10 月 29 日，Randall Balestriero 與 Yann LeCun 在 arXiv 提交論文《Proving and Improving the Platonic Representation Hypothesis with JEPAs》，把柏拉圖表徵假說從經驗猜想變成定理，並給出可操作條件。論文證明… 看完整事件
LeCun 論文證明柏拉圖表徵假說，好檢視訓練讓 1.09 億引數模型對齊效果勝過 720 億 LLM
LeCun 提交的新論文從數學上證明了柏拉圖表徵假說，並給出可操作的條件：訓練文字模型時，應讓它學習同一場景的不同描述，也就是“好檢視”，不要學習同一句話的截斷版本。用 1.09 億引數編碼器訓練 9 億樣本，在 WIT-1024 上取得 0.184 的對齊分數，高於 Qwen2.5-72B 的 0.154 和 Llama-3-70B 的 0.151。達到相近對齊水平時，下一 token 預測需要 9 億樣本，好檢視 JEPA 僅需 2160 萬，相差約 42 倍；
該論文把柏拉圖表徵假說從經驗曲線變成定理，並給出可操作的訓練配置；實測 1.09 億引數模型的跨模態對齊超過 720 億引數 LLM，樣本效率相差約 42 倍，對研究多模態表徵和自監督訓練的人最有參考價值。
原標題：LeCun证明了：规模从未起作用，下一token路线效率低
閱讀原文
| 評分 | 73 / 76（平均 74，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
UCLA 與 Adobe 提出 Tev：27B 模型長程任務追平 GPT-6 Astra
Adobe Research 與 UCLA 提出 Tev 訓練方案：27B 模型在 Agents' Last Exam 計算與數學子集上 Pass@5 達 0.28，追平 GPT-6 Astra 與 Claude Opus 5。做法是先建置含隱藏標準答案的潛在世界再用它渲染出任務環境，據此合成覆蓋 7 個領域、1,170 個環境的 Tev-Gym，單次 rollout 中位耗時 12.4 分鐘、Pass@1 僅 29%。
Elorian 發布視覺推理模型 Glimpse，DecoyCount 計數得分 50.48%
Elorian 發布首個視覺推理模型 Glimpse，其在公司與 Mercor 合作的 DecoyCount 計數基準內部測試中得分 50.48%，為對比中唯一超過 50% 的模型。論文中前沿模型最高是 GPT-6 Astra 的 43.17%，Gemini-3.8-flash 為 32.71%，Qwen3.8-max 為 28.31%，Claude-Fable-5.1 為 25.22%。
清華提出 Jev-LDE：ICL 範例只編輯一次，1-shot 準確率升至 88.1%
清華大學自動化系研究者提出 Local Demonstration Editing（LDE）與小型編輯模型 Jev-LDE，在目標 LLM 推理前對已檢索出的 demonstration set 只做一次 Keep、Delete 或 Replace 編輯，而非重新搜尋最優範例組合。
決策模型 Lev 用迴圈深度代替思維鏈，JevBench 準確率從 63.2% 升至 76.2%
Lev 讓決策模型通過多跑幾圈迴圈來「多想」，同一份權重可以在任意圈數作答：Lev-2.6B 在 JevBench 的 231 道公開題上一圈準確率為 63.2%，四圈升到 76.2%。一個輕量停止器逐題決定算幾圈，實際只用到最深一圈 76% 到 85% 的計算量，準確率損失不到 1 個百分點。在 50 毫秒以內的延遲區間，小號 Lev 比同樣延遲的 dense 模型和級聯高 5 到 8 個百分點。
Jev 走紅，NeurIPS 2025 論文 ConfTuner 早已探索相似思路
TypeSafe AI 的 Jev 模型近期走紅，其介面可直接返回預設選項、分數或事件機率，供程式碼呼叫，但未開源、架構未公開。NeurIPS 2025 入選論文 ConfTuner 提出 Tokenized Brier Score，僅用對錯標籤即可訓練置信度機率分佈，在 LLaMA、Qwen、Ministral 上把平均 ECE 從 0.2768、0.3781、0.4393 降至 0.1082、0.2872、0.1884，4 張 A40 上約 4 分鐘完成微調。