回顾这些图学习与大模型结合的多种探索，LLM-BP 代表了Enhancer 范式的简洁追求，证明了只要特征足够好，经典的启发依然能打败复杂的微调。GOFA 则代表了Predictor 范式的宏大理想，它用“三明治架构”将 GNN 与 LLM 深度融合，实现了“One-For-All”的零样本推理。而 CROSS 则提醒我们时间维度的重要性，在动态图中，只有捕捉到“语义漂移”，才能避免刻舟求剑。将这

作者发现Agent利用复杂推理策略（如Tree of Thought(ToT), Fleet of Agent(FoA)）进行推理时，会产生大量冗余Prompt，且目前的缓存策略（如KV Cache）多在底层优化，难以支持在线API，且而现有的客户端缓存往往缺乏统计完整性和复现性，无法处理需要多个独立响应的随机采样场景。TiME的核心思路是利用MiniLMv2的蒸馏框架，将大型、强大的教师模型（X

本次分享讨论了大模型多智能体系统的故障归因工作，介绍了故障模式与故障定位方法。对这类任务，笔者具有如下改进思路：在数据集层面，可以尝试向更复杂的步骤（例如生成大段代码）以及更困难、专业的场景（如医学、数据库领域）方向进行数据收集与构建，以研究多智能体系统在更具挑战性任务上的错误模式。同时，可以在具身 VLA 等场景（开放的动作空间、更困难的步骤监督）开展研究。在方法层面，需要研究归因模型的鲁棒性与

大型语言模型（LLM）如GPT系列，凭借其在文本理解、问答系统和内容生成等广泛任务中的卓越表现，令自然语言处理社区为之惊叹。尽管成效显著，但这类模型常因处理知识密集型任务能力有限而备受诟病，特别是在面对需要领域专业知识的问题时。将LLM应用于专业领域仍面临三大根本挑战：知识局限性、推理复杂度和上下文敏感性。为了让LLM适应特定或私有领域，早期策略主要通过使用专业数据集对模型进行微调。这种方法通过在

时至今日，随着突飞猛进的人工智能相关技术在智能助手、自然科学研究和音视频生成等领域得到应用，我们正见证着一次人工智能技术的浪潮。作为数据库领域的研究者，我们不禁要思考，AI应用给数据系统提出了什么样的要求？数据系统的设计和开发者应该作出哪些改变来适应这些要求？本文从AI应用的数据管理需求和数据系统可能的发展方向出发，总结近期论文中提出的观点，尝试回答上述两个问题。

这篇文章通过提出了一种注意力机制对齐的方法，为预训练语言模型在 fine-tuning阶段引入了多源分词信息外部知识，从而提升了预训练语言模型在各个子任务上的效果。本文收录于 2020 年 ACL。问题背景BERT 出现后，预训练语言模型统治了大多数的NLP应用任务，预训练-微调这一2-stage 模式成为了主流。随着预训练语言模型的不断发展，预训练任务和模型结构被不断改进，以让模型适配更大量的数

本次分享讨论了奖励模型的偏好收集思路，并分别介绍了来自人类的偏好收集与来自AI/规则的偏好收集。最后，本节将对以下的开放性问题进行简单讨论：（1）AI 偏好能取代人类偏好吗？随着AI模型能力不断提升，AI 偏好数据的比例会逐渐变大，可以补充与增强人类偏好，但难以完全取代人类偏好。AI 模型难以涵盖伦理、情感等维度，并且在多样性方面不如人类偏好，只能提供通用而普遍的判断。此外，采用 AI 偏好数据迭

北京大学 葛钤编者按：原文《Realtime Top-k Personalized Pagerank over Large Graphs on GPUs》介绍了一篇在GPU对大规模图上进行个性化pagerank计算的论文。本篇论文的主要结构是先介绍了问题定义和已有的基于CPU的算法，并在此基础上完成了在GPU上的优化和改进。主要包括：提出了在GPU上更适合的数据存储结构。进行了适应性的前向随机游走

我们首先介绍图的同构问题。给定两个图GVGEGHVHEHGVG​EG​HVH​EH​，如果存在一个映射πVG→VHπVG​→VH​st∈EG⟺πsπt∈EHst∈EG​⟺πsπt))∈EH​那么GHG,HGH就是同构的，记作G≃HG\simeq HG≃H，且称π\piπ是图GGG和HHH的一个同构。

图的最大独立集问题（MIS problem）是图论研究中的一个重要问题，具有广泛的应用。本文介绍了最大独立集求解相关的三篇工作，包括一篇启发式方法和两篇基于学习的方法，希望能让大家对这个问题有所了解。问题定义一个图G(V, E)的顶点集子集I称为图G的一个独立集（independent set）是指：I中任意两点没有边相连。图G中大小最大的独立集（拥有顶点数目最多）称为图G的最大独立集（maxim