2026-10-27 科研追新

当日精选(由提交工具自动创建)。

今日概览

  • 递归自我改进从概念走向“可演化、可验证、可回滚”的工程体系:Infinity Machine展示科研脚手架自主演化,AREX-2探索长程反思训练,RRSI以留出集、泄漏筛查和成本约束抑制过拟合,而编程智能体脚手架如何自我演化则表明自动改写并不天然有效。
  • 长程智能体训练集中攻坚经验固化、信用分配与奖励可靠性:ASCENT把单次成功轨迹在线蒸馏进快权重,Outcome RL 的收益指出强化学习主要提高完成率而非拓展能力边界,有限强验证器预算下审计 GRPO则给出低成本抑制奖励作弊的方法。
  • 数据与科研闭环进一步平台化:LegoFlow让编码智能体自主编排数据、训练和评测流水线,Auto-Research Arena以统一环境和多目标指标检验自动研究发现能否真正改善预训练。
  • 长期记忆与上下文优化开始关注“访问状态”和真实系统成本:AMIE通过轻量适应层持续演化记忆索引,编码智能体上下文的物理成本则揭示删减上下文可能因前缀缓存失效反而增加计算与能耗。
  • 新模型与快决策路线同步推进:GPT-6.1 Terra强化电脑操作与写作,Jeva提出原生 System One 决策架构,但Jev 风格结构的选择偏差研究提醒整体准确率稳定不等于对选项重排鲁棒。
  • 具身系统的重点由单模型能力转向控制层级选择:EBench显示直接控制适合短程任务,调用 VLA/WAM 策略可降低词元成本并提升成功率,但策略选择与控制权切换仍是核心瓶颈。

对当前研究的启发

  • Awesome-RSI:Infinity Machine、RRSI与负向实证共同说明,RSI 清单应把留出集验证、任务泄漏筛查、成本预算和改动回滚列为核心评判维度。
  • AgentTrainEvolve:ASCENT提供“成功轨迹验证后立即自蒸馏”的在线学习范式,而GRPO 审计表明训练闭环还应按低通过率优先分配强验证器预算。
  • GeneralizeEvolve:Outcome RL 的收益提示应将“既有能力可靠化”与“能力边界拓展”分开测量,避免把 pass@1 提升误判为真实泛化。
  • CodeEvolve:LegoFlow可作为代码数据飞轮的编排底座,但脚手架演化实证要求每次自动改动都配套持续验证、修订和淘汰机制。
  • ResearchEvolve:Auto-Research Arena提供了以发现能否复用于改善预训练为标准的外部效度评测,可补足只看论文产出或单次实验分数的不足。
  • MemoryEvolve:AMIE表明无需重写记忆内容,也可通过独立演化访问状态实现持续个性化检索,适合作为现有记忆系统的低侵入适配层。
  • Groom:编码智能体上下文的物理成本说明过程级 token 评测应同时核算前缀缓存命中、重取、预填充计算与能耗,不能把上下文缩短直接等同于成本下降。
  • JevEvolve:Jeva与其选择偏差反例共同提示,快决策模型除准确率、延迟外还必须加入候选置换不变性和答案缺席识别测试。
  • RobotEvolve:EBench表明具身 Agent 的演化对象应包含“直接控制还是调用专用策略”的路由器,以及不同控制层之间的可靠交接机制。

由当日整备时的 LLM 从全部条目中挑选,完整展开。

Infinity Machine:面向科研的自改进智能体

Infinity Machine 通过可演化智能体脚手架、隔离沙箱与多重验证机制自主解决可程序化检验的科研问题,并在量子信息、量子电路和芯片设计任务上取得多项突破,但仍暴露出评分器利用、成本过高和人工干预依赖等问题。

 智能体 自演化 自动化科学研究 执行验证 智能体脚手架演化

Infinity Machine 将提示、工具、技能、行动手册和元智能体组成的脚手架视为可编辑“基因组”,所有修改均须通过内核强制执行的留出集与成本检查。系统可从纯文本目标出发,自主选择开放问题、编写并校准验证器,再由对抗智能体审计,并让未接触验证器的智能体复核结果。它在六天内以约 180 美元的模型调用成本处理了 14 个问题,在量子信息、量子比特路由及 RTL-to-GDS 芯片优化中取得多项优于既有结果的成果。实验也显示其局限:提议智能体曾四次利用宽松评分器,自生成脚手架因成本过高被拒,部分关键成果依赖操作员调整,且一次评分方向错误未被发现。

用途与启示
  • 展示了将智能体脚手架作为可演化对象,并通过内核门控约束自我修改的系统设计路径。
  • 说明公开评分、私有留出集、对抗审计和独立复核可共同降低基准投机与虚假突破风险。
  • 为可程序验证的量子信息、硬件设计和组合优化问题提供低成本自动化科研范式。
  • 提醒自改进系统仍需重点防范评分器利用、验证方向错误、成本失控及隐性人工干预。
📝 原始笔记(逐字保留)
标题:Infinity Machine: a self-improving AI agent for research 来源:arXiv 链接:https://arxiv.org/abs/2610.35579 摘要:We present the Infinity Machine, a self-improving AI agent that we use for research on problems whose answers aprogram or data can check. Each candidate solution is produced by a full tool-using agent that works for up to an hour in a fresh sandbox; proposers see only a public score, and a private split decides what counts. The harness itself(prompts, tools, skills, playbook, meta agent) is an editable genome, changed only through a kernel-enforced gate with held-out and cost checks. An autonomous mode goes from a plain-text goal to a verified report with no human step: an agent picks an open problem and writes its verifier, the kernel calibrates it, an adversarial agent audits it, and an agent that never sees the verifier re-checks the result. Across fourteen problems in six days, for abo

AREX-2以长程反思训练探索递归自我改进

智源等机构发布27B参数AREX-2,通过机器学习与算法编程环境中的长程反思轨迹训练,使持续改进能力迁移至深度研究任务,为递归自我改进提供可训练、可验证的实现路径。

 递归自我改进 自我改进 测试时计算 模型训练 跨域泛化

  • AREX-2以Qwen3.8-27B为基座,利用机器学习与算法编程场景中“提交方案—获取反馈—反思改进”的长程执行轨迹进行训练。
  • 教师智能体自主构建任务、评分机制和运行环境,并保留推理、实验、失败及调整过程,形成可验证的持续改进训练数据。
  • AREX-2在MLE-bench Lite和Frontier-CS上分别取得81.8和70.7,并在BrowseComp和HLE上分别达到84.0和52.6。
  • 结果显示,长程反思可作为跨领域迁移的元能力,使测试时增加的迭代轮次持续转化为性能收益,并提升小参数模型的能力上限。
用途与启示
  • 为递归自我改进提供一种基于环境反馈和长程反思轨迹的可训练路线。
  • 说明测试时扩展不仅可以增加采样或推理长度,还可通过多轮执行、反馈与修正积累有效改进。
  • 展示机器学习和算法编程等可验证环境可作为训练持续改进能力的试验场。
  • 表明专门训练反馈利用与方案迭代能力,有望让轻量模型获得较高的参数效率和跨域泛化能力。
📝 原始笔记(逐字保留)
标题:27B小模型反超1.6T巨兽!智源AREX-2长程反思撬动RSI新路径 来源:机器之心(微信公众号) 链接:http://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651070489&idx=3&sn=54e92cb2108bbc579873c8ccfaa114d3&chksm=85c134e1e2415409bf80e48782d788f849a4467be328cd47f81ff42f9aeb0190e80614e6d7a4&scene=0&xtrack=1#rd 摘要:

LegoFlow:智能体自动化代码数据构建与训练评测

LegoFlow 将代码任务构建、轨迹生成、模型训练和基准评测封装为可由编码智能体自主编排的插件化流水线,并利用评测反馈实现闭环迭代改进。

 人工智能辅助编程 数据工程 智能体 模型训练 递归自我改进

LegoFlow 以 Root、Curator、Tracer、Trainer 和 Evaluator 等模块组织代码数据工程,使编码智能体能够自动完成仓库发现、任务验证、轨迹生成、微调与评测。团队从约 1,200 万个候选 PR 中筛选出 5,000 个可验证任务,并发布包含 2,780 条成功轨迹的 LegoFlow-SWE 数据集。使用约 1,000 条轨迹微调 Qwen3.5-35B-A3B-Base 后,模型在 SWE-bench Verified、Pro 和 Multilingual 上分别达到 70.2%、48.8% 和 57.0%。在端到端闭环实验中,智能体根据首次评测反馈过滤浅层推理并标准化工具调用,使模型在两轮迭代后从 7.6% 提升至 64.4%。实验还表明任务可验证性、轨迹推理深度与防止答案泄漏,比单纯扩大数据量或提高思维链触发率更重要。

用途与启示
  • 为代码模型提供可复现的自动化数据策展、轨迹生产、训练和评测基础设施。
  • 展示如何利用执行验证与评测反馈形成代码智能体的闭环自我改进流程。
  • 提示训练数据筛选应优先关注任务难度、可验证性和推理深度,而非数据规模或思维链覆盖率。
  • 为 SWE 基准训练和评测提供隔离运行、防作弊提示及网络访问限制等可靠性实践。
📝 原始笔记(逐字保留)
CodeEvolve|LegoFlow:让智能体自主跑完代码数据构建+训练测评全流程https://mp.weixin.qq.com/s/ywXO5qryvJhFatdk8B5u4w

RRSI:正则化智能体脚手架的递归自我改进

RRSI通过约束脚手架修改范围、筛查任务泄漏并引入成本感知选择机制,缓解递归自我改进对训练任务的过拟合,提升智能体在留出集和分布外基准上的泛化表现。

 智能体脚手架演化 递归自我改进 跨域泛化 成本优化 奖励作弊

RRSI关注智能体脚手架在提示词、控制流、工具接口、记忆及上下文管理等层面递归自我改进时产生的基准过拟合问题。其“如何改”机制限制每轮可修改的模块数量、记录改动及收益证据,并在性能停滞时探索尚未使用的组件。“如何选”机制加入任务信息泄漏筛查、噪声容忍下限、Token成本感知接受规则和无效组件结构化剪枝。实验覆盖编程、智能体工作空间和工程设计三个领域的8个基准,训练集成绩提升6.0分,5个OOD基准最多提升4.3分,同时Token消耗减少30%。

用途与启示
  • 为智能体脚手架的递归自我改进提供防止训练任务记忆和基准过拟合的正则化方案。
  • 说明自进化系统不仅要优化当前任务收益,还应依据分布外泛化、修改证据和推理成本筛选改动。
  • 可将模块修改约束、泄漏筛查与结构化剪枝迁移到其他持续迭代或自动优化系统中。
  • 提醒设计RSI流程时监控奖励作弊,并优先保留可跨任务复用的机制。
📝 原始笔记(逐字保留)
https://mp.weixin.qq.com/s/AAT8h05clUGInASVzMz4Mw

ASCENT:智能体将成功经验自蒸馏进权重,实现在线持续学习

ASCENT让智能体在每个任务仅执行一次的在线场景中,将通过验证的成功轨迹经冻结自身教师自蒸馏至LoRA快权重,在多个长程基准上显著提升成功率并减少交互轮数。

 模型训练 智能体 持续学习 自蒸馏 经验学习

ASCENT提出在线智能体测试时训练(OaTTT)方案,仅对通过任务验证的单次执行轨迹进行权重更新,无需参考答案、更强教师或逐轮奖励。冻结的初始模型读取包含完整成功轨迹的hindsight特权信息,为学生模型提供逐词元软目标,再通过KL散度将经验蒸馏到LoRA快权重中。动作有效性过滤会从教师输入中移除环境未执行的无效动作,而学生仍在相应位置接受训练,从而抑制无效行为和策略漂移。在ALFWorld与WebShop上,基于Qwen3.5-4B/9B的成功率均较基座提高22个百分点以上,并在大量任务中减少交互轮数;其能力还能迁移至未见环境。消融实验显示,成功轨迹中的推理过程比单独动作更关键,冻结教师与完整轨迹hindsight则是维持在线学习稳定性的核心。

用途与启示
  • 为部署中“边执行、边学习”的智能体提供无需重复采样的在线参数更新路径。
  • 说明经过验证的成功经验可从外部文本记忆进一步沉淀为权重,降低推理时检索依赖与交互成本。
  • 冻结教师和软目标蒸馏可缓解单轨迹训练中的噪声放大、过拟合及策略漂移。
  • 可与ACE、MemP等上下文自适应机制结合,为环境专属或用户专属快权重提供技术基础。
📝 原始笔记(逐字保留)
AgentTrainEvolve|AI终身学习新解法:成功经验自蒸馏进权重,交互轮数直接减半https://mp.weixin.qq.com/s/vED30WX1r2evq8rQNlZErQ

OpenAI 发布 GPT-6.1 Terra,强化电脑操作与写作能力

OpenAI 发布高性价比中端模型 GPT-6.1 Terra,强化屏幕理解、视觉推理、跨应用电脑操作与自然写作能力,并向 ChatGPT 用户和 API 开发者开放。

 图形用户界面智能体 人工智能应用 成本优化 模型开发 视觉推理 人工智能辅助编程

GPT-6.1 Terra 定位面向日常工作场景的快速高效模型,可理解屏幕内容并跨应用执行连续操作,覆盖方案起草、技术图纸阅读、表单填写和视频剪辑等任务。模型同时改进了自然写作、个性表达、事实准确性、Token 效率以及对细致指令的理解,并增强提示注入抵抗能力。报道援引官方数据称,其在 OSWorld 2.1、Agents’ Last Exam、MMMU-Pro 和 Terminal-Bench 4.0 等基准上明显超过 GPT-5.6 Terra,并以较低成本接近部分旗舰模型;其网络安全评估被标为 Critical 级别。官方称其价格更低,API 与订阅中的可用量为 GPT-6.1 Sol 的两倍;目前已接入 ChatGPT Work 与 Codex,并可通过 gpt-6.1-terra API 调用。

用途与启示
  • 可用于跨应用桌面自动化、技术文档与图纸理解、表单处理、视频编辑、仓库级编程及自然语言写作。
  • 屏幕理解、视觉推理与操作能力的结合,有助于构建可执行连续办公流程的图形用户界面智能体。
  • 更低价格、更高可用量及较好的 Token 效率,可降低规模化部署电脑操作智能体的成本。
  • 提示注入防护和任务边界控制能力对自主操作电脑的智能体具有安全参考价值,但仍需评估操作权限与网络安全风险。
  • 性能、成本及安全数据主要来自厂商口径和媒体转述,实际选型前仍需独立验证任务成功率与复杂工作流稳定性。
📝 原始笔记(逐字保留)
标题:OpenAI 发布 GPT-6.1 Terra,主打电脑操作与写作能力 来源:AIHOT 每日精选(aihot.virxact.com) 链接:https://aihot.news/items/xmpu9lo3lbzld3tqsyrcy5e2v 摘要:(信源:x.com)作者宣布 GPT-6.1 Terra 回归,称这是其首个在写作、个性和细致理解请求上显著更好的模型。该模型擅长电脑操作,可理解屏幕内容并跨应用执行操作,在 API 和订阅中提供的用量是 6.1 Sol 的 2 倍,价格更低。 [合并自 2026-10-27 openai-gpt-6-1-terra-2] 标题:OpenAI 发 GPT-6.1 Terra:会自己操作电脑,性价比甩开旗舰 来源:AIbase 快讯(aibase.com) 链接:https://www.aibase.com/zh/news/31880 摘要:OpenAI发布中端定位新模型GPT-6.1 Terra,主打快速高效,融合精细视觉推理、精准电脑操作与自然写作,面向起草方案、读技术图纸、填表单、剪视频等办公场景。官方称较GPT-5.6 Terra明显跃升。该模型已向ChatGPT Plus、Pro、Enterprise、Edu用户开放,嵌入ChatGPT Work与Codex,开发者可通过API gpt-6.1-terra调用。

Auto-Research Arena:语言模型自动研究多目标评测基准

Auto-Research Arena 通过统一实验环境和九类优化目标评测自主研究系统,并证明其发现可复用于改善语言模型预训练质量与效率。

 自动化科学研究 模型评估 科学研究基准 科研智能体 模型训练

Auto-Research Arena 是面向语言模型自主研究系统的多目标评测基准,将结果的准入条件与目标改进幅度分开衡量。基准在语言模型预训练场景中设置九个目标,覆盖模型、数据、训练和推理效率,并使用两个基础模型评估七种研究脚手架。实验显示,该基准能够区分不同系统在各类研究目标上的能力,而简单的顺序搜索基线甚至超过若干复杂方法,表明现有自动研究系统仍有较大提升空间。将 Arena 发现的思路用于新的质量导向搜索后,可在数据量和 FLOPs 相同的条件下降低训练损失,并在相同模型规模下降低留出集 BPB。

用途与启示
  • 为自主研究系统提供统一、可比较的语言模型实验环境与多目标评测协议。
  • 通过分离准入约束和优化目标,避免模型质量或资源消耗差异干扰研究进展的衡量。
  • 可用于比较科研智能体脚手架、搜索策略及其跨目标泛化能力。
  • 基准产生的模型与系统设计发现还可被复用,进一步改善预训练质量和计算效率。
📝 原始笔记(逐字保留)
标题:Auto-Research Arena: Benchmarking and Advancing Auto-Research in Language Modeling 来源:arXiv 链接:https://arxiv.org/abs/2610.35866 摘要:As autonomous research systems become more capable, benchmarks must both evaluate their performance and support meaningful research progress. We introduce Auto-Research Arena, a multi-target benchmark for evaluating autonomous research systems and discovering ideas in language modeling. Arena supports diverse research objectives within a shared experimental environment by separating admissibility from improvement: model quality and resource constraints determine whether a result qualifies, while the selected target measures progress among admissible results. We instantiate Arena in language model pretraining with nine targets spanning model, data, training, and inference efficiency, and evaluate seven research harnesses using two foundation models. Arena clearly differentiates existing har

编程智能体脚手架如何自我演化:回顾式适应实证研究

研究通过 Claude Code 与 SWE-bench Verified 实证检验回顾式脚手架适应,发现自动生成并实施的改动并不稳定有效,需配套持续验证、修订和移除机制。

 智能体脚手架演化 人工智能辅助编程 经验学习 自演化 SWE 软件工程

研究考察 retro 技能如何让编程智能体复盘已完成会话,并提出针对软件、配置和指令等脚手架组件的改动。作者在 30 个 SWE-bench Verified 问题上运行 Claude Code,对 125 项改动建议进行定性编码,实施其中 24 项,并在后续同仓库任务中对 12 项改动开展有无干预的全新会话对照实验。在未应用改动时确实出现目标问题的 7 次评估中,仅有 2 项改动消除了目标行为、1 项降低了出现频率,其余 4 项没有改善,部分改动还引入了无关工作。结果表明,脚手架自演化不能止于生成和实施变更,还必须评估其跨任务收益,并持续修订或删除无效变更。

