检索标题、摘要与正文，把分散的信息连起来。
arXiv:2610.32109v1 发布类型：新 摘要：语言模型能够根据给定的文档或其参数化知识回答问题。然而，当后续被问及答案的来源时，究竟是什么决定了它们的来源报告？我们通过在答案生成之后、源问题提出之前对模型的关键值（KV）缓存进行干预来研究这一问题。在一项受控的事实性任务中，针对四款模型（7B–32B），无论改变还是移除文档的缓存，都不会影响其来源报告。相比之下，在两次运行之间移植问答（Q+A）缓存——且前后的问题与答案标记完全相同——则会转移来源报告：所有符合条件的报告都会沿用捐赠方的来源，而接收方的文档本身保持不变。在两款较小的模型上，沿着事先为任何源问题拟合的方向引导问答值……
2026年10月24日，arXiv发布论文arXiv:2610.30705v1，提出ULME——一种面向因果解码器型大语言模型的后训练框架，通过预测耦合（predictive coupling）机制，首次实现文本嵌入与语言生成能力的相互增强式统一。该方法在Qwen2.5/Qwen3系列（0.5B–8B参数）上验证有效，MTEB提升3.3–4.1分，同时保持生成任务（MMLU等）性能不降。
推荐理由：该论文直指当前多模态LLM能力割裂的核心问题：嵌入与生成长期由独立模型或仅参数共享的‘伪统一’模型承担。ULME通过可学习插槽与三目标联合训练（含stop-gradient预测损失），使生成过程主动塑造嵌入表征，属架构层面的实质性突破；实验覆盖广、基线强、指标全面，且发布于权威预印本平台，时效性与技术严谨性兼备。
