01 [图像生成] 扩散模型在文字渲染上的失败并非源于推理能力不足——而是因为它们从未见过这类输入
文生图模型在处理复杂字符和数学公式时会出现崩溃，原因不在于推理能力不足，而在于分布差距：涉及 LaTeX 风格符号或非拉丁文字的提示词，完全超出了模型训练时所接触的范围。无论如何扩展标准文生图流水线，都无法弥合这一差距。
GlyphBanana 通过将字形模板直接注入潜在空间和注意力图来绕过分布问题，而不是让模型仅凭文字描述来幻觉出正确的字形。可以把这理解为：给模型一个模板，而不是一本字典的定义。一套智能体工作流将这一注入机制与迭代优化相结合——模型在多次迭代中生成、评估并修正，同时借助辅助工具。该方法无需训练，可直接插入现有的文生图骨干网络，无需重新训练。
需要注意的是：免训练的智能体循环会随每次迭代增加推理延迟，而质量上限仍然取决于字形模板本身的来源质量和对齐程度。对于正在构建文档生成、科学图表自动化或多语言设计工具的团队而言，这是一个切实可行的解决方案——在模型盲区处注入结构，而不是等待一个能从头学习所有字形分布的模型出现。
核心要点：
- 将字形模板注入潜在空间和注意力图，为模型从未见过的字符提供结构性先验，从而绕过分布差距，而不是试图通过训练来弥合它
- 当前文生图模型在复杂文字上的失败是数据覆盖问题，而非推理问题——解决方案是外部信号注入，而非更大的模型
- 需要渲染技术文档、公式或非拉丁文字的团队，应在投入精力针对专门字形数据集进行微调之前，先评估智能体模板注入封装方案
来源：GlyphBanana: Advancing Precise Text Rendering Through Agentic Workflows
02 [评估] 大语言模型能通过葡萄酒理论考试，却在真正定义专业水准的感官判断上屡屡碰壁
以文字为主的葡萄酒知识——葡萄品种、产区分类、生产法规——在训练语料中有充分的体现。若因此认为大语言模型能像侍酒师一样推理，第一个感官任务就会立刻打破这一假设。SommBench 将陈述性葡萄酒知识与感知判断区分开来，两者之间的差距正是这项研究的核心发现。
三项任务，感官要求逐级递增。葡萄酒理论问答（WTQA）直接测试文本中可获取的规范性知识。葡萄酒特征补全（WFC）要求从部分描述符推断葡萄酒的感官特征——酸度、单宁、香气。餐酒搭配（FWP）则需要同时整合两个领域的感官判断。在 WTQA 上得分较高的模型，其表现并不能可靠地延续到 WFC 和 FWP 上。多语言结构增加了第二个维度：感官词汇的文化编码因语言而异，模型性能在不同语言间的下降并不均匀——与通用多语言能力不成比例。
这一局限真实存在且具有结构性：任何大语言模型的训练数据中都没有真实的感官信号，只有人类对感官体验的文字描述。SommBench 无法弥合这一差距——它只是衡量文字基础在失效之前能延伸多远。对于在食品、饮料、香料或任何专业判断本质上依赖身体感知的领域构建大语言模型应用的团队而言，这是一个值得在部署前运行的诊断工具。
核心要点：
- 陈述性知识与感官推理是大语言模型中两种不同的能力；基于文本的训练覆盖了前者，但随着任务需求提升，在后者上会出现下降
- 强大的多语言基准测试表现无法预测跨语言感官推理的一致性——感官词汇的文化编码会造成不均匀的能力差距
- 在具身专业知识领域（风味、香气、触觉质量评估）部署大语言模型的团队，应明确对感官推理任务进行基准测试，而不是以通用知识得分作为替代指标
来源：SommBench: Assessing Sommelier Expertise of Language Models
03 [RAG] 脑部 MRI 诊断模型产生幻觉，根源在于跳过了测量步骤
应用于脑部 MRI 的视觉语言模型能生成流畅的诊断摘要。问题在于：它们跳过了实际测量的中间步骤。缺乏有据可查的体积证据，流畅的输出与准确的输出便是两码事。
LoV3D 在原始三维 MRI 与诊断结论之间强制插入了一个测量层。该流水线提取区域级解剖体积，对照先前扫描进行显式纵向比较，然后基于这些测量结果得出三分类诊断（认知正常、轻度认知障碍或痴呆）及叙述性摘要。整个链条为：感知→测量→比较→结论。每个步骤必须完成后，下一步才能解锁。当每项声明都必须追溯到具体的区域体积数值时，幻觉便更难发生。
局限性是真实存在的：这是一篇针对特定神经学进展任务进行评估的流水线论文，而基础质量完全取决于体积提取步骤在分布外扫描仪或采集协议上的表现。对于在视觉语言模型之上构建临床人工智能的团队，结论直接明了：任何没有显式测量基础步骤的诊断语言模型，生成的都是听起来合理的输出，而非基于证据的输出。
核心要点：
- 强制性中间测量（区域级体积指标与纵向变化量）打断了从感知直接跳至结论的路径，而正是这条路径使医疗视觉语言模型容易产生幻觉
- 流畅的语言输出与有据可查的输出是两种独立属性——模型在语言质量上得分可以很高，同时在事实上与底层扫描数据完全脱节
- 在任何诊断或监测场景中部署视觉语言模型的团队，应审查模型输出是否以提取的测量值为条件，还是直接从原始输入生成；若为后者，幻觉风险是结构性的，而非偶然的