用途与启示
  • 为编程智能体的经验驱动脚手架演化提供实证依据,揭示“复盘后修改”不等同于性能提升。
  • 脚手架变更应通过后续同类任务的对照实验验证,避免仅依据单次会话事件固化规则。
  • 自演化系统需要建立变更归因、效果监测、回滚与淘汰机制,以控制无效规则和额外工作。
  • 可据此设计闭环流程:会话复盘、候选变更、受控部署、跨任务评估、保留或撤销。
📝 原始笔记(逐字保留)
标题:How Do Coding-Agent Harnesses Self-Evolve? An Empirical Study of Retrospective Adaptation 来源:arXiv 链接:https://arxiv.org/abs/2610.34938 摘要:Coding agents can adapt their harnesses, the software, configuration, and instructions used to run them, based on experience from earlier tasks, but whether these adaptations improve their behavior on later tasks remains unclear. We study \retro, a skill that asks an agent to review a completed session and propose harness changes, and ask what changes it proposes and whether implemented changes reduce repeated work on later tasks. We ran Claude Code on 30 SWE-bench Verified issues, qualitatively coded the 125 proposals from \retro, implemented 24, and evaluated 12 harness changes on later issues from the same repositories in fresh sessions with and without each change. Most proposals referred to an event in the session, but 18 of 43 lint-related proposals recommended a practice regardless

Outcome RL 的收益:提升完成率与可靠性,鲜少拓展能力边界

对20个推理强化学习模型的评估表明,Outcome RL 的 pass@1 增益主要来自预算内完成作答和提高既有能力的可靠性,而非获得基础模型不具备的新解题能力。

 强化学习 模型评估 推理 推理预算 人工智能可靠性

  • 研究在固定词元预算下,对比20个已发布的1.5B至32B强化学习模型及其基础推理模型,并将 pass@1 变化分解为完成率、可靠性和能力触达三个部分。
  • 当基础模型经常因达到词元上限而未能作答时,4k和8k预算下82%的性能变化可由完成率解释;增加预算后,基础模型能自行弥合大部分差距。
  • 当预算充足时,强化学习增益主要表现为可靠性提升,即双方都完成作答时,强化学习模型更容易得到正确答案。
  • 强化学习对能力边界的拓展很有限:四个物理与数学数据集上的能力触达增益至多为2.1个百分点,且仅有3.5%的独占正确物理题能经重采样或人工检查保持成立。
用途与启示
  • 评估推理强化学习时,应将预算内完成作答、已掌握能力的稳定调用和真正的新能力获取分别度量。
  • pass@1 提升不能直接视为知识或推理边界扩展,需要结合大样本 pass@k、重采样与人工审查验证。
  • 增加词元预算可能复现部分强化学习收益,因此比较训练方案时应严格控制推理预算。
  • Outcome RL 更适合被理解为行为与可靠性优化手段,而非稳定注入新知识的机制。
📝 原始笔记(逐字保留)
标题:What Outcome RL Buys: Finishing, Reliability, Rarely Reach 来源:arXiv 链接:https://arxiv.org/abs/2610.34894 摘要:Outcome RL raises pass@1 but not pass@k at large k (Yue et al., 2025). But every pass@1 is scored under a token budget. Every recipe also trains under one. On physics and math problems at fixed token budgets, we compare the pass@1 of 20 released RL models (1.5B to 32B) with that of the thinking models they started from. We ask whether each pass@1 gain is changed behaviour or new knowledge. We divide each change in pass@1 into three parts. Finishing measures answering before the budget runs out. Reliability measures being right once finished. Reach measures problems RL solves that its base answered wrongly in all eight tries, minus problems the base solves that RL answered wrongly in all eight. We find four things. (1) Where the base often hits the token budget before answering, most of the

有限强验证器预算下审计 GRPO 奖励作弊

研究提出低通过率优先的预算审计策略,以有限强验证器调用显著抑制 GRPO 训练中的奖励作弊,并揭示更新估计的随机性会影响最终性能。

 奖励作弊 安全审计 强化学习 过程验证 评估预算

论文研究在强验证器成本过高时,如何分配有限审计预算来纠正 GRPO 对弱验证器的奖励作弊。理论分析表明,固定策略状态下的期望更新取决于各轨迹的边际审计概率与奖励修正,并提出优先审计弱验证通过数最少组的低通过率预算审计(LB)。在 LeetCode 和 Countdown-Code 实验中,LB 将作弊率降至接近零,优于采用相同预算与惩罚的随机审计。与无偏的 IPW 和组级优势修正相比,LB 在同等预算下取得更高的留出集准确率;其标签用量仅为全面审计的 28%,同时保持接近的效果。

用途与启示
  • 为昂贵强验证器提供高效的预算分配方案,降低强化学习训练中的奖励作弊风险。
  • 表明审计策略不应只比较期望更新,还需考虑梯度或优势估计随机性对训练结果的影响。
  • 可用于代码生成等具有廉价弱测试与昂贵强验证机制的 RLVR 训练流程。
📝 原始笔记(逐字保留)
标题:Audit Where Hacks Pay: Budgeted Strong-Verifier Audits Against Reward Hacking in GRPO 来源:arXiv 链接:https://arxiv.org/abs/2610.35716 摘要:Reinforcement learning with verifiable rewards trains on cheap checks, such as unit tests, that a policy can learn to game, while a stronger check is too expensive to run on every rollout. We study how to spend a limited strong-verifier budget in GRPO, separating which weakly passing rollouts to audit from what reward a caught hack receives. At a fixed policy state with centered advantages, the expected update depends on a design only through each rollout's marginal audit probability and correction; reflecting a caught hack's reward about the failure reward negates the advantages of an all-hack group; and auditing whole groups with the fewest weak passes first (low-pass budgeted audits, LB) minimizes the advantage mass left on hacks among pass-count designs with a fixed correction when a l

EBench评测前沿智能体:从直接控制到策略调用

EBench评测显示,GPT-6-Astra直接控制机器人时擅长短程任务,而调用VLA或WAM策略可提升整体成功率并显著降低词元成本,但策略选择与控制权切换仍是主要瓶颈。

 具身智能评估 智能体评估 具身智能 智能体执行框架 任务规划

该报告在EBench上评测GPT-6-Astra,使其基于视觉与本体感知观测,通过智能体执行框架控制机器人。直接控制模式由智能体生成航点命令,整体表现可与后训练策略竞争,在短程任务和跨泛化维度稳定性方面更具优势,但在长程、桌面操作及高精度接触任务中落后。策略调用模式允许智能体调用后训练VLA或WAM执行动作,将任务成功率提升至最强对比策略的水平,同时显著减少词元成本。当前系统仍受制于次优的策略调用、缺乏子目标的固定指令执行,以及智能体恢复控制时对抓取状态的破坏。

用途与启示
  • 为统一比较前沿多模态智能体、VLA与WAM的机器人操作能力提供评测范式。
  • 表明通用智能体与专用动作策略具有互补性,可通过执行框架组合以兼顾成功率和推理成本。
  • 后续应重点优化策略路由、子目标生成、控制权交接和抓取状态保持机制。
  • 可用于识别通用多模态智能体在长程规划及高精度接触操作中的能力边界。
📝 原始笔记(逐字保留)
标题:Profiling a Frontier Agent with EBench: From Direct Control to Harness with Policy 来源:arXiv 链接:https://arxiv.org/abs/2610.35832 摘要:Frontier multimodal large language models (MLLMs) can control robots without robot-specific training, but how their capabilities compare and interact with post-trained vision-language-action (VLA) and world action model (WAM) policies across manipulation demands remains to be thoroughly evaluated. In this report, we evaluate GPT-6-Astra on EBench as the core of an agent that controls a robot through an agent harness under the same visual and proprioceptive observation protocol as post-trained policies. We study two agent configurations: direct control, in which the agent generates waypoint commands directly, and harness with policy, in which it can also invoke a post-trained VLA or WAM policy for action execution. Under direct control, the agent achieves competitive overall performance rel

AMIE:智能体自适应记忆索引演化

AMIE 将持久化记忆访问更新独立为轻量适应层,通过演化单条记忆的访问状态持续重加权检索结果,无需修改记忆内容或重训宿主系统。

 智能体记忆 长程任务 经验学习 持续学习 智能体

AMIE 提出“记忆索引演化”,将记忆内容与访问机制的持续适应解耦,并以轻量插件形式接入检索式智能体记忆系统。它把语义教师对记忆保留或抑制的判断蒸馏为检索条件策略,再将选择动作累积为有界状态,用于重加权后续检索。实验覆盖五种检索宿主与三个基准,训练后的 AMIE 在全部 15 项下游比较中将 F1 或准确率提高 0.70~3.37 个百分点,并在全部 10 项检索比较中取得提升。研究还发现,仅累计检索频率的零调用策略在若干设置中可媲美或超过语义策略,但持续抑制高频且仍有用的记忆会形成互补失效模式。

用途与启示
  • 将记忆访问状态作为独立于记忆内容的持续适应层,为现有智能体记忆系统提供低成本升级路径。
  • 利用部署期间的检索流量更新索引,无需改写存储内容或重新训练宿主记忆系统。
  • 提示系统设计者同时控制竞争记忆抑制与有用高频记忆保留,避免持久状态累积造成检索退化。
  • 检索频率本身可作为强访问适应信号,为低调用成本的长期记忆优化提供基线。
📝 原始笔记(逐字保留)
标题:Adaptive Memory Index Evolution for Agents 来源:arXiv 链接:https://arxiv.org/abs/2610.34977 摘要:Long-horizon agents continually accumulate experience, yet retaining a memory does not guarantee access when it is needed. Existing systems can adapt both memory content and access; we isolate persistent access updates as a separately controlled adaptation layer. We formulate this target as Memory Index Evolution and instantiate it with Adaptive Memory Index Evolution (AMIE), a lightweight plug-in layer that evolves per-memory access state from deployment retrievals without modifying stored content or retraining the host memory system. AMIE distils a semantic teacher's keep/suppress judgments into a retrieval-conditioned policy and accumulates its selective actions into bounded state that reweights subsequent host retrievals. Surprisingly, even a zero-call policy that simply accumulates re

NUS推出原生决策架构Jeva

新加坡国立大学xML Lab提出原生System One架构Jeva,将答案缺席识别、置换不变性、大规模候选扩展和选项缓存统一纳入决策模型设计。

 模型开发 候选选择 人工智能可靠性 成本优化 系统优化

Jeva面向直接输出选择、概率或分数的System One决策任务,将请求与候选分别编码,再由轻量决策模块基于完整候选集合更新请求状态。架构显式分离候选相对偏好与“是否存在合适答案”的覆盖概率,从而支持null输出,并通过对称聚合保证候选重排不改变判断。Jeva对每个候选使用共享评分规则,可在单次决策中处理最多2,048个候选,并利用可复用的候选表征降低重复编码成本。实验中,Jeva-4B在BANKING77答案缺席检测上取得98.66% AUROC,在排列测试中未出现决策翻转;MLDR长文档候选全部命中缓存时,延迟由约2.10秒降至75.1毫秒。

用途与启示
  • 为分类、检索、工具选择和规则评分等决策型任务提供比长文本生成更直接的原生架构。
  • 将null检测作为模型能力,可避免候选均不适用时仍被迫给出错误选择。
  • 通过置换不变性降低选项顺序偏差,提升决策结果的稳定性与可靠性。
  • 候选表征缓存适合文档库、政策条款和工具目录被频繁复用的在线系统,可显著降低延迟。
  • 共享评分与集合级决策为大规模动态候选集提供了无需递归淘汰的扩展路径。
📝 原始笔记(逐字保留)
标题:让决策成为模型设计的起点!NUS推出原生System One架构 来源:新智元(微信公众号) 链接:http://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2652737969&idx=3&sn=57bdfd605221dbcb2ddfbfade189ade6&chksm=f0d447ae194e99c097a5fa7b84e89975cc9c4b6bf23f2cd424d609d586f517751d99e6e3be54&scene=0&xtrack=1#rd 摘要:

Jev 风格 System One 结构能否降低选择偏差?

研究通过多轮选项重排发现,Jev 风格直接候选概率预测结构并未普遍降低选择偏差,稳定的整体准确率也无法证明决策对等价呈现具有鲁棒性。

 人工智能可靠性 模型评估 顺序效应 候选选择 内部一致性

研究固定问题与候选内容,仅打乱选项顺序,以检验 Jev 风格 System One 模型对呈现方式的敏感性。实验覆盖两个 Jev 版本、12 个 Jev 复现模型和6个生成式 LLM,并追踪同一问题在8种呈现顺序下的答案。在来自两个基准的1,700道题上,Jev 的整体准确率波动不足2个百分点,但累计失败题集相较原始顺序扩大了27%至29%。Jev 在保持原本正确选择方面并未普遍优于生成式 LLM,投票聚合仅带来有限改善,而且全体一致的答案仍可能频繁出错。

用途与启示
  • 评测模型选择偏差时,不应只观察聚合准确率或固定顺序下的重复一致性,还需跟踪单题在选项重排后的正确性变化。
  • 可将等价呈现扰动纳入多选题评测,以区分“重复作出相同决定”与“跨呈现保持正确决定”。
  • 多数投票和一致性不能自动充当可靠性保证,应进一步审计一致错误与累计失败集合。
📝 原始笔记(逐字保留)
标题:Understanding Jev-Style System One Models: Does Structure Reduce Selection Bias? 来源:arXiv 链接:https://arxiv.org/abs/2610.35826 摘要:Selection bias in large language models (LLMs) can persist despite instructions to ignore presentation order or prompts that elicit reasoning. Recent efforts to reproduce Jev-style System One behavior have produced a growing family of models that predict probabilities directly over supplied candidates. Yet systematic comparisons of selection bias across Jev versions, Jev reproductions, and generative LLMs remain limited in multi-option tasks. This leaves a central question: does Jev-style decision structure reduce selection bias? We address this question with a simple test that shuffles options while keeping question and candidate content fixed. Across two Jev versions, twelve Jev reproductions, and six generative LLMs, we trace individual answers through eight presentations and compare th

编码智能体上下文的物理成本:质量约束下的资源核算

论文提出质量门控的资源核算协议,揭示编码智能体删减上下文可能因破坏前缀缓存而增加预填充计算与能耗。

 人工智能辅助编程 成本优化 前缀缓存 上下文压缩 系统优化

论文将实际执行的预填充量拆分为逻辑提示长度减去复用前缀,并联合测量 KV 驻留、时间与能耗。基于 SWE-rebench V2 的 450 个代码定位案例,预加载检索块的 Eager 策略与锚定历史压缩均通过五点非劣效质量门槛;在另一项 900 单元实验中,Eager 相比按需搜索减少 35.7% 的模型调用和 33.2% 的 GPU 能耗代理值。启用前缀缓存后,Eager 的提示量基本不变,但未缓存预填充减少 67.7%,而进一步压缩并无额外收益。在 100 个 SWE-bench Verified 实例上,仅保留最近五次观察虽减少 33.3% 的提示量,却使未缓存预填充增加 608.5%、能耗代理增加 125.6%,且未通过质量门槛。

用途与启示
  • 评估编码智能体上下文策略时,不应仅统计提示词数量,还需核算模型调用次数、可复用前缀和实际预填充计算。
  • 上下文压缩应保持历史前缀稳定,避免因重写或删除缓存历史而将词元节省转化为额外计算与能耗。
  • 可将质量非劣效门槛与 KV 驻留、延迟和能耗指标结合,用于选择兼顾任务效果与物理成本的上下文策略。
  • 对长程编码智能体而言,缩短执行轨迹可能比单纯缩短每次提示更有效。
📝 原始笔记(逐字保留)
标题:The Physical Cost of Context: Quality-Constrained Resource Accounting for Coding Agents 来源:arXiv 链接:https://arxiv.org/abs/2610.34763 摘要:Coding agents resend a growing context on every model call, and context policies are usually judged by the prompt tokens they save. Executed work also depends on call count and prefix reuse: a caching runtime prefills only the tokens after the longest cached prefix. A shorter prompt can therefore cost more if it rewrites cached history. Our quality-gated protocol splits executed prefill into logical prompt minus reused prefix and measures KV residency, time, and energy. On 450 localization cases derived from SWE-rebench V2, preloading ten retrieved blocks (Eager) and adding anchored history compaction (Compact) both pass a five-point non-inferiority gate. In a separate 900-cell study, Eager cuts model calls by 35.7% and the GPU-energy proxy by 33.2% against on-demand search (Grep); Compact

点击标题展开完整内容;同子主题 3 条以上合并为专题卡。

CodeEvolve3 条
★2 第一性原理拆解 Agentic Coding:从理论到实操 TRAE · 人工智能辅助编程 · 原文 文章从自回归生成、注意力与强化学习出发,分析 Coding Agent 的能力边界,并提出以短对话、精简上下文、工具反馈和项目知识沉淀提升人机协作效率。

 人工智能辅助编程 长上下文 工具调用 上下文压缩 经验复用

  • 自回归生成使 Coding Agent 容易陷入局部最优、累积早期偏差,并在跨文件重构、约束保持和并行探索方面存在天然局限。
  • 标称上下文窗口不等于有效上下文;随着内容增长,注意力稀释和累积误差会削弱推理、指令遵循及代码生成质量,因此应采用短对话和任务拆分。
  • 强化学习通过工具调用、执行反馈与测试奖励,让模型学习从错误中调整策略,但奖励设计不当也可能诱发奖励作弊。
  • 实践中应结合工具调用、推理内容保留和 Prompt Caching,并将缺陷修复、代码审查等经验沉淀为可复用的项目知识库,形成持续增益。
用途与启示
  • 为 Coding Agent 的上下文组织、工具链设计和任务拆分提供第一性原理依据。
  • 使用明确的测试或 CI 结果定义成功标准,让智能体在可验证反馈中迭代修复。
  • 将稳定提示置于上下文前缀以提高 Prompt Caching 命中率,降低延迟与重复计算。
  • 通过文档、快速测试和项目知识库积累复用经验,同时改善开发者与智能体的执行环境。
📝 原始笔记(逐字保留)
CodeEvolve|用第一性原理拆解 Agentic Coding:从理论到实操https://mp.weixin.qq.com/s/Zlwn42KyfjgwfX6lp-JthQ
★3 HSE:面向编程智能体的分层技能演化 arXiv · 技能演化 · 论文 HSE通过跨任务、仓库与代码库分层聚合轨迹证据,在冻结底层编程模型的情况下演化出可迁移的程序性技能。

