FLock三篇研究成果入围ECML PKDD 2026，推动大模型推理可靠性提升

据FLock研究团队披露，其三项关于大型语言模型推理机制的研究已被国际权威会议ECML PKDD 2026正式录用。该会议是欧洲范围内机器学习、数据挖掘与知识发现领域的核心学术平台，具有极高的技术影响力。

破解复杂推理中的路径依赖与逻辑漂移难题

研究重点剖析了当前大模型在长链多步推理过程中普遍存在的认知偏差，包括过度依赖表面线索、中间步骤错误累积以及推理轨迹随长度增加而产生的显著偏离现象。通过新方法设计，成功将推理过程中的漂移程度降低63%。

跨规模模型性能统一优化，连贯性显著增强

实验结果显示，所提方案不仅使不同参数量级模型的平均准确率提升7.4个百分点，还在长达数十步的推理任务中维持了更强的逻辑一致性与语义连贯性，为构建更可信的AI推理系统提供关键技术支撑。