Li Auto（理想汽车）

Determinism of Randomness: Prompt-Residual Seed Shaping for Diffusion Generation

随机性的确定性：提示残差种子塑形用于扩散生成

Song Yan, Wei Zhai, Chenfeng Wang, Xinliang Bi, Jian Yang, Yancheng Cai, Yusen Zhang, Yunwei Lan, Tao Zhang, GuanYe Xiong, Min Li, Zheng-Jun Zha

机构 * USTC（中国科学技术大学） ； Li Auto Inc.（利亚自动化公司） ； Xi’an High-tech Research Institute（西安高新技术研究院） ； Wechat Vision（微信视觉） ； Cambridge University（剑桥大学） ； HUST（华中科技大学） 纠错

AI总结 本文研究了扩散生成中种子敏感性，提出无需训练的提示残差种子塑形方法，通过单个高噪声冷启动提示残差提升生成对齐和质量。

Evolving Knowledge Distillation for Lightweight Neural Machine Translation

进化知识蒸馏用于轻量级神经机器翻译

Xuewen Zhang, Haixiao Zhang, Xinlong Huang

机构 * Department of Content Generation（内容生成系） ； Li Auto ； Beijing, China（中国北京） 纠错

AI总结 本文提出进化知识蒸馏方法，通过逐步增加教师模型容量，解决教师-学生模型容量差距问题，实验显示在多个数据集上提升了翻译性能。

M2A: Synergizing Mathematical and Agentic Reasoning in Large Language Models

M2A：在大型语言模型中协同数学与代理推理

Junjian Wang, Xin Zhou, Qiran Xu, Kun Zhan

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Li Auto Inc.（Li Auto公司） 纠错

AI总结 本文提出M2A框架，通过模型融合协同数学与代理推理，提升多任务学习下的推理稳定性与性能。

Benchmarking Real-Time Question Answering via Executable Code Workflows

通过可执行代码工作流基准测试实时问答

Wenjie Zhou, Yuan Gao, Xin Zhou, Hao Fu, Zhongjian Miao, Wei Chen, Bo Chen, Xiaobing Zhao

机构 * Li Auto Inc（利亚 Auto 公司） ； Minzu University of China（民族大学） 纠错

AI总结 本文提出RT-QA框架，通过可执行代码工作流实现动态评估，发现现有模型在实时适应性上存在显著不足，主要问题包括懒惰检索和时间混淆。