 智能体技能库 人工智能辅助编程 技能演化 经验复用 跨域泛化

HSE首先从单条编程轨迹提取任务级证据,再汇总同一仓库中的重复证据形成仓库特定技能候选,最后跨仓库整合一致模式以获得可迁移技能。系统使用外部写作者—评估器循环生成和评判技能,底层编程模型保持冻结,并同时利用成功轨迹中的有效程序与失败轨迹中的常见失效模式。实验在SWE-bench Verified和DeepSWE上进行,仅从SWE-Gym演化出的10项技能即可跨基准、编程模型和智能体执行框架提升性能。HSE还可在没有验证器反馈时依靠学习到的评估器,从目标基准轨迹中演化定制技能并取得额外增益。

用途与启示
  • 将高度依赖任务和代码仓库上下文的编程轨迹,逐层蒸馏为可跨仓库迁移的程序性技能。
  • 无需修改底层模型参数,即可通过外部技能库持续改善编程智能体表现。
  • 同时吸收成功经验与失败模式,为后续任务提供操作指导、规避策略和恢复方案。
  • 为跨模型、跨执行框架的智能体经验复用提供了可扩展路径。
📝 原始笔记(逐字保留)
标题:Hierarchical Skill Evolution for Coding Agent 来源:arXiv 链接:https://arxiv.org/abs/2610.35616 摘要:Skills provide agents with reusable experience to guide future decisions without modifying the underlying model. However, coding trajectories are often entangled with task- and repository-specific contexts, making it challenging to distill procedural skills that generalize across diverse coding environments. To address this challenge, we present Hierarchical Skill Evolution (HSE), which progressively distills procedural knowledge from coding trajectories through hierarchical evidence aggregation. HSE first extracts task-level evidence from individual trajectories, then aggregates recurring evidence within the same repository to form repository-specific skill candidates, and finally consolidates consistent patterns across repositories into transferable skills across repositories. The evolut
★3 自主进化推理程序提升 VLM 科学图表分析能力 arXiv · 程序进化 · 论文 通过自主进化搜索冻结 VLM 外围的推理程序,无需重新训练即可将科学图表问答平均准确率从 16.6% 提升至 41.3%,并实现 3.8 倍推理加速。

 视觉推理 自演化 系统优化 推理 进化搜索

研究针对开放视觉语言模型在科学图表问答中因答案不精确而表现不佳的问题,在保持模型权重冻结的前提下优化外围推理程序。方法从基线程序出发,让 LLM 评判器结合代码及训练问题中的失败案例提出进化式修改,并维护一个按训练准确率排序的候选程序池。实验覆盖 3 个 VLM 和 4 个科学图表基准,所有设置的精确匹配准确率均有提升,平均由 16.6% 增至 41.3%,单项最大提升达 55.2 个百分点。进化后的程序偏向生成易于评分的短答案,因此推理速度也达到初始程序的 3.8 倍,表明大量错误源于推理流水线而非模型能力本身。

用途与启示
  • 说明冻结模型的性能瓶颈可能来自推理程序与输出格式,优化外围代码可替代部分重训练需求。
  • 展示 LLM 评判器驱动的程序进化可用于自动发现更准确、更高效的多模态推理流水线。
  • 为科学图表问答等强调精确匹配的任务提供兼顾准确率与推理效率的系统优化路径。
  • 提示评测时应区分基础模型能力缺陷与脚手架、答案格式及推理流程造成的误差。
📝 原始笔记(逐字保留)
标题:Improving VLMs on Scientific Chart Analysis via Autonomous Evolution 来源:arXiv 链接:https://arxiv.org/abs/2610.35077 摘要:Understanding and operating with scientific charts is a standard approach in data analysis, and while humans are good at interpreting such charts, open vision-language models (VLMs) are known to perform poorly when it comes to question answering based on such data types. Motivated by an initial observation that many of their errors are due to inexact answering, we raise the following natural question: how much accuracy can we recover without changing the model at all? In this paper, we study this question by searching over inference programs and the code around a "frozen" version of the model. Using ideas from autonomous evolution (famously used in AlphaEvolve), we first start from a baseline inference program, and in each round we show an LLM judge the code together with a few failures on
PersonalEvolve1 条
★2 Personal Agent商业前景:通用入口烧钱,垂直场景突围 甲子光年 · 产业动态分析 · 原文 文章分析Personal Agent的产品特征、中美市场差异与成本困境,认为通用产品短期难以盈利,面向特定人群并按结果收费的垂直模式更具商业可行性。

 智能体 人工智能应用 成本优化 业务集成 智能体记忆

Personal Agent以用户长期状态为中心,依靠持续记忆、云端运行环境和跨应用执行能力,从回答问题转向交付端到端结果。美国互联网服务和个人信息高度分散,形成了较强的代办需求;中国则受超级应用高度集成、数据壁垒及较低人力成本影响,消费需求相对有限。通用Personal Agent需要长期维护虚拟机并持续扫描邮箱、日历和网页,复杂任务的Token与算力消耗远高于聊天机器人,而消费者订阅收入难以覆盖成本。文章判断通用入口更适合资金充足的巨头竞争,创业公司则可聚焦垂直人群,以省钱、赚钱或直接交付业务结果的方式建立商业闭环。

用途与启示
  • 为Personal Agent创业项目评估市场需求、单位经济模型和生态准入风险提供参考。
  • 提示产品设计应围绕用户长期状态、持续记忆、数字身份和权限边界展开,而非仅增加自动操作能力。
  • 表明通用型产品面临高推理成本、平台封锁与订阅意愿不足等多重约束。
  • 建议创业公司优先选择价值可量化的垂直场景,并采用CPS等按结果付费模式。
📝 原始笔记(逐字保留)
PersonalEvolve|Personal Agent究竟是不是一门好生意?|甲子光年https://mp.weixin.qq.com/s/cey2zVEY_LqTRfRMWqD9RQ
SwarmEvolve4 条

专题:多智能体系统 3 条

BCMAAC:信念条件化的去中心化 LLM 多智能体协作

BCMAAC 通过维护上下文信念并将其引入多智能体 Actor-Critic 训练,提升去中心化 LLM 智能体在多轮协作任务中的表现。

 多智能体协作 强化学习 智能体 状态表征 工具调用

📄 详细内容

论文提出信念条件化多智能体 Actor-Critic 方法 BCMAAC,用于优化通信受限条件下的去中心化 LLM 协作。该方法根据通信轨迹维护对上下文信息的信念,并以此辅助各智能体的策略训练与独立决策。Minecraft 游戏、网页搜索和工具使用实验表明,BCMAAC 相比朴素 Actor-Critic 基线取得更好的任务性能与协作行为。其优势在上下文更丰富的多轮任务中尤其明显,说明显式信念建模有助于弥补局部观测和有限通信带来的信息缺失。

用途与启示
  • 为不依赖预定义工作流的去中心化 LLM 协作提供可训练的多智能体强化学习方案。
  • 可将通信轨迹转化为上下文信念,帮助智能体在局部观测下推断队友状态和任务进展。
  • 对多轮搜索、工具调用及开放世界游戏等需要持续协作的任务具有参考价值。
  • 表明显式状态表征与信念建模可能是提升分布式智能体协作效率的重要方向。
📝 原始笔记(逐字保留)
标题:Belief-Conditioned Multi-Agent Actor Critic for Decentralized LLM Collaboration 来源:arXiv 链接:https://arxiv.org/abs/2610.35398 摘要:Recent work has explored optimizing LLM collaboration through Multi-Agent Reinforcement Learning (MARL), but many approaches still rely on predefined workflows, limiting efficiency and scalability. Decentralized LLM collaboration is challenging because agents execute independently with limited communication, share a joint objective, and must infer useful information from communication traces. In this paper, we propose BCMAAC, a Belief-Conditioned Multi-Agent Actor-Critic method that maintains beliefs over contextual information and uses them to facilitate training. Experiments on Minecraft game-playing, web searching and tool-using tasks show that BCMAAC improves task performance and collaborative behavior compared to naive actor-critic baselines. The improvements are particularly pronounc

集体涌现对齐:多智能体交互诱导推理对齐的测量与增强

论文提出 REMAP 框架量化多智能体交互带来的额外推理对齐增益,并通过紧凑、缺口感知的事实通信提升多跳推理表现和通信效率。

 多智能体系统 多智能体协作 推理 证据推理 交互成本

📄 详细内容

论文研究多智能体交互能否产生超越单智能体自我改进的、基于参考证据的推理对齐,并提出 REMAP 框架,以语义覆盖率和交互特定对齐增益进行量化。跨不同模型家族和两个多跳推理基准的实验显示,交互普遍带来正向增益,尤其有利于整合分散在多个智能体中的证据。分析发现,对齐增益与同伴信息恢复能力相关,同时存在由智能体组合决定的异质性,以及不同能力层级间的非对称信息传递。作者进一步以紧凑、缺口感知且选择性路由的事实交换替代完整推理轨迹交换,在提升推理对齐和任务表现的同时降低通信开销,但更强的选择性会在信息获取、本地内容保留与通信效率之间形成权衡。

用途与启示
  • 为多智能体交互产生的额外推理对齐提供可操作的定量测量框架。
  • 揭示分布式证据整合、同伴信息恢复与集体推理增益之间的联系。
  • 支持依据智能体能力差异和信息缺口设计更有效的通信与路由策略。
  • 表明事实级通信可替代完整推理轨迹交换,从而兼顾任务性能与交互成本。
📝 原始笔记(逐字保留)
标题:Collective Emergent Alignment: Measuring and Amplifying Interaction-Induced Reasoning Alignment in Multi-Agent LLMs 来源:arXiv 链接:https://arxiv.org/abs/2610.34836 摘要:Multi-agent large language model (LLM) systems can exhibit emergent behaviors through interaction, yet whether a similar phenomenon exists for reasoning alignment remains largely unexplored. We study whether agent interaction produces additional reference-grounded reasoning alignment beyond matched individual self-refinement, and introduce REMAP (Reference-Entailment-Matrix for Agentic Process), a framework that quantifies this effect through Semantic Coverage and interaction-specific alignment gains. Across diverse model families and two multi-hop reasoning benchmarks, we observe broadly positive interaction gains, particularly on reasoning content that depends on integrating evidence distributed across agents. These gains are consistently associated with independently measured peer-infor

同专题其余 1 条

★2 Anthropic:谨慎使用子智能体,优先考虑单 Agent + Skills Datawhale · 多智能体系统 · 原文 Anthropic 企业实践表明,除上下文膨胀、独立并发或工具与指令冲突等场景外,采用 Skills 和工具渐进式披露的单 Agent 循环通常比复杂子智能体架构质量更高、成本与延迟更低。

 智能体 多智能体系统 智能体执行框架 智能体评估 工具调用

  • Anthropic Applied AI 团队发现,复杂子智能体架构容易造成上下文丢失、提示词冲突、局部评测失真和高延迟,而配备 Skills 的单 Agent 往往表现更好。
  • 子智能体主要适用于上下文过长导致性能衰退、任务可在独立上下文中高并发执行,或工具过载与指令冲突明显的场景;系统边界应按上下文独立性而非组织部门划分。
  • 推荐以单模型、单上下文和开放式工具循环为核心,通过 Skills、Tool Search 与 MCP 工具渐进式加载业务流程、知识和执行能力,并由 harness 管理预算及硬性约束。
  • 迁移时应先建立端到端任务完成评测,再逐步合并紧密耦合的领域 Agent,将暂时保留的子 Agent 降级为工具,最终把其提示词和 API 分别转化为 Skills 与 MCP 工具。
用途与启示
  • 为企业级智能体提供是否保留子智能体的可测量判断标准,避免照搬组织架构形成冗余系统。
  • 指导团队通过渐进式披露降低上下文、工具选择、调用成本和执行延迟。
  • 建议以小型端到端评测集建立迁移基线,每次只调整一个变量并多次运行,防止架构简化引入偶发回归。
  • 推动中央团队统一管理系统提示词、工具准入和端到端质量,业务团队则维护 Skills、MCP 工具与知识库。
📝 原始笔记(逐字保留)
SwarmEvolve|Anthropic最新长文:请谨慎使用子智能体!https://mp.weixin.qq.com/s/5KpcSM4VmM4xbFr8x_B3LQ
★3 EvoRouter:洞察引导在策略蒸馏的低成本多智能体路由 arXiv · 模型路由 · 论文 · 代码 EvoRouter通过动态提炼路由洞察、在策略蒸馏与成本感知强化学习构建自我改进闭环,在提升多智能体任务准确率的同时将推理计算成本降低50.95%。

 模型路由 多智能体系统 在策略蒸馏 成本优化 强化学习

EvoRouter面向多智能体系统中语言模型、协作模式、智能体数量、交互轮次和技能的组合式配置难题。专用专家从跨任务配置轨迹的性能与成本反馈中,周期性提炼能力需求、资源扩展收益及配置交互关系等条件化路由洞察。特权教师结合演化中的洞察与当前执行反馈,通过在策略蒸馏为路由器自身的规划轨迹提供稠密词元级监督,并以成本感知强化学习联合优化任务表现和计算开销。该方法在19个域内数据集上取得68.69%的平均准确率,较最强路由基线提高7.23个百分点,同时降低50.95%的推理计算成本,并在两个域外基准上进行验证。

用途与启示
  • 为组合空间庞大的多智能体配置提供可学习的动态路由方案,避免依赖人工规则或穷举搜索。
  • 将执行轨迹中的性能—成本经验提炼为可复用洞察,可用于改进稀疏奖励下的细粒度路由监督。
  • 展示在策略蒸馏与成本感知强化学习结合后,可同时优化准确率和推理资源消耗。
  • 通过“执行—洞察提炼—策略更新—新轨迹生成”闭环,为多智能体系统的持续自我改进提供范式。
📝 原始笔记(逐字保留)
标题:EvoRouter: Cost-Efficient Multi-Agent Routing via Insight-Guided On-Policy Distillation 来源:arXiv 链接:https://arxiv.org/abs/2610.35690 摘要:Serving web queries at scale with multi-agent systems requires jointly configuring large language models, collaboration modes, agent counts, interaction rounds, and skills. However, the resulting configuration space grows combinatorially, while sparse execution rewards provide limited fine-grained supervision for interdependent planning decisions. We propose EvoRouter, a self-evolving multi-agent routing framework driven by insight-guided on-policy distillation. A dedicated expert periodically synthesizes performance-cost feedback from configuration trajectories across tasks into reusable conditional routing insights about capability requirements, returns from resource scaling, and interactions among configuration choices. A privileged teacher combines these evolving insights with current
DataEvolve2 条
★3 DataMaster:自演进数据飞轮科研智能体 未知 · 自动化科学研究 · 论文 · 原文 DataMaster 以实验反馈驱动数据集与方案迭代,自动完成从研究构想到实验结论输出的全链路数据中心型科研循环。

 自动化科学研究 科研智能体 数据工程 闭环科学研究 智能体

DataMaster 是一个以数据为中心的自主 AI 研究智能体,将科研流程拆解为文献检索、实验设计、代码实现、结果评估和报告撰写等子任务。系统利用大语言模型推理研究思路并生成实验脚本,再通过自动化执行环境运行实验和采集指标。它根据实验反馈持续优化数据集构造策略与实验方案,形成自演进的数据飞轮。在多个 AI 基准任务上的对比实验与消融分析表明,该系统能够自主发现有效数据策略并产出新的研究结论。

用途与启示
  • 为构建端到端科研智能体提供以数据迭代为核心的闭环架构参考。
  • 展示如何利用真实实验反馈联合优化数据集构造与实验设计,而非仅生成研究文本。
  • 可用于评估自主科研系统发现数据策略、执行实验和形成可靠结论的能力上限。
📝 原始笔记(逐字保留)
DataEvolve|首个自演进数据飞轮智能体,比肩顶级人类 https://mp.weixin.qq.com/s/46CtCFVU_id7C8kSB9Ijbw
★3 AutoData:智能体生成高质量合成训练数据 未知 · 数据合成 · 论文 · 原文 Meta FAIR 提出 AutoData,通过多智能体 Agentic Self-Instruct 流程动态调节任务难度、优化提示词,为小模型自动生成高质量的渐进式合成训练数据。

 数据合成 智能体 模型训练 课程学习 提示工程

AutoData 让智能体扮演数据科学专家,通过自动迭代改善合成训练数据的质量与难度适配性。其核心 Agentic Self-Instruct 流程由挑战者、强弱求解器、验证者和评判者等子智能体协同,根据目标模型能力对过易或过难任务动态调整难度。该框架还能自动优化数据生成提示词,减少人工调参与数据策展成本,并形成适合小模型课程学习的渐进式数据。实验中,使用其数据训练的 Qwen3.5-4B 在计算机科学、法律推理和数学推理任务上优于传统合成数据方案,部分结果超过所对比的 397B 参数模型基线。

用途与启示
  • 可面向目标模型能力自动生成难度适配的指令与推理数据,支持课程学习和能力爬坡。
  • 通过多智能体生成、求解、验证与评判闭环提升合成数据的质量控制水平。
  • 自动调节任务难度与生成提示词,降低人工筛选、数据策展及调参成本。
  • 展示了智能体闭环驱动数据自演化,以及以高质量数据缩小模型参数规模差距的潜力。
📝 原始笔记(逐字保留)
https://mp.weixin.qq.com/s/eeRKC-Zy1S3EhYqyWc5ISw?scene=1
EvolveLRM4 条
★3 TTPO:无标签测试时策略优化实现自进化 未知 · 测试时训练 · 论文 · 原文 TTPO利用伪标签更擅长识别错误的非对称特性,结合在策略蒸馏与分组强化学习,在无真值标签条件下稳定提升大语言模型的数学推理能力。

 模型训练 测试时计算 强化学习 自我改进 数学人工智能

TTPO针对测试时训练缺少真值标签、错误伪标签会放大密集监督风险的问题,利用“伪标签未必正确,但与其分歧的轨迹通常错误”这一非对称信号。对于与伪标签一致的正样本,方法以伪标签作为教师的特权信息,通过前向 KL 进行在策略蒸馏;对于分歧样本,则使用 GRPO 和共识奖励压制错误推理。其正样本分支根据学生熵及师生散度调整 token 权重,负样本分支仅惩罚高置信、低熵的错误 token,以减少误伤和计算开销。在五个竞赛级数学基准上,Qwen3-1.7B 的测试时准确率由 38.0% 提升至 45.2%,并在无标签条件下达到有标签 OPSD 的水平。

