本期《TAI快报》深入探讨了五篇AI前沿论文，揭示了语言模型和网络预测领域的最新突破：

1. Looking beyond the next token：提出TRELAWNEY方法，通过在训练数据中插入未来信息片段，显著提升语言模型的规划和可控生成能力，无需修改模型架构。
2. Teaching Large Language Models to Reason through Learning and Forgetting：引入非似然微调（UFT），结合成功和失败推理路径，将搜索能力内化到模型，显著提升数学推理效率（快180倍）。
3. A Minimalist Approach to LLM Reasoning: from Rejection Sampling to Reinforce：揭示简单拒绝采样（RAFT）在强化学习微调中的竞争力，提出Reinforce-Rej，强调样本过滤的重要性。
4. Better Estimation of the KL Divergence Between Language Models：提出Rao-Blackwell化KL散度估计器，降低估计方差，提升RLHF训练稳定性。
5. Transfer Learning for Temporal Link Prediction：通过结构映射模块实现时序链接预测模型的零样本迁移，增强在新网络上的适应性。

完整推介：https://mp.weixin.qq.com/s/zldL2MvyQW5Rph5qGF7PCg