模型融合

研究者提出FCPRAG框架，通过轻量级控制器实现检索条件化的适配器融合，在多段落检索场景下显著提升大语言模型的问答准确率与鲁棒性。

研究人员提出CASE方法，通过可解码性指标预测隐藏状态选择何时优于多数投票，在困难问题上准确率提升最高达19个百分点。

研究人员提出CHORUS框架，通过整合行为多样化的专家模型，使仅4B参数的模型在硬件验证测试生成任务中超越671B参数的DeepSeek-R1模型13.5个百分点。

研究者提出多层组合融合框架MCF-CVA，通过多智能体协作与动态融合机制，让大模型能更好地理解不同情境下的人类价值观，相比单智能体基线取得显著提升。

研究者提出“先验证后多样性”方法，通过验证机制决定何时用新答案替换现有答案，在编程与专业问答基准测试中显著提升准确率。

研究人员提出一种基于向量空间几何的元认知方法，无需领域知识即可检测预训练视觉模型的错误，并通过整数规划融合多个模型，显著提升对抗攻击下的鲁棒性。