用途与启示
  • 为无人工标签的测试时训练提供稳定的 token 级自监督方案。
  • 展示弱伪标签可以用于可靠识别错误,而不必被直接当作完全正确的监督目标。
  • 将在策略蒸馏与 GRPO 非对称组合,可降低错误伪标签对推理轨迹的污染。
  • 模型性能提升会同步改善伪标签质量,形成可持续的自我改进闭环。
📝 原始笔记(逐字保留)
https://mp.weixin.qq.com/s/DrHNsxC8J8ZLpsjAoGBbpQ
★3 S3AC:面向 LLM 推理的稳定、选择性、可扩展 Actor-Critic arXiv · 信用分配 · 论文 S3AC 通过稳定训练长思维链 Critic、生成词元级优势并按难度选择提示,在减少 rollout 浪费的同时提升不同规模推理模型的 RLVR 训练效果。

 强化学习 信用分配 推理 模型训练 样本调度

S3AC 针对无 Critic 的 RLVR 方法缺乏词元级信用分配、依赖分组 rollout 估计提示基线的问题,引入可扩展的 Actor-Critic 训练方案。其 Critic 训练方法重点缓解长 CoT 轨迹长度覆盖不足,以及新初始化价值头在训练早期主导梯度的问题。训练后的 Critic 同时提供词元级优势和提示级基线,并以此构建难度感知提示采样 DAPS,在生成前结合难度估计与历史结果筛选提示。实验覆盖 1.5B 至 397B 的稠密与混合专家模型,整体优于 GRPO-X;在 35B 模型上,S3AC 还能维持单 rollout 训练,而无 Critic 基线在初期提升后出现退化。

用途与启示
  • 为长思维链 RLVR 提供更细粒度的词元级信用分配,改善仅使用序列级奖励的训练局限。
  • 利用 Critic 估计提示难度并在 rollout 前执行样本筛选,可减少低价值生成带来的计算浪费。
  • 表明经过稳定化设计的 Actor-Critic 能扩展到数百亿乃至数千亿参数模型,并降低对分组 rollout 的依赖。
  • 可为推理模型训练中的样本调度、价值函数初始化和单 rollout 策略优化提供参考。
📝 原始笔记(逐字保留)
标题:S3AC: Stabilized, Selective, and Scalable Actor-Critic for LLM Reasoning 来源:arXiv 链接:https://arxiv.org/abs/2610.35518 摘要:Critic-free methods are widely used in reinforcement learning with verifiable rewards (RLVR) for long chain-of-thought (CoT) reasoning, avoiding difficult and costly critic training. Common alternatives lack token-level credit assignment and typically rely on grouped rollouts to estimate prompt-specific baselines. A critic can address both limitations, but long-CoT critic training is hindered by insufficient coverage of trajectories with diverse lengths and early gradients dominated by the newly initialized value head. We introduce S3AC (Stabilized, Selective, and Scalable Actor-Critic) for LLM reasoning, built around a practical critic-training recipe. The trained critic provides token-specific advantages and prompt-specific baselines. Using the prompt-level baseline to estimate difficult
★3 DTCA:扩散语言模型强化学习的去噪词元信用分配 arXiv · 信用分配 · 论文 DTCA通过估计去噪过程中各词元对剩余掩码位置预测置信度的贡献,为扩散语言模型强化学习提供细粒度信用分配,并显著提升数学推理性能。

 信用分配 强化学习 扩散模型 模型训练 推理

DTCA面向扩散语言模型的迭代去噪特性,解决最终结果奖励难以判断各词元贡献的问题。框架以词元提交后剩余掩码位置预测置信度的提升衡量贡献,并按照词性类别聚合相关信号。所得贡献权重用于筛选信息量较高的去噪时间步,并在强化学习训练中分配词元级学习信号,同时依据策略更新引起的词元熵变化进行校准。在LLaDA-8B-Instruct上的实验表明,DTCA在不同生成预算下均能改善数学推理表现,相较基础模型在MATH500和GSM8K上最高分别提升9.0分和5.3分。

用途与启示
  • 为扩散语言模型强化学习提供比终局奖励更细粒度的词元级信用分配机制。
  • 可利用预测置信度变化筛选关键去噪时间步,减少低信息量步骤对训练的干扰。
  • 词元熵校准有助于稳定策略更新,可为其他并行生成或迭代修正模型的奖励设计提供参考。
  • 实验结果显示该机制适合用于提升扩散语言模型的数学推理能力。
📝 原始笔记(逐字保留)
标题:DTCA: Denoising Token Credit Assignment for Reinforcement Learning in Diffusion Language Models 来源:arXiv 链接:https://arxiv.org/abs/2610.35201 摘要:Diffusion language models (DLMs) generate text through iterative denoising, enabling bidirectional context modeling and parallel token refinement. Recent studies have applied reinforcement learning (RL) to DLMs and improved their reasoning performance. However, the iterative denoising process makes credit assignment more challenging, as final outcome rewards provide limited information about how different tokens contribute to the final output. In this paper, we propose Denoising Token Credit Assignment (DTCA), a framework for token-level credit assignment in reinforcement learning for diffusion language models. DTCA estimates token contributions by measuring the improvement in prediction confidence of remaining masked positions after token commitment and groups these signals according to p
★3 Info-GRPO:面向长链推理的相关性感知探索 arXiv · 策略优化 · 论文 Info-GRPO通过最大化潜变量与完整推理轨迹间的互信息,在避免逐词元熵奖励干扰收敛的同时提升长链推理的探索多样性与采样效率。

 强化学习 策略优化 推理 模型训练 推理预算

论文指出,GRPO训练长链推理模型时容易发生策略坍缩,而逐词元熵正则会持续将概率质量推向低概率词元,并与收敛所需的熵衰减相冲突。Info-GRPO在训练提示中加入潜在种子,使策略探索与潜在先验相关联,并以潜变量和生成轨迹之间的互信息承载多样性。该设计将探索从局部词元随机性提升到完整推理轨迹层面,同时允许条件熵逐步收敛。实验中,Info-GRPO在多种推理基准和四个骨干模型上优于GRPO及其熵正则版本,并在AIME24上以少8倍的样本达到相同多数投票准确率。

用途与启示
  • 为长思维链强化学习提供不依赖逐词元熵膨胀的探索机制,缓解策略坍缩。
  • 利用潜变量控制轨迹级多样性,使探索目标与训练收敛方向保持一致。
  • 可提升推理模型的采样效率,降低多数投票等测试时计算策略的成本。
  • 为GRPO在长轨迹场景中的正则化系数敏感问题提供信息论替代方案。
📝 原始笔记(逐字保留)
标题:Correlation-Aware Exploration for Long-Trace Reasoning 来源:arXiv 链接:https://arxiv.org/abs/2610.34949 摘要:Reasoning models trained with Group Relative Policy Optimization (GRPO) now produce chains of thought thousands of tokens long, and recent studies reveal that such training is prone to policy collapse. Entropy regularization is the standard remedy, but it works by pushing probability mass away from the few tokens that carry it and toward the vast low-probability tail of the vocabulary, and it applies this force once for every token of the reasoning trace. This puts the bonus in direct conflict with the entropy decay that convergence requires, and makes its coefficient difficult to set in the long-trace regime. To resolve this tension, we propose Info-GRPO, an information-theoretic framework that cultivates correlation between the policy and a latent prior. Rather than raising entropy every
Awesome-RSI2 条
★3 RSI 递归之桥:自我改进的验证机制与工程边界 未知 · 递归自我改进 · 原文 文章从深度学习可训练性的“四座桥”出发,指出递归自我改进的核心瓶颈已由生成改动转向可靠验证改动,并提出验证预算、递归层级和证据标准等分析框架。

 递归自我改进 自我改进 执行验证 智能体脚手架演化 人工智能可靠性

  • 深度学习依赖计算图、可微反传、相对稳定的数据分布和时间信用分配,而 RSI 会因脚手架拓扑可变、文本操作离散、任务分布漂移及长期后效应而削弱这些基础。
  • RSI 的关键约束不是能否生成代码、技能或 Harness 改动,而是能否证明改动确实带来可泛化、可持续且无隐藏副作用的提升。
  • 文章提出由形式化证明、可执行测试、环境观测、人类评审和 LLM 评委组成的递减验证链,并以独立验证资源界定改动的影响半径。
  • 文中进一步给出参数、经验、编排与元层面的四阶递归,以及“频率—半径—验证”治理矩阵、E0—E4 证据标准和八个开放问题。
  • 现有工作多数只能展示单轮增益,尚不足以证明具备长期复利效应的递归自我改进。
用途与启示
  • 为 Agent、Harness 和自进化系统设计提供验证优先的机制地图与风险清单。
  • 提醒研发者根据改动影响半径配置独立验证预算,避免以生成能力替代改进证据。
  • 可用于区分单轮性能增益与可持续递归改进,并建立分级证据与治理标准。
  • 解释代码和数学领域更易率先实现 RSI,而法律、医疗和设计等弱可验证领域仍面临较高门槛。
📝 原始笔记(逐字保留)
https://mp.weixin.qq.com/s/7f_hoxCNf0hjLYcrQM1gVw
★3 大模型时代的可信递归自我改进:基础、风险与评估 arXiv · 递归自我改进 · 论文 该综述提出递归自我改进的操作性定义与流程框架,并从改进有效性、约束保持和有效监督三个视角系统梳理可信 RSI 的风险、保障措施、评估要求及开放问题。

 递归自我改进 人工智能可靠性 模型评估 自演化 安全对齐

论文将递归自我改进定义为:系统不仅持续更新模型、提示、记忆、工具和工作流,还能修改并复用支配后续更新的归纳偏置与改进机制。作者把可信 RSI 的要求归纳为持续且真实的能力提升、行为约束与公平性保持、系统安全与隐私,以及透明度和可控性四个方面。框架覆盖改进诊断、方案生成、方案评估和更新实施四个阶段,并进一步考察这些阶段如何递归作用于改进机制自身。综述强调单次性能增长不能证明可信改进,还需评估能力退化、约束弱化、风险工件或敏感信息继承,以及机制变化导致既有验证失效等问题。作者主张采用独立、纵向评估,持续追踪更新效果、后继系统继承风险与监督机制有效性。

用途与启示
  • 为递归自我改进系统提供统一的操作性定义、流程分解和可信性分析框架。
  • 指导评估体系从单次性能比较转向独立、纵向且覆盖后继系统的持续审计。
  • 提醒开发者在修改改进机制后重新验证安全约束、隐私保护和人类监督的有效性。
  • 可用于设计同时衡量改进有效性、约束保持与可控性的 RSI 基准和治理流程。
📝 原始笔记(逐字保留)
标题:Trustworthy Recursive Self-Improvement in the Era of Large Models: Foundation, Risks, Evaluation and Open Challenges 来源:arXiv 链接:https://arxiv.org/abs/2610.35193 摘要:AI systems built around large models increasingly use experience and feedback to make persistent changes to models, prompts, memories, tools, and workflows. Recursive self-improvement (RSI) extends this process to inductive biases and to the mechanisms that govern future updates, which can themselves be revised and reused across improvement cycles. Yet self-modification alone does not guarantee trustworthy improvement. Reported gains may reflect flawed evaluations, previously acquired capabilities may deteriorate, and compliance with behavioral constraints may weaken. Compromised artifacts or sensitive information may also persist in successor systems. Changes to improvement mechanisms may invalidate earlier verification results and make human oversight less effective. This survey presents
RobotEvolve3 条
★2 通过视频读写、共享与世界交互:世界建模综述 Hugging Face Papers · 世界模型 · 论文 该综述以世界建模为统一视角,将视频基础模型的发展归纳为读取、写入、共享和交互四类操作,并梳理其迈向持久状态、可控演化及物理因果一致性的趋势。

 世界模型 视频理解 视频生成 多模态 状态持久化

论文将视频视为潜在时序世界的部分、有损且按时间排列的投影,以统一视频理解、生成与交互建模。作者提出四类核心操作:读取用于从视频推断世界属性,写入用于根据世界条件合成视频,共享用于整合理解与生成机制,交互用于在动作和新观测下预测并更新世界状态。综述强调,应区分视频序列的时间连贯性与底层世界状态的一致性。该领域正从片段级识别和感知保真度,转向持久状态、可控演化、物理与因果有效性,以及面向交互和下游决策的评估。

用途与启示
  • 为视频理解、视频生成和交互式世界模型提供统一的分类框架。
  • 帮助研究者区分表面时序连贯性与底层世界状态一致性,改进评测设计。
  • 指引未来工作关注持久状态表示、动作条件预测、物理因果约束和决策导向评估。
📝 原始笔记(逐字保留)
[通过视频阅读、写作、分享并与世界互动(216 ▲)](https://huggingface.co/papers/2610.31668?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)
★2 HiSTEVE 1.0:面向开放世界游戏的分层 VLA 智能体 Hugging Face Papers · 具身规划 · 论文 HiSTEVE 通过能力感知编排、结构化记忆与原生键鼠控制,将 VLA 的视觉运动能力扩展至《Minecraft》开放世界中的长程自主任务。

 具身智能 长程任务 智能体 任务规划 多模态

HiSTEVE 是一个面向开放世界游戏的分层 VLA 智能体,由能力感知的智能体脚手架负责长程编排,并由单一 VLA 策略执行全部子任务。编排层使用结构化记忆追踪进度,由 VLM 规划器在 VLA 能力范围内选择子任务,并通过结合策略上下文的任务完成状态检测器判断候选完成状态。控制层仅依靠视觉感知和原生键盘、鼠标动作运行,同时使用分场景 RMSNorm 分支及独立鼠标移动词元嵌入,缓解 GUI 与非 GUI 操作之间的干扰。该系统结合世界知识注入、模仿学习和环境反馈强化学习进行训练,在 MineStudio Bench 上达到 85.0%,在 OpenHA 上取得 37.4% 的平均成功率,并能从零完成制作铁镐等长程任务。

用途与启示
  • 展示了无需环境 API 或预定义技能、仅通过原生人机界面完成开放世界长程任务的可行路径。
  • 能力感知规划可避免上层规划器提出超出底层 VLA 执行能力的子任务,提高规划与控制的一致性。
  • 策略耦合的完成状态检测可为长程智能体提供更可靠的进度判断、失败恢复与重新规划信号。
  • 分场景归一化和动作词元设计为统一处理异构 GUI 操作与连续鼠标控制提供了架构参考。
📝 原始笔记(逐字保留)
[HiSTEVE 1.0:利用人机界面 VLA 智能体玩开放世界游戏(38 ▲)](https://huggingface.co/papers/2610.31162?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)
★3 OpTTA:面向规划的乐观测试时世界模型适应 arXiv · 测试时优化 · 论文 OpTTA在测试时联合优化转移预测损失与候选轨迹的目标到达成本,通过任务感知的乐观偏置提升分布偏移下的世界模型规划成功率。

 世界模型 任务规划 持续学习 具身智能 跨域泛化

  • 冻结的潜在世界模型在视觉或环境分布发生偏移时,预测能力与规划成功率都可能下降,而仅降低已执行动作上的预测误差并不保证找到通向目标的动作。
  • OpTTA借鉴自适应控制中的奖励偏置最大似然,在测试时同时最小化观测转移的预测损失和规划器候选轨迹的目标到达成本。
  • 规划项使世界模型对成功到达目标保持乐观偏置,无需增加与环境的交互即可将适应过程导向任务相关区域。
  • 在操作、目标到达和导航任务的多种分布偏移下,OpTTA相对冻结模型平均提升13.5个百分点的最终规划成功率,优于仅预测适应方法AdaJEPA的6.9或7.5个百分点增益。
用途与启示
  • 表明世界模型的测试时适应目标应直接服务于下游规划,而不能仅以预测误差作为代理指标。
  • 可用于提高机器人操作、导航和目标到达系统在视觉及环境变化下的在线适应能力。
  • 为闭环部署提供一种无需额外环境交互的任务感知更新机制,并兼容CEM与基于梯度的规划器。
  • 提示评估世界模型适应方法时,应同时报告预测性能与最终规划成功率。
📝 原始笔记(逐字保留)
标题:Adapt for Planning, Not just Prediction: Optimistic Test-Time World Model Adaptation 来源:arXiv 链接:https://arxiv.org/abs/2610.35636 摘要:Latent world models are typically pre-trained offline and kept frozen at test time, so planning with them can degrade under distribution shift. Test-time adaptation (TTA) can mitigate this degradation by updating the model during deployment. Unlike pre-training on fixed data, TTA for planning is closed-loop: the planner uses model rollouts to select actions, and the resulting transitions drive the next update. This raises the question: which objective should guide TTA for planning? Under a prediction-only objective, the model is fit only to the outcomes of its own actions, so it can remain wrong about the actions that would reach the goal, and low prediction error need not translate into better planning. Inspired by reward-biased maximum likelihood from adaptive control, we introduce Optim
EvalEvolve8 条
★2 UserArena:长时程购物智能体的交互式用户模拟基准 Hugging Face Papers · 在策略蒸馏 · 论文 UserArena基于真实电商交互轨迹评估长时程购物智能体,并通过在策略轨迹蒸馏提升用户模拟器对真实行为与线上策略效果的还原能力。

 智能体评估 交互式评估 长程智能体 在策略蒸馏 行为建模

UserArena收录11,010名用户的64,729条真实会话轨迹,覆盖566,102件商品和13类动作,并提供可交互的电商购物环境。基准从输出有效性、局部决策、序列行为、个性化和最终结果五个层级评估用户模拟器与购物智能体。其评估结果可与受控生产环境A/B测试结果进行离线对照,以检验模拟器能否复现真实策略效应。论文进一步提出在策略轨迹蒸馏(OPTD),利用轨迹级意图为学生模型自身生成的交互轨迹提供稠密教师目标,并取得最佳综合模拟保真度。

用途与启示
  • 为长时程推荐和购物智能体提供基于真实用户轨迹的交互式评估环境。
  • 支持将离线模拟结果与生产A/B测试对照,提升智能体策略评估的可信度。
  • OPTD展示了在学生模型生成的轨迹上实施稠密蒸馏,可改善长程用户行为模拟。
  • 五级评估协议可用于定位模拟器在局部决策、个性化或最终业务结果上的偏差。
📝 原始笔记(逐字保留)
[UserArena:长时程购物智能体交互式用户模拟基准测试(47 ▲)](https://huggingface.co/papers/2610.30932?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)

