快慢Reasoning综述！
MLNLP社区致力于促进国内外NLP学术与产业发展间的交流合作。文章介绍了一种双层效率优化框架，包括可控计算（L1）和自适应计算（L2），通过大量实验揭示了语言模型在复杂推理任务中的低效性问题，并提出了一系列解决方案以提升其效能。
LLMs
大模型终于能预测未来了？伊利诺伊黑科技让AI化身“时间预言家”
伊利诺伊大学香槟分校开发的Time-R1模型通过三阶段强化学习训练提升了语言模型的时间推理能力，包括时间戳推断、事件排序和生成合理未来场景等任务。该模型在多个时间推理任务中表现优异，并开源了代码和数据集以促进研究和技术发展。
阿里通义发布并行计算新策略：1.6B等效4.4B，内存消耗骤降95%
阿里通义团队提出的新范式PARSCALE通过扩展CFG的双路径到P条并行路径，显著提升了1.6B模型的性能，仅占用后者的1/22内存，并将延迟增加量减少至1/6。该方法无需从头训练现有模型（如Qwen-2.5），并在GSM8K数学推理任务中实现了34%的性能提升。
速递｜Alation收购Numbers Station欲破解LLM“幻觉”困局，工作流自动化落地企业的关键拼图
Alation 宣布收购 AI 初创公司 Numbers Station，计划将其产品整合至自有平台以提供更全面的数据管理和 AI 解决方案。
大语言模型与小语言模型协同机制综述
综述了 LLM-SLM 协同机制的最新研究进展，包括流水线式协同、路由机制、辅助性联动、知识蒸馏和模型融合等多种交互机制，系统梳理了关键支撑技术及多样化的应用场景需求，展示了该范式在构建高效、适配性强的人工智能系统的巨大潜力，并深入探讨了系统开销、模型间一致性等持续挑战。
谷歌发现LLM是Greedy Agent，提出用RL调教出理性决策
MLNLP社区是国内外知名的机器学习与自然语言处理社区，旨在促进学术界、产业界和爱好者的交流与进步。最新论文揭示了大模型决策中的三大缺陷，并通过强化学习微调结合思维链技术提升其决策能力。
