文献追踪日报

大语言模型（LLM）已成为人工智能的里程碑，其性能随模型规模增大而提升。然而这种规模扩展给训练和推理效率带来巨大挑战，特别是在资源受限环境中部署LLM时，扩展趋势的可持续性日益受到质疑。本文引入"能力密度"作为新评估指标，用于衡量LLM在不同规模下的效能与效率。为计算目标LLM的能力密度，研究团队首先引入一组参考模型，通过拟合这些模型在不同参数规模下的性能表现建立参数量与性能间的映射关系，进而定义能力密度为"同能力的基准模型参数量与目标模型参数量的比值"。对51个近年开源大模型的分析显示，LLM的最大能力密度随时间呈指数增长，约每3.5个月翻倍。这意味着实现同等性能所需的参数规模与推理成本均在指数下降，端侧智能将比预期更早成熟。

随着大语言模型在诸多任务中表现卓越，提示词设计愈发重要。然而长提示会显著增加计算成本且可能超出模型输入长度限制，现有提示压缩方法存在幻觉、忽略语言结构、计算效率低等问题。为此研究团队提出基于句法分析树的提示压缩方法PartPrompt，使用句法树构建句子结构，提出全局层次树新结构对句子进行分析与整合，并配套节点价值调整算法模拟人类写作逻辑。使用局部信息熵近似降低计算复杂度，将提示词压缩转化为树剪枝优化问题并开发高效求解算法。在8个不同类型数据集上的实验表明，PartPrompt在英文、中文、代码、长文本等场景均优于主流方法，在超长提示场景下仍能有效压缩，且压缩后提示词在语义连贯性和结构完整性方面表现优异。

终身学习（持续学习/增量学习）是推动通用人工智能发展的关键组成部分，使系统能够在动态环境中持续适应。虽然大语言模型在自然语言处理方面展现出令人印象深刻的能力，但现有LLM智能体通常为静态系统设计，缺乏适应新挑战的能力。本文首次系统总结将终身学习融入基于LLM智能体的潜在技术路线。将智能体核心组件分为三个模块：感知模块用于多模态输入整合，记忆模块用于存储和检索不断演变的知识，动作模块用于与动态环境进行基于交互的操作。文章强调这些支柱如何共同促进持续适应、减轻灾难性遗忘并提升长期性能，为致力于开发具有终身学习能力的LLM智能体的研究者提供了全面的技术路线图和未来研究方向。

本文考察2017年《减税与就业法案》（TCJA）利息扣除限制对供应商的影响。采用双重差分设计，发现受限制客户的供应商（"受影响供应商"）应收账款较TCJA前平均增加11.2%至14.9%。采用三重差分设计进一步证明，该限制对受影响供应商应收账款的影响是由客户报告贸易信贷使用增加（即应付账款增加）驱动的。横截面分析表明，当供应商规模较小、产品相似度较高、行业进入门槛较低或处于生命周期早期阶段时，影响更强，这与议价能力较弱的供应商为客户提供更多贸易信贷相符。就应收账款增加对供应商的影响而言，受影响供应商的销售未清天数和运营周期增加。路径分析进一步发现，受影响供应商因应收账款增加而经历更低的现金流和更高的风险。本研究为税收政策如何通过贸易信贷渠道对供应链产生外溢效应提供了证据。

本文利用独特的供应商逾期付款数据，研究企业是否利用延迟贸易信贷支付来达到现金流预测目标。研究发现强有力的证据表明，达到或略超分析师季度经营现金流预测的企业，其逾期付款比例更高、逾期时间更长。这一行为随市场激励（达到现金流预测的动机）、供应商预期成本以及买方调整付款时间的灵活性而变化。策略性延迟付款集中在季度最后一个月，此时管理者对实际和预期业绩有更好的信息。然而这一做法以损害供应商关系为代价：利用延迟付款达到现金流预测的企业，启动新供应商关系的可能性更低、终止现有关系的可能性更高。这些发现增进了对贸易信贷策略性使用以管理现金流、该行为在季度内的时间分布及其对贸易伙伴关系影响的理解。