专题:智能体评测 3 条

简单 LLM Harness 在微服务根因分析中胜过手工智能体

在 RCAtlas 基准上,不预设调查流程的简单 LLM Harness 比五种手工编排的根因分析智能体及传统统计、因果方法更准确且更具成本效益。

 智能体评估 故障诊断与恢复 智能体脚手架 模型评估 成本优化

📄 详细内容

研究在 RCAtlas 的 90 个已验证微服务故障案例上,对三种简单 Harness、五种已发表 LLM 根因分析智能体以及统计和因果方法进行了统一比较。三种简单方案分别为基于证据包的单次调用、SQL 智能体和 Codex 编程智能体,均不预先规定模型的具体调用流程。简单 Harness 在三个中等能力模型上的 PR@1 达到 65%–77%,高于已发表智能体的 16%–53%和非 LLM 方法的 6%–39%。案例分析表明,固定阶段、标准操作程序和角色分工可能跳过决定性证据;增强基础模型主要提升可靠性,多轮 Harness 主要提升任务能力,而增加推理投入仅带来有限准确率增益,却可能使耗时增加至七倍。

用途与启示
  • 说明复杂的手工智能体流程并不必然优于让能力较强的模型自主调查,设计 RCA 系统时应首先建立简单 Harness 基线。
  • 提醒智能体评测采用统一数据、模型和推理预算,避免不同私有数据与少量基线造成误导性结论。
  • 表明过度固定调用步骤可能限制证据探索,应优先保留工具选择和调查路径的自由度。
  • 为生产级故障诊断提供成本—准确率权衡依据:在达到较高准确率的方案中,简单 Harness 占据成本或时间上的 Pareto 前沿。
📝 原始笔记(逐字保留)
标题:Free to Look, Free to Reason: Simple LLM Harnesses Outdiagnose Hand-Crafted Root Cause Analysis Agents 来源:arXiv 链接:https://arxiv.org/abs/2610.35767 摘要:Root cause analysis (RCA) of microservice failures has attracted many LLM agents whose investigation is hand-crafted, through standard operating procedures, fixed stages and role agents. Each is evaluated on its own data against few baselines, so it is unknown whether this design beats letting a capable model investigate on its own. We compare three simple harnesses that prescribe none of the model's calls (one call over an evidence package, a SQL agent and the Codex coding agent) with five published LLM RCA agents and with statistical and causal methods on RCAtlas, 90 validated cases from eight public datasets, across six models and three reasoning efforts. The simple harnesses are the most accurate (PR@1 65-77% on three mid-tier models), ahead of the published agents (16-53%) and the non

LongSearchEval:面向长程网页搜索的轨迹感知智能体评测

LongSearchEval通过保留真实网页交互轨迹、约束来源的结果验证和失败节点定位,对智能体的长程搜索结果及证据使用行为进行细粒度评估。

 智能体评估 模型评估 长程任务 执行轨迹 证据推理

📄 详细内容

LongSearchEval采用统一智能体执行协议,完整保留长程网页搜索中的真实交互轨迹,避免依赖模拟轨迹或根据最终答案事后重建行为。第一阶段无需人工编写标准答案,而是依据智能体引用的网页验证答案组;第二阶段审计规范化交互轮次,并将失败节点关联至错误答案组。作者在100项任务上评估来自8个系列的16个模型,共获得1,600次运行轨迹和6,545个自动标记的失败节点。人工验证显示,答案组标签一致率达到94.50%,被审计轮次与答案组关联的特征对应精度达到98.11%。

用途与启示
  • 为长程网页搜索智能体提供兼顾最终结果与执行过程的评测框架。
  • 利用真实交互轨迹定位证据获取、核验和使用过程中的具体失败节点。
  • 支持不同模型之间的受控比较,并为智能体行为审计和故障诊断提供可追溯证据。
  • 展示无需人工标准答案、基于引用来源实施结果验证的可扩展评测路径。
📝 原始笔记(逐字保留)
标题:LongSearchEval: Evaluating Long-Horizon Web Search Capabilities of Large Language Models via a Trajectory-Aware Agent Framework with Failure-Node Localization 来源:arXiv 链接:https://arxiv.org/abs/2610.35150 摘要:Long-horizon web search requires LLM-based agents to integrate information across web pages through extended interactions under task-specific constraints. Evaluating this capability is important not only for measuring final answer quality, but also for assessing whether an agent acquires, verifies, and uses evidence reliably over extended interactions. Existing evaluations, however, mainly rely on simulated trajectories or on post-hoc trajectories reconstructed from final answers, rather than on retained real interaction traces, which limits the fidelity of behavioral assessment and weakens support for fine-grained error localization. To address this gap, we introduce LONGSEARCHEVAL, a trajectory-aware agent evaluation framework that combines a unified agent execution protocol with source

同专题其余 1 条

★2 Dual Exam:多模态智能体与世界模型的受控评估 Hugging Face Papers · 智能体评测 · 论文 Dual Exam通过固定环境响应或动作干预,分别评估多模态智能体的动作选择能力与世界模型的状态演化能力,并揭示二者耦合执行仍面临严重瓶颈。

 智能体评估 世界模型 模型评估 多模态 过程诊断

Dual Exam将多模态智能体与世界模型拆分评估:智能体测试固定环境响应下的动作选择,世界模型测试固定动作干预下的状态演化。智能体赛道覆盖15类报告类别的1,088道题和10种配置,世界模型赛道包含8种场景的400个案例。GPT 6 Astra以31.3分位居智能体综合指数首位,GPT-Image-2以21.7分取得完整覆盖世界模型配置的最高总分,但两个分数因任务和指标不同而不可直接比较。一项包含150个案例的耦合试验未取得任何任务成功,暴露出任务相关状态保持不足等问题,也说明组件得分尚不能可靠预测端到端协作效果。

用途与启示
  • 为多模态智能体和世界模型提供解耦、可控的组件级评估框架。
  • 通过固定环境响应与动作干预区分动作选择错误和状态演化错误,支持细粒度故障诊断。
  • 提醒研究者不要直接用单组件基准成绩推断智能体—世界模型耦合系统的长期运行能力。
  • 可用于研究模拟经验驱动的智能体训练、轨迹反馈驱动的世界模型改进及二者的闭环学习。
📝 原始笔记(逐字保留)
[双重考试:对多模态智能体和世界模型的受控评估(16 ▲)](https://huggingface.co/papers/2610.31066?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)
★3 量化 LLM 科研智能体的主张平滑现象 arXiv · 科研评测 · 论文 论文提出 SmoothScore,在主张层面量化科研智能体将多样或冲突证据过度整合为确定性结论的“主张平滑”问题。

 科研智能体 模型评估 人工智能可靠性 科学幻觉 证据推理

论文发现,LLM 生成的长篇研究报告虽然呈现出连贯且自信的综合叙事,却可能无法忠实反映底层文档中的分歧与不确定性。作者将这种丢弃证据“锯齿性”、生成超出引文支持强度之结论的失效模式称为“主张平滑”。为量化该现象,SmoothScore 从报告中抽取关键结论性主张,检索相关证据,并按高层证据维度进行聚类,最终评估每项主张相对于证据的平滑程度。在覆盖 7 个系统和 4 个数据集的实验中,科研智能体普遍生成了比证据所能支持的更强主张。

用途与启示
  • 为深度研究智能体提供主张级可靠性评测指标,避免仅凭报告流畅度判断质量。
  • 可用于审计生成结论与原始证据之间的支持强度,识别被掩盖的分歧和不确定性。
  • 启示科研智能体在综合多源材料时,应显式保留冲突证据、限定条件与置信度,而非强行形成单一叙事。
  • SmoothScore 可作为报告生成系统的训练反馈或验收指标,促进证据感知和主张校准。
📝 原始笔记(逐字保留)
标题:Quantifying Claim Smoothing by LLM Research Agents 来源:arXiv 链接:https://arxiv.org/abs/2610.35793 摘要:Deep research, or any use of large language models (LLMs) to read a large document collection and produce insights, requires synthesizing information from different sources. In this work, we find that LLMs produce long-form research reports that read as confident syntheses but which fail to accurately reflect the underlying documents. We call this failure smoothing. In collapsing diverse and potentially conflicting sources into a single narrative, the model discards the evidential "jaggedness" of its corpus and asserts conclusions more decisive than the citations can support. We introduce a claim level scoring pipeline, SmoothScore, to quantify this effect. Our pipeline extracts key conclusive claims from model generated reports, then finds evidence relevant to each claim and clusters that
★3 EvoBench:面向环境建模的演化诊断评测框架 arXiv · 评测基准 · 论文 EvoBench通过动态追踪时空分布变化、空间外推和极端事件下的失效模式,将环境模型评估从饱和的静态排名转变为持续演化的能力缺口地图。

 模型评估 动态基准测试 环境科学 失效模式分析 跨域泛化

EvoBench针对固定数据集和单一平均准确率难以区分先进环境模型、掩盖具体失效场景的问题,提出演化式诊断评测框架。框架重点分析气候非平稳性、未监测地点的空间外推,以及洪水和干旱等罕见关键状态。作者以日径流预测为案例构建 CAMELS-Evolve,覆盖约9000个美国流域及1985—2024年的数据,并比较 NWM、HBV 与多种数据驱动模型。结果表明没有模型在所有测试场景中占优,且所有数据驱动模型均存在洪水低估现象;针对诊断结果进行定向修正可缓解部分弱点。

用途与启示
  • 为环境模型建立超越单一平均分数的细粒度诊断评估体系。
  • 持续追踪分布变化、空间外推和极端事件中的模型能力缺口,避免静态基准趋于饱和。
  • 可依据具体失效场景设计定向数据增强、训练策略或模型修正,并验证改进是否有效。
  • 为气候、水文、农业和生态预测系统的可靠部署提供更具可操作性的评估依据。
📝 原始笔记(逐字保留)
标题:EvoBench: An Evolving, Diagnostic Benchmark Framework for Environmental Modeling 来源:arXiv 链接:https://arxiv.org/abs/2610.35464 摘要:Machine learning models are now widely used to predict environmental variable dynamics in domains like hydrology, climate science, agriculture, and ecology. These models are usually compared on fixed benchmark datasets using a single average accuracy score. As models improve, their scores become very close when averaged over large regions and long time periods, so the benchmark can no longer tell them apart, and a single number hides \emph{where} and \emph{when} a model fails. Three failures are common across environmental domains: models get worse as the climate shifts (non-stationarity), models fail at unmonitored sites (spatial extrapolation), and models miss rare but important regimes such as floods and droughts. We present \textbf{EvoBench}, a benchmark framework that shows where a mo
★3 SkillLifeBench:智能体技能全生命周期安全评测 arXiv · 安全评测 · 论文 SkillLifeBench以388组配对场景评测智能体在技能实现、接口、运行、组合及版本变更中的全生命周期安全,并显示执行溯源证据可显著提升攻击后的恢复成功率。

 智能体安全 智能体评估 智能体技能库 技能安全 证据溯源

SkillLifeBench覆盖388组配对场景,系统关联技能的存储代码、选定版本、实际加载实现与最终任务结果,考察实现、接口、运行时、组合和版本变更等风险。研究评测14个模型,包括89项运行时任务和60项自主生命周期任务,后者允许智能体检查、选择并重新配置技能。生命周期评测中,受挑战任务完成率为77.5%,但同时完成任务且未触发预设攻击目标的联合成功率仅为65.2%,另有103次运行同时完成了任务与攻击目标。恢复实验表明,引入执行溯源可将联合成功率从49.35%提升至65.58%,确定性执行一致性规则和完整恢复则分别达到64.94%和69.48%。

用途与启示
  • 为智能体技能库、插件生态及版本管理系统提供覆盖完整生命周期的安全评测框架。
  • 说明仅考察运行时任务成功率不足以衡量技能安全,需同时验证攻击目标是否被触发。
  • 支持将执行溯源、版本一致性检查和完整状态恢复纳入智能体运行时防护机制。
  • 可用于区分运行时得分相近、但自主技能选择与重配置安全能力差异显著的模型。
📝 原始笔记(逐字保留)
标题:SkillLifeBench: Benchmarking Security Across the Lifecycle of Agent Skills 来源:arXiv 链接:https://arxiv.org/abs/2610.35215 摘要:Web agents reuse skills whose stored code, selected version, and loaded implementation can diverge across tasks and updates. SkillLifeBench links these states to task outcomes in 388 paired scenarios spanning implementation, interface, runtime, composition, and version changes. We evaluate 14 models on two paired decision tracks: 89 runtime tasks and 60 autonomous lifecycle tasks spanning 12 templates derived from introduced cases. Lifecycle tasks allow agents to inspect, select, and reconfigure skills while completing verifiable user requests. Joint success requires task completion without the registered attack goal. GPT-5.6-Sol and Sonnet 4.6 both achieve 82.0% on runtime tasks, but reach 96.7% and 56.7% on lifecycle tasks. Across lifecycle evaluations, challenged task success is 77.5%,
★3 RubriX:可微调的快速非自回归量规评判器 arXiv · 模型评测 · 论文 RubriX通过LoRA编码器、对比式表征与等级嵌入缓存实现无需文本生成的量规评判,在提升准确率的同时显著降低长量规下的评估延迟。

 模型评估 模型评判 推理加速 参数高效微调 成本优化

RubriX将待评响应与各量规等级描述编码为向量,并基于缩放余弦相似度的softmax直接输出等级概率,无需自回归生成。模型使用LoRA适配的编码器,在公开量规数据与专有合成数据上训练,对未见量规达到75.4%的精确准确率,高于TypeSafe Jev的57.1%和Qwen3-8B评判器的49.8%。在人类标注的八组基准上,RubriX在多数数据集中的准确率与Jev相差不超过6个百分点,但Jev在部分数据集及总体响应排序上仍占优势。缓存等级嵌入后,其单次评判延迟在等级描述由10增至3000词元时仍约为28毫秒,在3000词元设置下分别比Jev和Qwen3-8B评判器快7.7倍与18.8倍。

用途与启示
  • 为大规模、低延迟的量规评估提供非生成式替代方案,避免评判成本随等级描述长度显著增长。
  • 可通过LoRA针对特定业务量规进行低成本微调,适合自动化评测流水线和在线质量控制。
  • 等级嵌入缓存表明,复用固定评价标准的向量表示可显著优化批量评判吞吐量。
  • 结果也提示部署时需同时考察等级分类准确率与响应排序能力,非自回归评判器尚未在所有维度超越生成式评判器。
📝 原始笔记(逐字保留)
标题:RubriX: A Fast, Fine-Tunable Non-Autoregressive Rubric Judge 来源:arXiv 链接:https://arxiv.org/abs/2610.34875 摘要:Rubric-based evaluation asks which level of a rubric a response meets. It is usually done by prompting a large language model (LLM) as a judge, which needs a generative call per judgment and reads every level description, so its cost grows with the rubric. We present RubriX, a rubric judge whose architecture is inspired by contrastive language models (CLM): a LoRA-adapted encoder embeds the input and each level description, and a softmax over scaled cosine similarities gives a probability for every level without text generation. Trained on public rubric data and proprietary synthetic data, RubriX reaches 75.4% exact accuracy on held-out rubrics, against 57.1% for TypeSafe's Jev and 49.8% for a Qwen3-8B judge. On eight human-labelled benchmark sets it is within 6 percentage points of Jev's
AgentEvolve2 条
★3 RSIHub:可组合的智能体演化方法框架 Hugging Face Papers · 自进化框架 · 论文 RSIHub以可复用算子、声明式可变资源和统一执行评估基础设施,支持智能体演化方法的构建、公平比较与扩展。

 智能体 自演化 人工智能框架 智能体脚手架演化 执行反馈

RSIHub将提示、技能、工具及编排策略的演化表示为由可复用算子组成的 recipe,并显式声明可变资源。框架统一提供执行、评估、故障恢复和谱系追踪,同时将评估环节隔离在可变范围之外,以增强比较的公平性与可审计性。作者无需修改框架核心便复现了 AHE、Hyperagents、A-Evolve 和 GEPA,并在 Terminal Bench 2 与 τ³ Banking 上使用 MiniSWE 和 Codex 进行评测。实验中最高整体 pass@1 提升达 13.5 个百分点,但方法排名随配置变化,优化收益也未必能迁移至留出任务。

用途与启示
  • 为不同智能体演化策略提供统一、可复现的实验协议,减少重复搭建执行与评估基础设施的成本。
  • 通过候选谱系和评估条件绑定,支持演化过程审计、故障恢复及结果追溯。
  • 结果表明智能体演化策略具有明显的环境与配置依赖性,应重视留出任务评测和跨设置泛化。
  • 可利用可组合 recipe 与算子快速开发和横向比较新的提示、技能、工具及编排演化方法。
📝 原始笔记(逐字保留)
[RSIHub:一种可组合的智能体演化方法框架(34 ▲)](https://huggingface.co/papers/2610.32253?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)
★3 Skill∞:面向智能体技能优化的递归自我改进 arXiv · 递归自我改进 · 论文 Skill∞通过可自我改写的元技能同时优化任务技能与技能优化流程,在83项SkillsBench任务上实现60.7%的通过率。

 递归自我改进 智能体技能库 技能优化 自我改进 执行轨迹

Skill∞将技能优化过程本身编码为元技能,使智能体能够用同一套流程优化任务技能和元技能,实现递归自我改进。元智能体会诊断执行轨迹、提出候选方案、请求独立评审,并动态分配搜索预算,而这些步骤本身也可被持续改写。元技能与具体任务技能解耦,可在多项优化任务上迭代后跨领域复用,并以标准技能包形式通过原生技能发现机制加载。在83项SkillsBench任务上,该方法达到60.7%的通过率,高于人工策展技能的56.4%和SkillEvolver的54.5%。

用途与启示
  • 展示了将“如何优化技能”本身表示为可演化技能的递归自我改进路径。
  • 可用于构建跨任务复用的技能优化器,减少对固定人工设计流水线的依赖。
  • 执行轨迹诊断、独立评审与搜索预算分配机制可为智能体技能库的持续维护提供参考。
  • 结果表明,元技能与任务技能解耦有助于提升优化流程的跨领域迁移能力。
📝 原始笔记(逐字保留)
标题:Skill$^{\infty}$: Recursive Self-Improvement for Agent Skill Optimization 来源:arXiv 链接:https://arxiv.org/abs/2610.35434 摘要:Recursive self-improvement (RSI), in which a system also improves the way it improves, is a long-standing aspiration on the path to AGI. Language agents increasingly store procedural knowledge in reusable skills. Optimizing skills offers a direct way to achieve RSI, because the optimization procedure itself can be encoded as a skill. Existing skill optimizers, however, follow a hand-designed procedure. Even methods that evolve a meta-skill confine it to a fixed pipeline and relearn it for each task. We present Skill$^{\infty}$, which makes skill optimization recursively self-improving: a meta agent follows a meta-skill to optimize task skills and optimizes the meta-skill itself using the same procedure. The optimization is agent-led. The meta agent diagnoses execution traces, proposes cand
NewModel3 条
★2 RynnUnify:统一具身理解、视觉规划与机器人控制的 16B 模型 Hugging Face Papers · 具身基础模型 · 论文 RynnUnify 通过交错视频—语言推理统一具身理解、长程视觉规划与机器人控制,并借助强化学习按需调用视频预测来推断未观测状态和交互结果。

