我们围绕智能编程、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。
arXiv · 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 主会（CCF-A）· 联合小红书
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”，关系到公共信息人人读得懂，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
从模型解释与跨模态评测，到推理、智能编程与 AI 安全；研究方向沿着可验证、可复现的路径持续展开。
建立可读、可比较的模型能力报告，为后续评测研究奠定方法基础。
查看研究以 9,600 次评测量化文本与图像输入之间的模型一致性。
查看研究覆盖智能编程、RLVR、多语言 NLP、推荐智能体安全与可解释推理。
查看 2026 研究