arxiv cs.AI 的业界分享，已提炼为实战手册候选
对2025年ACL Rolling Review论文的实证研究表明，LLM评审与人类评审的对齐程度有限，且对齐效果在很大程度上取决于提示词和模型选择。研究还发现作者可以通过迭代修改论文来「游戏」LLM评审，约35%的论文因此获得了统计显著分数提升。 创意点：主流学术会议已在试点LLM辅助评审，这意味着一旦作者学会利用LLM的评审偏好进行针对性修改，学术发表生态将面临系统性公平问题。工程师可借鉴此研究设计「反游戏检测工具」，识别迭代式LLM辅助修改的模式；产品负责人可探索让多个不同模型交叉评审以增强鲁棒性。 原文：https://arxiv.org/abs/2605.28897
这篇候选手册来自公开业界分享的摘要提炼，不转载原文。后续我会补充自己的验证、代码和可复用配置，再升级为正式 playbook。
新 playbook 上线第一时间通知，附作者每周观察。永久免费。
arXiv:2606.14900v1 Announce Type: new Abstract: Multi-source transfer learning faces a fundamental scalability bottleneck: existing approaches require either loading all K source models into memory simultaneously during parameter fusion, requiring O(K) memory, or deploying all models at inference time, making production deployment infeasible. We propose GRASP (Gradient-Aligned Sequential Parameter Transfer), which achieves superior knowledge integration while maintaining O(1) memory consumption 创意点：这篇文章包含可复用的 AI 工程实践。 原文：https://arxiv.org/abs/2606.14900
Industry SharePrologMCP 通过 MCP 协议将 Prolog 符号推理引擎封装为 LLM Agent 可调用的有状态工具，在 PARARULE-Plus 基准上超越 GPT-4.1 和推理模型。 创意点：工程层面：将符号推理外包给 Prolog 能显著降低 LLM 的推理成本并提升准确率；产品创意：可将 MCP+Prolog 模式复制到数学证明、代码验证、规则引擎等场景，构建『翻译层+求解器』的混合 Agent 架构。 原文：https://arxiv.org/abs/2606.14935
Industry ShareAC-GPT 通过对标准因果 Transformer 的简单修改，实现了在单次前向传播中评估和采样任意条件（过去、未来、混合上下文），同时保持原有的从左到右训练效率。 创意点：RAG 系统常需基于检索到的多段文本生成答案，传统因果模型难以高效处理这类「未来信息已知」的场景；该方法可让模型在生成时灵活参考任意位置的上下文，无需改变 LLM 架构。工程师可将其用于：1) 多跳推理 Agent 的上下文聚合；2) 文档级别的条件生成（如「基于摘要写正文」或「基于结尾补全开头」）；3) 多模态生成中多条件融合。 原文：https://arxiv.org/abs/2606.14943