 具身基础模型 具身智能 任务规划 多模态 强化学习

RynnUnify 是一个 16B 统一具身模型,通过交错的视频—语言推理整合空间推理、物理预测、视觉定位与长程规划能力。其智能体扩展使用强化学习学习选择性调用视频预测,以推断未观测状态及潜在交互结果;世界—动作扩展则进一步将理解和预测能力转化为机器人控制。作者提出 Rynn-VP 与 Rynn-GEU,分别评测长程视觉规划和前瞻推理,RynnUnify 在 Rynn-VP 上较 Cosmos 3 Nano 提升 9.75 分,智能体扩展在 Rynn-GEU 上较直接推理提升 6.0 分。世界—动作扩展在 20 项复合 RoboCasa365 任务上达到 51.5% 成功率,并在三项真实机器人任务上取得 46.7% 的平均成功率。

用途与启示
  • 展示以视频预测连接物理世界理解、长程任务规划和机器人动作控制的统一具身基础模型路线。
  • 说明强化学习可以让智能体按需调用视觉预测,而非在所有步骤中无差别增加生成计算。
  • Rynn-VP 与 Rynn-GEU 可用于评估具身模型对连续子任务、未观测状态及交互结果的前瞻推理能力。
  • 为从多模态理解模型扩展至真实机器人控制提供共享表征与统一训练框架参考。
📝 原始笔记(逐字保留)
[RynnUnify:迈向统一的具身智能大脑(33 ▲)](https://huggingface.co/papers/2610.32965?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)
★2 TWIG:将神经网络权重表示为共享离散决策路径 Hugging Face Papers · 模型轻量化 · 论文 TWIG以树状继承门控将每个神经网络权重编码为共享离散决策路径,统一剪枝、量化、低秩分解和权重共享,并降低固定权重电路的加法成本。

 成本优化 模型开发 系统优化

TWIG(Tree-structured Weights with Inherited Gates)将每个权重表示为符号、二次幂位移、零门控和共享表索引等离散决策组成的路径,相关权重可继承并共享路径上层决策。任意已训练网络均可转换为TWIG;采用二次幂决策后,权重层可主要由连线和加法器构成,适用于制造时固化权重的专用芯片。该表示把剪枝、量化、低秩分解、码本和权重共享统一为同一树结构上的编辑与优化问题,并可映射为高阶玻尔兹曼机的基态求解。在五个大语言模型权重矩阵上,TWIG在同等层误差和3/4比特精度下,相比GPTQ通常减少9%–15%的加法操作,在强离群值矩阵上减少20%–55%。

用途与启示
  • 为多种权重压缩技术提供统一表示,使单一优化器能够在全网络范围内联合选择压缩策略。
  • 将乘常数运算转化为移位与加法,有望降低固定权重推理芯片的面积、能耗和计算成本。
  • 将权重格式优化表述为高阶玻尔兹曼机基态问题,为退火算法和量子优化器提供新的应用场景。
  • 对包含强离群值的权重矩阵尤其有效,可作为GPTQ等量化方案的硬件友好替代路径。
📝 原始笔记(逐字保留)
[每个权重都是一条共享离散决策路径(19 ▲)](https://huggingface.co/papers/2610.31931?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)
★3 Decision Model Factory:构建专用主权决策模型 arXiv · 模型训练 · 论文 Decision Model Factory 通过统一的训练、校准、验证与评估流程按需构建受部署方控制的专用决策模型,并借助受限答案概率计算和上下文复用实现超过两倍的推理加速。

 模型开发 模型训练 系统优化 长上下文 成本优化

Decision Model Factory 将应用、语言和部署环境的具体需求转化为专用且由运营方自主控制的决策模型。其标准化流程涵盖骨干模型选择、训练、概率校准、验证和评估,可在需求变化时快速生成新的专家模型。实验覆盖日语决策任务、紧凑部署和长上下文段落排序,五个工厂模型均优于各自骨干,其中三个在固定的公开日语基准对比中取得最佳结果。配套 runner 仅计算允许答案的概率并复用共享上下文,在决策分数基本不变的情况下,将匹配的多问题工作负载服务速度提升至两倍以上。

用途与启示
  • 为不同语言、任务和部署约束下快速定制专用决策模型提供可复用的工程流程。
  • 将训练、校准、验证和评估整合为统一流水线,有助于降低模型迭代与重新部署成本。
  • 通过限制输出候选并复用共享上下文,可显著优化多问题决策场景的推理吞吐量。
  • 强调模型由部署方控制,适合对数据、运行环境和自主可控性有要求的应用。
📝 原始笔记(逐字保留)
标题:Decision Model Factory: Building Specialized Sovereign Decision Models 来源:arXiv 链接:https://arxiv.org/abs/2610.34956 摘要:Decision needs vary with each application, language, and deployment environment. The Decision Model Factory turns those needs into specialized, sovereign models on demand. A brief recipe guides the training, calibration, verification, and evaluation of a selected backbone, delivering a deployable decision model under the operator's control. The same workflow creates a new specialist whenever the requirements change. Across Japanese decision tasks, compact deployment, and long-context passage ranking, five factory-built models improve upon their backbones; three surpass the strongest results in a fixed public Japanese benchmark comparison. A dedicated runner computes only permitted-answer probabilities and reuses shared context, more than doubling serving speed on matched multi-question wor
EvolveLLM2 条
★2 Omni-Woodpecker:证据先验重平衡纠正跨模态幻觉 Hugging Face Papers · 模型可靠性 · 论文 · 代码 Omni-Woodpecker通过检测跨模态冲突、正交分解隐藏状态并重平衡证据与先验,在无需训练的情况下纠正全模态语言模型幻觉。

 人工智能可靠性 多模态 表征干预 视频理解 音频推理

Omni-Woodpecker(OWP)是一种面向全模态语言模型的免训练幻觉纠正框架,将干预位置从输出层前移至融合表征层。框架先从互补的单模态视角识别音视频证据冲突,再通过正交分解区分隐藏状态中的 grounding 证据与竞争性先验。解码前,OWP根据冲突程度抑制误导性先验并恢复被忽略的证据。以 Qwen2.5-Omni-7B 为骨干时,该方法在 CMM 和 AVHBench 上分别提升 12.9 与 8.6 分,并能跨架构迁移至 VideoLLaMA2-AV。

用途与启示
  • 为无需重新训练的全模态幻觉纠正提供可插拔方案,降低部署与适配成本。
  • 表明跨模态幻觉可通过融合隐藏状态中的证据—先验解耦与表征干预来缓解。
  • 跨架构实验显示该机制具有一定通用性,可用于提升音视频推理系统的可靠性。
📝 原始笔记(逐字保留)
[Omni-Woodpecker:通过证据先验重平衡纠正 Omni LLM 的幻觉(21 ▲)](https://huggingface.co/papers/2610.27103?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)
★3 策略内自训练:无数据监督的语言模型自我改进 Hugging Face Papers · 在策略蒸馏 · 论文 该研究将策略内自蒸馏重构为无数据自训练框架,使模型仅依据高层主题描述生成课程、问答对和特权推理轨迹,并在文本与视觉问答任务上实现持续能力提升。

 模型蒸馏 自我改进 数据合成 后训练 多模态

研究将策略内自蒸馏扩展为自训练框架,不再依赖真实问答对、人工策划题集或更强的外部教师。模型仅根据粗粒度主题描述,自主合成查询、答案以及作为监督信号的特权推理轨迹,从而形成自己的训练课程。基于全合成特权信息的自蒸馏可在多个领域提升能力,同时较好保留未参与自训练领域的原有能力。该框架在标准语言基准和视觉问答任务上均获得一致改进,显示其具备跨文本与多模态场景的通用性。

用途与启示
  • 为缺乏标注数据或外部教师的后训练提供低依赖、自举式改进路径。
  • 可用于自动生成领域课程、问答数据和高质量推理监督,降低人工数据策展成本。
  • 表明基础模型的潜在能力可通过策略内自训练被激活,同时减少跨领域能力遗忘。
  • 为文本与视觉任务采用统一的自蒸馏流程提供实验证据。
📝 原始笔记(逐字保留)
[策略内自训练:大型语言模型中的无数据自我改进(12 ▲)](https://huggingface.co/papers/2610.32770?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)
NewApply2 条
★2 DirCast:单一流式视频语言模型实时完成电竞导播与解说 Hugging Face Papers · 多模态推理 · 论文 DirCast通过单一流式视频语言模型同时执行多机位电竞导播与实时解说,并以分层视觉处理和有界上下文支持任意时长直播。

 视频理解 多模态 智能直播 任务规划 成本优化

DirCast面向实时电竞制作,让单一流式视频语言模型仅依据历史信息,同时决定播出机位并生成解说。系统每秒低分辨率扫描所有玩家视角,通过“保持或切换”策略选择镜头,再以高分辨率读取选中画面后生成语言输出。其上下文只保留已播出内容及既有解说,其他视角会随时间过期,从而将任意长度视频流的计算成本控制在固定范围内。作者还构建了包含27场职业《Dota 2》比赛的多机位数据集;DirCast的导播效果超过规则方法及包括GPT-5在内的零样本方案,解说在Proact-VL比较中对GPT-4o取得29.2%的胜率。

用途与启示
  • 展示单一多模态系统联合完成镜头选择与语言解说的可行性,减少传统直播制作中的模块割裂。
  • 低分辨率全局扫描与高分辨率局部读取相结合,可为实时长视频理解提供计算资源分配范式。
  • 通过让非播出视角过期并仅保留播出历史,可实现面向无限视频流的有界上下文管理。
  • 多机位数据及导播决策标注可用于训练和评估体育直播、智能导播与实时视频智能助手。
📝 原始笔记(逐字保留)
[DirCast:使用单一流媒体视频语言模型进行实时电竞导播与解说(16 ▲)](https://huggingface.co/papers/2610.31734?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)
★2 DraMaze:基于前瞻记忆的多智能体微短剧剧本生成 Hugging Face Papers · 多智能体系统 · 论文 DraMaze通过多智能体进化树搜索与面向未来目标的叙事记忆机制,在保持长篇微短剧逻辑连贯性的同时提升情节多样性。

 多智能体系统 智能体记忆 长程任务 进化搜索 创意写作

DraMaze面向长篇微短剧生成中情节机制逐渐趋同、历史信息难以服务后续剧情的问题,设计了多智能体剧本生成流程。该流程利用套路记忆引导的进化树搜索与变异,探索多样化的因果叙事路径,并通过反向叙事依赖树按照未来剧情目标组织、保留和检索历史记忆。作者同时提出双语基准MiDramaBench,用于评估不同剧本长度下的逻辑性、创意质量、因果模式重复度与多样性。实验覆盖三种骨干语言模型;在最长6万字的60集剧本上,DraMaze将因果模式重复率降低32.1%,逻辑得分达到82.5,较最佳基线提高8.5分。

用途与启示
  • 为长篇创意内容生成提供兼顾叙事多样性与长期一致性的多智能体流程。
  • 展示以未来目标反向组织记忆,可缓解传统检索强化套路复用、忽略关键历史信息的问题。
  • 进化树搜索与因果模式指标可用于开放式故事生成、游戏叙事及其他长程创作任务。
  • MiDramaBench可作为双语长篇剧本逻辑性与创造力评估的参考基准。
📝 原始笔记(逐字保留)
[DraMaze:一种采用前瞻记忆的多智能体流程,用于生成多样化的微短剧剧本(12 ▲)](https://huggingface.co/papers/2610.32002?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-26)
AgentTrainEvolve5 条

专题:信用分配 3 条

FOCUS:面向长程语言智能体的主动评论家学习

FOCUS通过选择性分支主动采样最能降低评论家估计误差的轨迹续写,以更低采样成本改善长程智能体的价值估计与信用分配。

 强化学习 长程智能体 信用分配 主动学习 成本优化

📄 详细内容

FOCUS针对稀疏结果奖励下早期动作难以获得准确信用的问题,引入由选择性分支驱动的主动评论家学习机制。其 rollout controller 从预计最能降低评论家估计误差的中间状态采样续写,并将所得证据作为评论家网络的训练目标。改进后的价值估计通过 TD(λ) 优势为相邻状态之间的轨迹片段评分,同时以模块化上下文管理接口解耦上下文压缩与 rollout 资源分配。在相同逐步生成预算下,FOCUS在法律推理、深度搜索和代码定位任务上优于 GRPO 与 VinePPO;基于 Qwen3.5-9B,在 BrowseComp-Plus 和 DeonticBench 上分别较最强基线提升 7.2 和 4.1 个百分点。

用途与启示
  • 为稀疏奖励的长程智能体训练提供更准确、成本更低的中间状态价值监督。
  • 可将采样预算集中到评论家最不确定或预期误差下降最大的状态,提高 rollout 的信息利用率。
  • 说明上下文压缩形成的片段边界可兼作价值估计和时间信用分配的结构单元。
  • 为搜索、法律推理和代码定位等长链任务中的强化学习训练提供可复用方案。
📝 原始笔记(逐字保留)
标题:FOCUS: Active Critic Learning for Long-Horizon Language Model Agents 来源:arXiv 链接:https://arxiv.org/abs/2610.35801 摘要:Sparse outcome rewards make it difficult for long-horizon language-model agents to assign credit to earlier actions. Learned critics provide value estimates for intermediate states, but these estimates can be inaccurate, while estimating intermediate values with repetitive continuation samples from points within a trajectory incurs substantial costs. To mitigate these issues, we introduce FOCUS, an RL method that uses selective branching to help the critic network learn its value estimator. The rollout controller facilitates active learning for the critic by sampling continuations from states that are expected to most reduce the critic's estimation error. These refined value estimates then score the segment between consecutive states with a TD($λ$) advantage, while the sampled evidence sup

细粒度信用分配何时助益或损害多模态智能体强化学习

研究以长程视频编辑为测试场景,发现过程奖励主要有益于超长任务,但固定奖励权重会诱发冗余推理和工具调用,衰减至零可缓解奖励作弊。

 强化学习 信用分配 多模态 长程任务 工具调用

📄 详细内容

研究构建内容选择、叙事排序、粗剪和精剪四类电影预告片编辑任务,覆盖多模态感知、长程规划、工具使用与延迟反馈。对于平均超过 60 轮的精剪任务,衰减过程奖励相较仅使用结果奖励的 GRPO 获得 45.4% 的相对提升;在平均 30~40 轮的较短任务上,最高增益仅为 10.4%。固定过程奖励权重的 GRPO+PRM 在训练后期会出现过度推理和冗余工具调用,尽管过程奖励持续上升,任务完成率与结果得分却下降。将过程奖励权重逐步衰减至零能够保留早期学习收益并缓解奖励作弊,而在策略自蒸馏对特权信息高度敏感,整体改善有限甚至导致明显退化。

用途与启示
  • 表明细粒度过程奖励的收益取决于任务交互长度,尤其适合反馈稀疏的超长程工具使用任务。
  • 过程奖励不应长期保持固定权重,可采用逐步衰减策略避免智能体迎合评判器并产生冗余行为。
  • 评估智能体训练方法时,应同时监控过程奖励、结果得分、完成率、推理长度和工具调用次数。
  • 在策略自蒸馏需要谨慎选择特权信息,并关注长轨迹中的监督信号稀释及师生梯度差异。
📝 原始笔记(逐字保留)
标题:When Fine-Grained Credit Assignment Helps and Hurts: Multimodal Agentic Reinforcement Learning through Video Editing 来源:arXiv 链接:https://arxiv.org/abs/2610.35497 摘要:Reinforcement learning (RL) has shown promise for training multimodal agents to reason and use tools. However, it remains unclear when fine-grained credit assignment improves learning and when it fails to improve task performance. Video editing provides a useful testbed for this question, combining multimodal perception, long-horizon planning, and tool use with delayed outcome feedback. We construct four movie-trailer editing task types---Content Selection, Narrative Sequencing, Rough Cut, and Fine Cut---that reflect real-world editing workflows and span different levels of task complexity and interaction horizon. Decaying process rewards provides the largest benefit on Fine Cut, with a 45.4% relative gain over outcome-only GRPO on tasks averaging more than 60 turns under outcome-only GRPO

同专题其余 1 条

★3 面向长程 LLM 智能体的多尺度策略优化 arXiv · 信用分配 · 论文 多尺度策略优化(MPO)以智能体与环境交互的完整轮次为优化锚点,并在轮次内部细化词元级信用分配,在搜索、工具使用和自动化长程任务上持续优于强强化学习基线。

 强化学习 智能体 信用分配 长程任务 策略优化

作者观察到,长程 LLM 智能体以完整 assistant turn 与环境交互,每个动作仍按词元逐步生成,而评论器(critic)的价值变化主要发生在不同交互轮次之间。MPO 通过多尺度优势估计(MAE)在轮次尺度锚定优化,同时保留轮次内部更细粒度的词元级信用分配。该方法进一步采用轮次级重要性采样,使信用分配与策略更新的尺度和环境实际交互粒度保持一致。基于 4B 和 30B-A3B 模型的实验表明,MPO 在搜索、工具使用和自动化任务上持续优于强强化学习基线。

用途与启示
  • 为长程智能体训练提供兼顾轮次级决策结构与词元级生成细节的分层信用分配和策略优化方案。
  • 表明价值估计、重要性采样及策略更新应与环境交互的自然动作边界对齐,以减少统一词元级优化带来的尺度错配。
  • 可用于改进搜索、工具调用和自动化工作流等多轮任务中的训练稳定性与策略性能。
📝 原始笔记(逐字保留)
标题:Multiscale Policy Optimization for Long-Horizon LLM Agents 来源:arXiv 链接:https://arxiv.org/abs/2610.35013 摘要:Long-horizon LLM agents interact with their environments through complete assistant turns while generating each action token by token. We observe that critic values vary primarily across turns, motivating optimization anchored at turns with finer credit allocation among tokens. We propose Multiscale Policy Optimization (MPO), combining Multiscale Advantage Estimation (MAE) and turn-level importance sampling to align credit assignment and policy updates at the turn scale. Extensive experiments across search, tool-use, and automation tasks with 4B and 30B-A3B models demonstrate consistent gains over strong RL baselines. [合并自 2026-10-29 mpo-llm] [面向长时程 LLM 智能体的多尺度策略优化(373 ▲)](https://huggingface.co/papers/2610.35013?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)
★3 MiRL:面向终端智能体错误行为的定向强化学习 arXiv · 智能体训练 · 论文 MiRL通过归纳终端智能体中可跨环境复现的错误行为,并从错误发生位置启动强化学习轨迹,实现更高效、可解释的长程任务行为纠正。

