FLock 宣布，其研究团队共有三篇论文入选欧洲机器学习与数据挖掘大会（ECML PKDD 2026）。作为该领域极具影响力的国际顶级学术会议，ECML PKDD 的入选充分彰显了 FLock 在基础研究上的学术实力。
此次入选的三篇论文聚焦大模型复杂推理过程中的核心痛点，分别针对模型倾向“走捷径”、推理链条易出错、以及长链路推理中目标逐渐偏离等关键问题展开攻关。其中，一项研究提出的新方法能显著增强模型在长时、多步推理中的思路连贯性，将推理偏离程度降低 63%，并使不同规模模型的平均准确率提升 7.4 个百分点；另外两项研究则分别突破了模型面对陌生问题时的推理泛化瓶颈，以及推理错误被发现后的局部高效修正难题。
FLock Research 长期深耕大模型训练、推理机制与可靠性等基础前沿领域，致力于从根本上提升模型在复杂任务中的准确性、稳定性与泛化能力，推动大模型从单纯“会回答问题”向“能可靠解决复杂问题”跨越。
