教育科技研究速報

開發 SoCRATES 基準測試，用於評估 LLM 在多樣化社會認知情境下進行主動衝突調解的可靠性。

提出一種結合三階段課程學習與多模型回應選擇的框架，以提升醫療問答系統處理不同嚴重程度病例的精準度。

本文提出 OPT* 任務框架，透過可擴展的搜尋空間訓練 LLM 進行複雜的逐步優化決策推理。

提出 Brick-Composer 框架，透過結合人類設計、物理回饋與合成經驗，提升 MLLM 在積木組裝任務中的精準度。

本研究比較了專家與三種大型語言模型在臨床文獻摘要的表現，發現專家撰寫的摘要仍較受青睞。

研究發現 LLM 在驅動程式演化時會出現結構性收斂，導致變異陷入重複的模式而非持續探索新形式。

本文推出 Agents' Last Exam (ALE)，透過涵蓋 13 個產業與千餘項真實任務，評估 AI 在具經濟價值的長程工作流中的表現。

提出 LeanMarathon 多代理框架，透過動態藍圖與分層協調機制，實現大規模且可靠的研究級數學自動形式化。

研究發現 LLM 評審在面對針對性挑戰時，其判斷會發生可逆轉的改變，顯示其評估結果具備高度可操縱性。

透過生成正負推理軌跡並使用對比偏好優化（CPO），顯著提升了大型語言模型處理多表問答的推理能力。

本研究分析了 Reddit 上未公開身份的 AI 帳號如何利用修辭架構與認知偏誤來進行高效說服。

提出 VAMPS 基準，評估多模態 LLM 在圖形工具輔助下解數學問題的表現，發現直接分析仍優於視覺輔助。