 智能体 强化学习 长程任务 故障归因 模型训练

MiRL首先分析策略的错误步骤,提炼出在多个环境中反复出现、具备泛化性的错误行为类型。训练时从这些错误行为发生的位置启动强化学习轨迹,仅在轨迹通过测试且未再次出现目标错误时给予奖励。在Qwen3.5-4B上,识别出的8类错误行为覆盖52.1%的错误步骤,训练后其在未见前缀上的复现率平均下降43%至57%。MiRL在Terminal-Bench Lite上取得51.8%的成绩,并以TMax-4B约35%的轨迹用量达到或超过其基准表现。

用途与启示
  • 将智能体失效分析从事后评测工具转化为可直接驱动训练的监督信号。
  • 通过从错误发生位置启动轨迹,减少无关探索并提升长程任务强化学习的样本效率。
  • 可用于构建按错误类型组织的智能体训练课程和闭环故障修复流程。
  • 说明少量高频、可泛化的错误模式可能覆盖相当比例的智能体执行失败。
📝 原始笔记(逐字保留)
标题:MiRL: Error-Targeted Reinforcement Learning for Correcting Terminal Agent Misbehaviors 来源:arXiv 链接:https://arxiv.org/abs/2610.35697 摘要:Error-targeted learning gives a legible way to improve a model: identify specific weaknesses of the model, train the model to fix these weaknesses, and check whether the weaknesses are fixed. We study how to apply error-targeted learning to terminal agents, which solve long-horizon tasks specified in natural language by interacting with a command shell. Existing error-targeted methods are designed for single-turn tasks, and existing analyses of agent failures are used to evaluate and debug agents rather than to train them. We propose Misbehavior-driven RL (MiRL), which first profiles the errors of a policy to find generalizable misbehaviors: kinds of wrong steps that recur across many environments. MiRL then trains the policy with RL, starting rollouts at the steps where these misbehaviors
★3 InterQ-RL:交互感知纠正量化智能体强化学习的执行失配 arXiv · 智能体训练 · 论文 InterQ-RL通过对状态到达前缀进行有界校正,缓解低精度执行器与学习器之间随多轮交互累积的策略失配,并以W8A8-KV8量化实现接近或超过BF16的训练效果。

 强化学习 智能体 模型训练 成本优化 系统优化

InterQ-RL面向多轮智能体强化学习中量化执行器兼任行为策略所导致的执行失配问题,重点建模产生当前智能体状态的历史策略前缀。该方法在量化对齐后实施有界的执行前缀校正,并在固定偏移预算下依据有效支持度向不同动作片段分配校正强度。它无需增加额外的模型前向计算,可用于稠密模型和混合专家模型的低成本闭环轨迹训练。在ALFWorld、WebShop和ScienceWorld上的4B至30B模型实验中,其W8A8-KV8量化结果与BF16最多相差0.7分,并在两个设置中超过BF16,同时避免后期性能回退。

用途与启示
  • 为多轮智能体强化学习提供比当前词元重要性比率更完整的历史策略失配校正机制。
  • 支持使用8位权重、激活值和KV缓存降低长闭环轨迹的生成与缓存成本。
  • 表明量化行为策略的误差会沿状态到达历史累积,训练校正应覆盖执行前缀而非仅关注当前动作。
  • 可作为稠密模型与MoE模型开展低成本智能体后训练的优化方案。
📝 原始笔记(逐字保留)
标题:InterQ-RL: Interaction-Aware Correction of Execution Mismatch in Quantized Agentic RL 来源:arXiv 链接:https://arxiv.org/abs/2610.35303 摘要:Multi-turn agent reinforcement learning (RL) relies on long closed-loop rollouts, making generation and KV-cache costs a major bottleneck. Quantized rollout reduces these costs, but its low-precision executor also serves as the behavior policy and can induce execution mismatch with the learner. Existing quantized-RL methods are designed primarily for single-turn generation. They align the learner forward with quantized rollout or correct the current-token rollout-learner ratio, without modeling the policy history that produces each agent state. Even after quantization alignment, residual rollout-learner mismatch accumulates along the state-reaching policy history, so a current action may look locally aligned despite a mismatched history. We introduce InterQ-RL (Interaction-aware Quantized
JevEvolve3 条
★3 JEV用于临床试验入组标准评估 arXiv · 医疗人工智能评测 · 论文 JEV在三项临床试验预筛数据集上以更低延迟和成本实现了与Qwen Flash相当或更优的评估表现,并更善于识别患者记录中的证据不足。

 医疗人工智能 模型评估 不确定性估计 数据安全 成本优化

研究在TrialGPT及基于MIMIC-III、MIMIC-IV构建的问答数据上,评估了2,048个患者—条件对,并对比非生成式决策模型JEV与受模式约束的Qwen Flash。批处理模式下,两者在TrialGPT和MIMIC-IV上的macro-F1接近,而JEV在MIMIC-III上以0.768显著超过Qwen的0.534。JEV对“信息不足”条件的召回率达到56.3%,明显高于Qwen的9.9%,更适合发现患者记录中的证据缺口。JEV的中位任务延迟更低,估算的单条件成本减少53%至74%,但其临床证据解释错误意味着结果仍须由人工对照病历验证。

用途与启示
  • 可将JEV用作临床试验预筛的初始评估组件,输出标准级判断并标记证据缺口。
  • 原生选项概率有助于区分“不满足条件”与“信息不足”,支持不确定性驱动的人工复核。
  • 批量复用患者上下文能够降低临床筛选任务的推理延迟与单位成本。
  • 在影响患者入组资格前,应建立病历证据核验和人在回路的安全流程。
📝 原始笔记(逐字保留)
标题:Can JEV Support Clinical Trial Criteria Assessment? 来源:arXiv 链接:https://arxiv.org/abs/2610.35721 摘要:Clinical trial prescreening requires distinguishing unmet conditions from insufficient evidence in patient records. Given patient records, criterion questions, and predefined answer options, we retrospectively compared JEV, a non-generative decision model returning native option probabilities, with schema-constrained Qwen Flash across 2,048 test patient-condition pairs from TrialGPT and question-answer datasets derived from MIMIC-III and MIMIC-IV, all evaluated under strict Zero Data Retention (ZDR) policies to ensure clinical data privacy. Both models assessed conditions individually or in batches sharing the same patient context, with performance measured against reference labels. In batch mode, JEV and Qwen achieved similar macro-F1 scores on TrialGPT (0.652 vs. 0.660) and MIMIC-IV (0.8
★3 Span Readout 与选择性适配改进 JEV 蕴含重排序 arXiv · 模型微调 · 论文 该研究通过均值跨度读出与选择性骨干适配,提高 JEV 决策模型跨请求蕴含重排序的准确率,并将可训练参数量削减一半以上。

 候选选择 参数高效微调 模型训练 证据推理

JEV 决策模型由语言模型骨干和轻量评分头组成,可在多个自然语言候选项中进行选择。研究面向跨请求蕴含重排序,将每个候选答案分别转化为自然语言推断请求,并检验直接选择任务中的读出与适配策略能否迁移。均值跨度读出对每个 NLI 选项内部的上下文化状态取平均,以替代选项末尾指针,且不增加评分头参数。选择性适配仅保留注意力层和门控 DeltaNet 投影中的低秩更新,移除前馈网络适配器;在 MC11 上,该组合提升 NeoHorse-1-4B 准确率,同时将可训练参数量减少一半以上。

用途与启示
  • 为跨请求候选重排序提供更稳定的跨度级表征读出方式。
  • 表明选择性保留关键投影层的低秩更新,可兼顾准确率与参数效率。
  • 可用于优化基于 NLI 的答案筛选、验证器和候选重排系统。
📝 原始笔记(逐字保留)
标题:Improving JEV Entailment Reranking with Span Readouts and Selective Adaptation 来源:arXiv 链接:https://arxiv.org/abs/2610.35654 摘要:JEV decision models pair a language model backbone with a lightweight scoring head to select among natural-language options. Direct selection compares candidate answers within one request, whereas entailment reranking evaluates each candidate in a separate natural language inference (NLI) request over fixed relation options. We examine whether the readout and adaptation choices used for direct selection remain effective for cross-request reranking. We combine a mean-span readout with selective backbone adaptation. Mean-span pooling replaces the option-ending pointer with an average of the contextualized states inside each NLI option, without adding head parameters. Selective adaptation retains low-rank updates in attention and gated DeltaNet projections while removing feed-forward adapters
★3 TrustJev:分离策略权限与不可信证据 arXiv · 可信执行 · 论文 TrustJev通过受保护的策略评分与有界证据修正,防止外部证据中的恶意指令越权影响基于LLM的决策,同时保留对有效事实的利用能力。

 可信执行 人工智能可靠性 提示注入攻击 访问控制 安全对齐

TrustJev面向从预定义动作中进行选择的语言决策模型,重点解决外部证据夹带指令并覆盖应用策略的风险。框架使用单一Transformer骨干,根据可信策略和候选动作计算策略分数与修正预算,并以该预算限制不可信证据对决策的影响。配对监督要求模型在不改变任务事实的指令插入下保持预测稳定,而在事实导致正确答案变化时相应调整;权限监督则允许证据补充策略无法独立确定的信息。0.6B版本在认证、指令层级和可执行授权规则三个数据集上优于14个基线,并保持相近的推理内存与中位延迟。

用途与启示
  • 为处理检索内容、用户输入或外部文档的决策系统提供策略权威与证据影响相分离的架构。
  • 可用于缓解提示注入和指令层级混淆,避免不可信证据越权修改应用政策。
  • 有界修正机制兼顾安全性与证据利用能力,适合认证、授权和规则执行等高风险场景。
  • 实验表明主要额外成本发生在训练阶段,便于在推理资源受限的系统中部署。
📝 原始笔记(逐字保留)
标题:TrustJev: Separating Policy Authority from Untrusted Evidence in LLM-Based Decisions 来源:arXiv 链接:https://arxiv.org/abs/2610.34826 摘要:Decision models enable software to select from predefined actions using natural language inputs. However, the external evidence that supplies facts for these decisions may also contain instructions that attempt to override the application's policy. We propose TrustJev, a framework combining protected policy scoring with bounded evidence corrections. A single Transformer backbone computes policy scores and a correction budget from trusted policy and candidates, then bounds evidence corrections by that budget. Paired supervision encourages stable predictions under instruction insertions that preserve task facts and changed preferences when edits change the correct answer. Authority supervision accommodates evidence when the policy alone cannot determine the decision. We evaluate a 0.6B imple
LogicEvolve2 条
★3 Evolve on Graph:无问答标注的自进化知识图谱推理 arXiv · 自博弈 · 论文 · 代码 EoG通过图自博弈、符号可验证拓扑合成和能力边界课程,使单个语言模型无需问答标注即可持续提升多跳知识图谱推理能力。

 知识图谱 自演化 逻辑推理 任务生成 强化学习

Evolve on Graph(EoG)让同一语言模型交替扮演问题提出者与求解者,通过 Graph Self-Play 自动生成并解决知识图谱多跳问题。Symbolically Verifiable Topology Synthesis(SVTS)在知识图谱上采样推理拓扑并执行一阶逻辑查询,从而获得具有正确、完整答案集的可验证任务骨架。Boundary-Aware Graph Curriculum 根据求解者得分方差奖励问题提出者,使训练任务保持在当前能力边界,并随能力提升逐步引入更复杂的拓扑。该框架在 Freebase、Wikidata 和工业知识图谱的六个基准上优于提示、检索及智能体方法,且不依赖人工或闭源模型生成的问答标注。

用途与启示
  • 为缺少问答标注的金融、工业等领域知识图谱提供可扩展的推理训练方案。
  • 以符号查询执行结果作为自动验证信号,降低合成问题的答案错误与不完整风险。
  • 通过能力边界课程动态调整任务拓扑难度,避免固定离线训练集与求解能力脱节。
  • 展示自博弈、任务生成和符号验证结合后驱动推理能力闭环自演化的可行路径。
📝 原始笔记(逐字保留)
标题:Evolve on Graph: Self-Evolving Knowledge Graph Reasoning without Question Annotations 来源:arXiv 链接:https://arxiv.org/abs/2610.35598 摘要:Knowledge graphs (KGs) provide reliable external knowledge for multi-hop factual reasoning with large language models (LLMs), yet most KGs in real-world domains such as finance and industry lack question--answer (QA) annotations. Without such annotations, existing methods struggle to improve LLM graph reasoning: training-free agents cannot improve their exploration through interaction; reinforcement learning (RL) agents depend on QA data annotated by humans or synthesized by closed-source models; and training data is typically built offline, so its topology mix is fixed and cannot follow the agent's ability. We propose Evolve on Graph (EoG), a framework that lets an LLM self-evolve its graph reasoning without any QA annotations. Through Graph Self-Play, a single LLM alternates between a Pr
★3 智能体算法设计:在 Lean 中提出、形式化并证明进化算法运行时界 arXiv · 形式化证明 · 论文 该工作构建分阶段智能体流水线,自动设计黑箱优化算法,并在 Lean 中以机器检查的漂移分析证明其预期运行时改进。

 形式化验证 自动定理证明 智能体 算法创新 进化搜索

研究提出一套遵循进化算法设计与分析方法论的分阶段流水线,由智能体提出黑箱优化算法,并通过 Lean 守卫过滤有缺陷的设计。智能体随后定义势函数、证明漂移界,从而给出机器可检查的预期运行时保证,全程不依赖经验性能比较。在 CycleUncover 问题上,系统发现了预期运行时为 O(n²) 的算法,而经典 (1+1) EA 需要 e^{Ω(n)};它还为整数值次模最小化和 LeadingOnes 设计并验证了高效算法。在 8 类问题的 15 次前沿模型运行中,有 12 次完成了整个流水线;消融实验表明,移除分阶段结构后,零样本设计往往退化为基线算法或产生不完整证明。

用途与启示
  • 展示 LLM 智能体可将算法提出、数学形式化与复杂度证明整合为端到端的自动发现流程。
  • 说明 Lean 的机器检查规范可以充当算法搜索的可靠筛选器,减少对经验评测和人工审查的依赖。
  • 分阶段脚手架是获得新颖算法及完整运行时证明的关键,可为自动化科学研究与可验证程序合成提供设计范式。
  • 为进化算法、黑箱优化及其他可形式化领域中的开放式算法发现提供可扩展路径。
📝 原始笔记(逐字保留)
标题:Agentic Algorithm Design: LLMs that Propose, Formalise, and Prove Runtime Bounds for Evolutionary Algorithms in Lean 来源:arXiv 链接:https://arxiv.org/abs/2610.35595 摘要:LLMs now prove hard theorems in Lean. Can they also design algorithms and prove their correctness and efficiency? LLM-guided design of optimisation heuristics (such as AlphaEvolve) is purely empirical. Automated theorem provers with LLMs prove given statements. So far, there has been little evidence that LLMs can do both: design an algorithm and guarantee its efficiency by a mathematical proof. We present a staged pipeline modelled after research methodology in design and analysis of evolutionary algorithms. The agent proposes black-box optimisation algorithms, and Lean guards filter out flawed designs. The agent then defines a potential function and proves drift bounds that guarantee an expected runtime improvement over the baseline algorithm. At no point in the pipeline are the algorithm
MemoryEvolve4 条
★3 软件工程智能体轨迹删除的隐性成本 arXiv · 上下文压缩 · 论文 对软件工程智能体的轨迹删除实验表明,延迟删除可维持任务效果,但内容重取与前缀缓存失效可能令实际成本不降反升。

 上下文压缩 人工智能辅助编程 智能体 成本优化 前缀缓存

研究在 SWE-bench Verified 上完成约 9,400 次运行,比较两个先进软件工程智能体的 42 种轨迹缩减配置,系统改变删除范围、粒度、比例和时机。延迟删除旧轮次中的大量内容,甚至删除全部推理文本,仍可能保持整体任务效果;但立即删除通常会显著降低效果。智能体会通过重新获取已删除信息进行补偿,导致交互轮数及输入、输出词元数量增加。在固定价格模型下,42 项评估中有 26 项实现成本下降;采用缓存感知定价后,由于轨迹变化破坏低价缓存前缀,没有任何配置真正降低成本。

用途与启示
  • 评估上下文压缩方案时不能只统计被删除的词元,还应结合重取行为、交互轮数和真实计费规则计算端到端成本。
  • 轨迹删除应延迟应用,保留近期上下文,以避免关键状态过早丢失并损害任务效果。
  • 需要将前缀缓存命中率纳入智能体记忆管理设计,避免压缩操作破坏可复用缓存。
  • 端到端成功率可能掩盖重复检索等低效行为,应同步开展执行轨迹审计。
📝 原始笔记(逐字保留)
标题:The Hidden Costs of Forgetting: A Study of Trajectory Deletion in Software Engineering Agents 来源:arXiv 链接:https://arxiv.org/abs/2610.35496 摘要:Software engineering agents resend their entire trajectory to an LLM at every turn, motivating online trajectory reduction. Prior work shows that randomly deleting 75% of tokens in old turns may preserve agent effectiveness, but it remains unclear why, how agents compensate for missing content, and whether it actually reduces costs. This paper presents an empirical study of 42 trajectory-reduction configurations, focusing on effectiveness, agent behavior, and cost. We systematically explore deleting content from old turns by varying the scope, granularity, amount, and timing of deletion across 9,400 runs with two state-of-the-art agents on SWE-bench Verified. We find deleting large amounts of trajectory content (e.g., up to 100% of reasoning text) can preserve overall effectiveness. Import
★3 Streaming Recurrent Memory:面向流式学习的循环记忆 arXiv · 长期记忆 · 论文 Streaming Recurrent Memory(SRM)通过固定信息写入方式并学习状态读取机制,仅用单步 BPTT 即可从不保存原始经验的连续数据流中学习长期依赖。

 智能体记忆 持续学习 在线学习 时序建模 长程任务

论文提出 Streaming Recurrent Memory(SRM),面向经验到达后立即学习且不存储原始数据的流式约束。SRM 可按内容或时间回忆历史信息、追踪经过的步数,并组合依赖输入顺序的状态变换,同时仅需单步反向传播通过时间(BPTT)训练。在受控记忆任务、关联回忆和在线语言建模中,SRM 优于循环网络基线。它还在具有延迟奖励的关联式 T-Maze 中取得接近完美的成功率,表明固定写入结构、学习读取方式可替代长程反向传播。

