Research · 研究
推动推理、代码与中文 AI 的边界。
我们围绕 AI 安全、智能编程、多模态评测、推理训练、低资源 NLP 与模型审计展开研究，并把每项成果写成兼顾研究者与普通读者的双语解读。
我们围绕 AI 安全、智能编程、多模态评测、推理训练、低资源 NLP 与模型审计展开研究，并把每项成果写成兼顾研究者与普通读者的双语解读。
EMNLP 2026
当年竞价排名能把莆田系医院推到患者面前，如今卖家也能改写页面、让 AI 更愿意推荐自己。SafeGEO 用 600 个推荐案例、22 类攻击变体测量这种风险与防御空间。
AI安全 · 推荐智能体 · GEO
KDD 2026
50 个真实 iOS 功能任务、449 条人工写的测试、约 50 万行生产代码，榜首通过率 12%。
AI编程 · 智能体评测 · 小红书
arXiv · 2026
把“自印发之日起施行”改写成“从发出当天开始执行”，关系到公共信息能否人人读懂，英语之外却长期无从评测。OasisSimp 由母语者为五种语言写出 9,519 个原句的多参考简化，全部开放。
多语言NLP · 数据集
arXiv · 2026
引擎像不会带徒弟的老师傅：算得准，讲不出。大师蒸馏让 4B 模型以 48.1% 棋题准确率超过多数前沿大模型，解释还短两个数量级。
蒸馏 · RLVR
arXiv · 2026
只刷题、不检查卷子的学生不会改错，常规训练出的模型也一样。ThinkTwice 用同一个对错奖励先教解题、再教修正，AIME pass@4 提升 11.5 个百分点。
RLVR · 自我精修
实验室走过三个阶段：2024 年首篇论文入选 NeurIPS SoLaR Spotlight，2025 年实验室成立并获 COLM 接收，2026 年五条研究线集中发布，其中两项进入 CCF-A 主会与 EMNLP。
Report Cards 以自然语言为模型写出可核查的能力报告，并用对比准确率与 Card Elo 验证报告本身的可靠性。
同一道题以文字或图像呈现，模型答案常常不同。SEAM 在四个领域、9,600 次评测中量化 21 个模型的跨模态一致性。
一年之内，研究从智能体评测延伸到推理训练、大师蒸馏与多语言数据集，其中两项进入 CCF-A 主会与 EMNLP。
