2020年获中国中文信息学会“优秀博士学位论文”奖，2022年获北京市科技进步二等奖，2023年获“鹏城孔雀计划”特聘岗位B档，2024年获“钱伟长中文信息处理科学技术奖”科技进步一等奖。主要研究方向聚焦于大模型、自然语言处理、智能体、多模态等，在ACL、ICLR、EMNLP、AAAI、TASLP等国际会议和期刊发表论文60余篇。陈科海，博士，哈尔滨工业大学（深圳）计算机学院教授，博士生导师，国家

虽然它通过提供事实文本提高了可靠性，但随着上下文长度的增长，显著增加了推理成本，并引入了具有挑战性的RAG幻觉问题，这主要是由于LLM中缺乏相应的参数知识造成的。通过详细的时间复杂度计算和实际运行时间对比，我们提出的DyPRAG能有效提升模型性能，同时减少RAG带来的高推理开销以及PRAG带来的极高训练和存储开销（仅1%），更证明方法。的潜在映射，仅需要少量的训练数据就能有效学习到泛化性极强的转换

第一届大语言模型与语言结构建模 Workshop (XLLM 2025) 将会依托 ACL 2025，于奥地利维也纳，25年7月31日至8月1日开展。欢迎论文投稿和参与公开挑战任务。了解更多信息，请访问XLLM Workshop官网: https://xllms.github.io/您是否对自然语言处理（NLP）中的基于大语言模型（LLM）的语言结构预测或建模（如句法/语义、信息抽取和结构化情感计

DeepSieve（Naive RAG）在MuSiQue上F1达46.8（+13.5 vs 最佳基线），平均F1 58.9，显著优于所有基线。的复杂问题（如实时新闻、专业领域查询）。成功集成SQL数据库与RAG文本库，解决纯RAG无法处理的约束过滤问题（如“19世纪出生”）。：从扁平化索引中检索，无视知识源的异构性（如API、数据库、文本库的格式差异）。：分解、路由、反思、融合可独立替换（如路由器

本文提出首个模块化多智能体框架，通过三阶段分工协作，实现精准、可解释、支持交互的代码生成，同时构建数据引擎推动VLMs进化。现有基于文本的AI工具（如GPT-4）需冗长描述才能指定布局细节，而视觉语言模型（VLMs）虽可直接解析设计图，却常出现。低级指标：组件匹配（Block）、文字精度（Text）、位置对齐（Pos）、颜色一致性（Color）：为每个节点生成专属提示（例：“生成一个固定在顶部的蓝

在多模态大语言模型中，视觉文本输入可将解码器令牌数量减少近一半，且在长上下文检索与文档摘要任务中保持性能无损。另一方面，多模态模型（如GPT-4V、Gemini）天然具备从图像中读取文本的能力，其视觉编码器能将图像转换为固定长度的视觉令牌序列，且数量远少于原始文本令牌。通过将长文本渲染为单张图像，并直接输入多模态模型，作者发现解码器所需的令牌数量可减少近一半，且任务性能未受显著影响。论文提出一个简

除了个人科研成绩突出，更有丰富的论文辅导经验，不仅自己能写出顶会一作，更指导出多名发独立一作论文的学生，满足各个方向的辅导需求。不止是交付论文初稿就结束服务，针对指定服务方案的学员，哪怕遇到拒稿、退稿情况，也会提供免费修改优化的维护服务，1v1量身制作您的科研课程，不同的分区价格不同，课程顾问会根据你的情况给你做详细的介绍，以及后期的学习规划。篇幅有限，仅展示部分课题，名额有限，先到先得，趁着开学

或许未来的AI会像《超验骇客》中的AI，真正理解"巴黎不只是一个地名，更是历史、艺术与浪漫的集合体"。这种现象暴露了当前大语言模型的致命弱点：它们像死记硬背的学生，无法理解知识的内在关联。"反转诅咒"：一个令人头疼的Bug：想象你教LLM记住"张三的妻子是李四"，但当问"李四的丈夫是谁"时，却一脸懵——这就是。这说明AI终于学会"触类旁通"：知道X=5、Y=3、X+Y=Z后，能自动推导Z=8并反向

在医疗、法律、金融等高风险的现实应用场景中，任何细微的逻辑偏差都可能导致严重后果，因此对推理的严谨性提出了极高要求。尽管目前已有不少纯文本逻辑推理评测基准，但现实中的许多任务往往融合了视觉与文本信息，亟需模型具备跨模态的严密推理能力。例如，在交通控制或自动驾驶系统中，模型不仅需要理解交通规则文本，还需结合实时驾驶场景的图像信息，通过可靠推理做出安全且合规的决策。项目地址：https://llm-s

使用随机奖励（如抛硬币决定对错）时，Qwen2.5在MATH-500的准确率仍显著上升（+15%），而同样方法使Llama性能下降。：在MATH-500上，仅凭60%题目前缀可精确补全剩余文本（54.6% EM），且答案准确率高达53.6%。，研究者实证了Qwen2.5在MATH-500上的"魔法增益"实为记忆召回，而在干净环境中，（答案正确=1，错误=0），但对含小数的复杂算术题无效（模型几乎得