泛化到其他游戏中，展现了强大的通用性。

关键词：大语言模型；幻觉；幻觉成因；幻觉检测；幻觉缓解；幻觉基准；幻觉指标

自进化代理（Self-Evolving Agent）、自我提问（Self-Questioning）、自我导航（Self-Navigating）、自我归因（Self-Attributing）、强化学习（Reinforcement Learning）、任务生成（Task Generation）

本论文提出了Align({}^{3})GR框架，通过统一token级、行为级和偏好级对齐来优化推荐效果。实验显示，该框架在公开数据集上**Recall@10和NDCG@10分别提升了17.8%和20.2%**，并在工业场景中显著提高了业务收入。