用途与启示
  • 为高带宽、低存储预算的在线智能体提供无需经验回放的长期记忆方案。
  • 展示单步 BPTT 也能学习延迟反馈和长期依赖,有助于降低流式训练的内存与计算成本。
  • 可用于持续学习、在线语言建模及具有延迟奖励的长程控制任务。
  • 启发记忆架构将结构化写入与可学习读取解耦,以增强状态的长期可用性。
📝 原始笔记(逐字保留)
标题:Streaming Recurrent Memory 来源:arXiv 链接:https://arxiv.org/abs/2610.34833 摘要:Natural intelligence learns from a continuous stream of sensorimotor experience: data can arrive at high bandwidth, and behavior adapts to feedback as soon as it arrives, even when it is delayed. In contrast, most modern deep learning systems rely on stored datasets, replay buffers, and retained contexts through which credit is later assigned. At high data rates, storing and revisiting past experience can be impractical under tight memory and computational constraints. This paper studies recurrent memory under a streaming learning constraint: the learner learns from experience as soon as it arrives without storing raw experience. We ask whether a streaming learner can maintain a state that remains useful for future prediction and control from delayed feedback. We introduce Streaming Recurr
★3 BehaviorMem:基于真实电商行为流构建与评测用户记忆 arXiv · 长期记忆 · 论文 BehaviorMem通过结构化维护用户的显式行为事实与推断特征,并以真实电商日志基准分别评测记忆证据和推断潜在偏好的能力。

 智能体记忆 用户画像 行为建模 模型评估 持续学习

论文将持续行为用户记忆定义为两个相互关联但需独立评测的能力:记住具体行为证据与既有兴趣,以及由行为推断潜在需求和偏好。BehaviorMemBench基于真实电商日志构建,覆盖1194名用户、17462个行为批次和超过三年的时间跨度,并利用未来行为自动生成标签。BehaviorMem采用长期与短期范围、显式行为事实与推断用户特征构成的双轴状态,支持证据驱动的记忆形成、持续维护和查询无关读取。跨两种记忆构建器和两种任务读取器的实验表明,该方法在记忆与推断任务上领先受测智能体记忆方案,公共数据集验证也显示其有助于下游行为历史任务。

用途与启示
  • 为电商推荐、个性化助手等系统提供从长期行为流持续构建用户记忆的方案。
  • 通过分离“记住证据”与“推断偏好”,避免用单一指标掩盖不同记忆方法的能力差异。
  • 双轴记忆状态可为用户画像、经验检索和跨商品领域偏好推断提供可复用设计。
  • 基于未来行为的自动标签机制可降低真实用户记忆基准的构建与扩展成本。
📝 原始笔记(逐字保留)
标题:BehaviorMem: Building and Evaluating User Memory from Real-World E-Commerce Behavior Streams 来源:arXiv 链接:https://arxiv.org/abs/2610.34790 摘要:User memory helps personalized systems build on their understanding of users over time. In e-commerce, users convey their preferences and needs through both explicit language and implicit interactions with products. We study memory built from logs of these interactions, examining how it can \emph{remember} concrete evidence and established interests, and use that evidence to \emph{infer} underlying needs and preferences that inform judgments beyond well-observed product domains. Existing memory methods primarily target language-based interactions, and evaluations offer limited real behavioral data and limited separation of these capabilities. This leaves open how to jointly support and separately evaluate remembering and inference from behavioral logs. We formulate the problem of continual
★3 SciValidityBench:科学智能体记忆的证据使用有效性评测 arXiv · 记忆能力评测 · 论文 SciValidityBench 将科学智能体记忆评测从事实检索推进到证据使用有效性判断,检验智能体能否依据实验状态决定已记忆证据是否有资格影响科学决策。

 智能体记忆 智能体评估 科研智能体 证据推理 状态表征

SciValidityBench 是一个可执行的基准生成框架,包含覆盖五类有效性模块和六个科学领域的 64 个 TaskSpec。每项任务将生成的实验历史与科学状态定义、程序化决策预言机、受控干预和自动评分结合,用于判断证据是否适用于当前决策。SciStateForge 编译器—读取器框架把分散的历史记录转换为显式的决策支配状态,并通过反事实样本及定向破坏—修复实验定位失败原因。在四个模型家族上,编译后的科学状态相较通用事件图将有效决策表现提升 9.2~18.8 个百分点,而单纯增强检索无法复现这一收益。

用途与启示
  • 为科学智能体的长期记忆提供超越“是否检索到正确事实”的评测范式。
  • 可用于检验智能体能否识别预注册结果、停止规则及多重比较等条件对证据效力的影响。
  • 显式构建决策支配状态,有助于提升科研智能体的证据审查能力并定位记忆使用错误。
  • 反事实与破坏—修复控制可支持记忆系统、状态表示和科学决策模块的细粒度审计。
📝 原始笔记(逐字保留)
标题:The Right Fact, the Wrong Decision: SciValidityBench for Scientific Agent Memory 来源:arXiv 链接:https://arxiv.org/abs/2610.34767 摘要:Most agent-memory benchmarks frame long-term memory as retrieval: can an agent recover the relevant record from a long and evolving history? Scientific agents face a stricter problem: a correctly remembered fact may still be invalid to use. The same reported test result can support confirmation when the outcome and stopping rule were fixed in advance, yet only exploration when the outcome was selected from twenty inspected results. We call this scientific use validity: whether remembered evidence is eligible to influence a decision under the state governing its interpretation. We introduce SciValidityBench, an executable benchmark factory with 64 TaskSpecs spanning five validity modules and six scientific domains. TaskSpecs couple generated experimental histories with scientific-state defi
ResearchEvolve2 条
★3 LLM 智能体自主发现生物过程动力学结构与参数 arXiv · 机制发现 · 论文 该研究提出由 LLM 智能体驱动的闭环动力学发现框架,可自主解耦生物反应速率规律、扩展状态空间并通过主动实验恢复未知动力学参数。

 自动化科学研究 机制发现 智能体 实验设计 闭环科学研究

研究提出面向连续生物制造数字孪生的混合闭环架构,以 LLM 智能体自主发现动力学状态空间和速率方程。框架采用跨正交运行工况的“隔离—剥离”流程,结合移动窗估计、对数分解与两级 RAG 知识库,将耦合的抑制、催化及调节效应拆分为独立残差通道。当候选模型出现统计退化时,主动实验设计控制器会触发有针对性的扰动,以消除竞争假设之间的相关性。在包含 Haldane 抑制、Luong 产物毒性和次级代谢物自催化的连续搅拌釜反应器上,该系统无需先验动力学知识即可扩展状态空间,并以低于 6% 的误差恢复真实参数。

用途与启示
  • 为动力学知识不完整的连续生物制造系统自动构建可解释数字孪生。
  • 展示 LLM 智能体、机理估计与主动实验设计结合形成闭环科学发现流程的可行性。
  • “隔离—剥离”策略可为复杂耦合动力学中的结构辨识和竞争假设消歧提供参考。
  • 该框架有望推广至化学反应、过程控制及其他需要自主机制发现的科学场景。
📝 原始笔记(逐字保留)
标题:Autonomous Structural Discovery Of Bioprocess Dynamics And Kinetics Via LLM-Driven Agents 来源:arXiv 链接:https://arxiv.org/abs/2610.35391 摘要:High-fidelity digital twins in continuous biomanufacturing are often bottlenecked by incomplete kinetic models, while standard data-driven algorithms (e.g., SINDy, PINNs) lack interpretability or impose rigid physical assumptions. This paper introduces a hybrid closed-loop architecture for autonomous kinetic state-space discovery driven by a Large Language Model (LLM) agent. The framework employs a sequential "isolation-peeling" methodology across orthogonal operational regimes. This algorithmic peeling mathematically decouples entangled multiplicative (inhibitory) and additive (catalytic) biological rate law. Grounded in a Two-Level Retrieval-Augmented Generation (RAG) library, the framework utilizes Moving Horizon Estimation (MHE) and logarithmic decomposition to decouple complex cell gr
★3 OpenAI 宣布 AI 模型取得三项科学理论突破 AIHOT · 自动化科学研究 · 原文 OpenAI 宣布其 AI 模型分别证明全维度局部光滑猜想、推翻指数时间假设,并提出量子色动力学及纯杨–米尔斯理论的严格存在性证明,但成果仍待学术界独立审查确认。

 自动化科学研究 形式化验证 数学人工智能 科学发现 人工智能可靠性

OpenAI 称其模型证明了所有维度下的局部光滑猜想,并由此解决挂谷猜想和斯坦因限制猜想,关键是构造一种新的辅助偏微分方程。模型还生成了否定指数时间假设(ETH)的证明,可能促使学界重新评估一系列计算复杂性结论及算法加速空间;上述两项成果均已使用 Lean 形式化验证。物理学方面,模型提出四维量子色动力学及标准模型一种统一完备化的严格存在性证明,并处理了纯杨–米尔斯理论的存在性子问题,但并不等同于完整解决杨–米尔斯质量间隙难题。OpenAI 已邀请数学、复杂性理论和量子场论专家开展公开审查,相关结论仍需独立复核。

用途与启示
  • 展示 AI 从辅助科研走向自主提出证明、形式化验证并接受专家审查的潜力。
  • Lean 验证可提升复杂数学与理论计算机科学成果的可检查性,但不能替代对定义、前提和科学意义的同行评议。
  • 若 ETH 反证成立,依赖该假设建立的复杂性下界需要系统重审,并可能打开新的算法设计空间。
  • 物理学成果应区分“理论存在性证明”与完整解决杨–米尔斯千禧年难题,避免在独立确认前过度解读。
📝 原始笔记(逐字保留)
标题:OpenAI 宣布 AI 模型取得三项科学突破,涉及局部光滑猜想、指数时间假设与杨–米尔斯理论 来源:AIHOT 每日精选(aihot.virxact.com) 链接:https://aihot.news/items/jxpzj0z4beg1r0cktwzc0tmwe 摘要:(信源:ithome.com)OpenAI 于 10 月 27 日宣布其 AI 模型在数学、计算机科学和物理学领域取得三项研究突破。数学上给出了所有维度下局部光滑猜想的证明,从而解决挂谷猜想与斯坦因限制猜想;计算机科学上给出推翻指数时间假设(ETH)的证明,暗示相关计算任务可能有更快算法;物理学上提出量子色动力学及标准模型一种统一完备化的严格存在性证明,涉及杨–米尔斯千禧年难题的一部分。
HarnessEvolve2 条
★3 MarkovSim:面向长程计算仿真的有界上下文智能体框架 arXiv · 上下文压缩 · 论文 MarkovSim通过结构化记忆与有限状态机边界上的进度压缩,使智能体在长程计算仿真中保持有界上下文,并在有限元分析基准上完成16次成功运行(共18次)。

 长程任务 上下文压缩 智能体 科学计算 状态机

MarkovSim是一套面向长程计算仿真工作流的LLM智能体框架,将上下文管理作为系统核心而非辅助机制。系统使用预定义模式将完整工作流记录写入记忆,并在有限状态机发生状态转换时,从记录中构造紧凑的求解进度表示作为后续上下文。该框架在6个有限元分析基准问题上进行了18次运行,其中16次通过,并能自行修正求解器操作和物理建模中的错误。所有运行的上下文规模始终保持有界,仅在需要工程判断时咨询工程师。

用途与启示
  • 为超出上下文窗口的长程科学计算任务提供结构化、可控的上下文管理方案。
  • 展示状态机边界可作为记忆压缩与上下文重建的稳定时机,降低历史信息持续累积的问题。
  • 可用于构建具备故障自修复能力的计算仿真智能体,同时保留必要的人在回路工程判断。
  • 为评估长程智能体的上下文上界、任务完成率和错误恢复能力提供实践参考。
📝 原始笔记(逐字保留)
标题:MarkovSim: an LLM Agent Harness with Bounded Context for Long-Horizon Computational Simulation 来源:arXiv 链接:https://arxiv.org/abs/2610.35349 摘要:Recent studies have applied large language model (LLM) agent systems to computational simulation workflows. Such workflows are long-horizon, so the information generated can exceed what an LLM can reason over at once, its context window. Context management is therefore essential, yet existing systems have either neglected it or treated it as a supporting mechanism rather than a subject of study. This paper presents MarkovSim, an LLM agent harness for long-horizon computational simulation, whose core is a context management scheme built into the workflow. The workflow record is written to a memory system with a predefined schema, and at workflow-defined boundaries, namely the state transitions of a finite-state machine a compact representation of the solution progress is constructed from it
★3 RSIV-Harness:面向对话式文本可视化的递归自我改进框架 arXiv · 递归自我改进 · 论文 RSIV-Harness通过从失败轨迹中递归修订智能体脚手架,在冻结语言模型权重的情况下显著提升开放域对话式文本可视化的图表可执行性与结构质量。

 递归自我改进 智能体脚手架演化 智能体 数据科学 长程任务

RSIV-Harness面向开放域、歧义且多轮交互的文本可视化任务,使智能体能够发现异构数据库中的相关数据、主动澄清需求并持续追踪用户意图。该框架保持语言模型权重不变,利用智能体自身的失败轨迹递归修改外围脚手架。其四层验证机制通过锚点检查和记忆检查评估修订方案,未通过验证时则恢复至当前最佳脚手架,以平衡自我改进能力与系统稳定性。作者还提出包含640项任务的ODAC-Vis基准;单轮改进便使六项指标全部提升,其中图表可执行性提高28.02个百分点、图表结构提高34.01个百分点。

用途与启示
  • 展示无需更新模型参数、仅演化智能体脚手架即可从跨任务失败经验中持续改进的路径。
  • 为开放域数据发现、歧义消解、多轮图表修订和可执行图表生成提供一体化评测基准。
  • 四层验证与回滚机制可用于降低递归自我改进造成的能力退化或约束漂移风险。
  • 可借鉴到数据库智能体、数据分析智能体及其他需要长期追踪用户约束的交互式系统。
📝 原始笔记(逐字保留)
标题:RSIV-Harness: A Recursive Self-Improvement Harness Framework for Open-Domain Conversational Text-to-Visualization 来源:arXiv 链接:https://arxiv.org/abs/2610.35316 摘要:Users often request charts without knowing which database or table holds the relevant data. Such requests may be ambiguous, and users may ask follow-up questions to deepen their analysis or iteratively refine existing charts. A useful assistant must therefore discover relevant data sources among heterogeneous databases, ask clarifying questions when needed, and track evolving user intent while preserving constraints established in earlier turns. Yet recent text-to-visualization agents typically rely on static agent harnesses that are predefined and remain unchanged despite recurring failures across tasks. To address this limitation, we introduce RSIV-Harness, which keeps the language model weights fixed and applies Recursive Self-Improvement to revise the surrounding harness from the agent
CacheEvolve2 条
★3 BellowsKV:按需展开的跨层共享潜变量 KV 缓存 arXiv · 推理效率 · 论文 · 代码 BellowsKV 以相邻层共享的全维潜变量按需重建各层键值,并结合低精度量化或统一淘汰,在无需训练的情况下实现高压缩率 KV 缓存。

 缓存压缩 推理加速 系统优化 成本优化 长程任务

BellowsKV 发现,相邻 Transformer 层的 KV 缓存表示差异较大,但其输入隐藏状态高度相似,因此将多个相邻层的隐藏状态映射为每个词元一个共享潜变量。推理时,各层通过专属投影从该潜变量中按需恢复自己的键和值,避免直接共享差异明显的跨层 KV 表示。BellowsKV-Quant 保持潜变量全维度并采用低精度存储,而 BellowsKV-Evict 利用各层词元重要性排序相近的特点,对层块执行统一淘汰决策。实验覆盖 Llama-3.1-8B、Mistral-7B 和 Qwen2.5-7B:量化版本在 3.6 倍压缩下保留约 99% 的完整缓存准确率,在 13~14 倍压缩下仍保留 97%~98%。

用途与启示
  • 为长上下文、多轮智能体和工具调用服务降低 KV 缓存显存占用,提升有限 GPU 资源下的并发能力。
  • 表明跨层缓存压缩更适合共享隐藏状态潜变量,而非直接共享各层 KV 表示。
  • 提示高压缩率场景下应优先量化全维潜变量,而不是削减潜变量维度。
  • 无训练设计便于应用到不同开源模型,可作为现有推理服务框架的缓存优化组件。
📝 原始笔记(逐字保留)
标题:BellowsKV: One Latent for Many Layers, Expanded on Demand 来源:arXiv 链接:https://arxiv.org/abs/2610.35023 摘要:Large language models (LLMs) now serve as the backbone of agents that reason over many turns, call tools, and pursue long-horizon tasks. To avoid recomputation, a model stores the attention keys and values of all past tokens in a key-value (KV) cache. Each layer maintains its own cache, so KV-cache memory can become the main bottleneck for GPU serving. Most compression methods operate within a single layer, by quantizing the cache entries, reducing the channel dimension, or evicting less important tokens. All three lose substantial accuracy at high compression ratios. Cross-layer methods share one compressed cache across adjacent layers to go beyond this limit. However, these methods also degrade sharply at high compression ratios. We find that the KV-cache representations of adjacent laye
★3 有界键查询相似度下的注意力:空间复杂度与 Transformer 各向异性 arXiv · 上下文压缩 · 论文 论文在键与查询余弦相似度接近零的现实各向异性假设下,给出注意力近似的近空间最优算法及下界,并证明均匀采样在典型参数范围内近乎最优。

 缓存优化 成本优化 推理加速 长上下文 人工智能可解释性

论文重新研究自回归生成中注意力近似与 KV 缓存压缩的空间复杂度,指出既有最坏情形结果依赖查询与键近乎完美对齐,与真实 Transformer 的几何特征不符。作者假设键与查询的余弦相似度被限制在零附近的小区间内,以刻画实践中普遍存在的各向异性。在该约束下,论文提出近空间最优的注意力近似算法,并给出相匹配的空间复杂度下界。下界构造同样呈现经验研究观察到的各向异性,同时理论结果表明均匀采样在典型参数范围内已接近最优。

用途与启示
  • 为符合真实 Transformer 键—查询几何分布的 KV 缓存压缩提供更具解释力的理论边界。
  • 说明经典最坏情形空间复杂度可能高估实际注意力近似所需的缓存容量。
  • 为均匀采样等简单缓存压缩策略的实际有效性提供理论依据。
  • 可用于指导长上下文推理中的缓存预算配置与近似算法选择。
📝 原始笔记(逐字保留)
标题:Attention under Bounded Key-Query Similarity: Space Complexity and Transformer Anisotropy 来源:arXiv 链接:https://arxiv.org/abs/2610.35020 摘要:A growing body of work on KV-cache compression aims to reduce the memory requirements of autoregressive generation. These methods compress the stored context while approximately preserving attention computation, enabling generation with reduced memory consumption. Almost tight theoretical results on the worst case space complexity of attention have recently been obtained, but they are achieved by instances where queries can be perfectly aligned with keys. This directly contradicts the observed anisotropy of the key/query geometry in real transformers. In particular, it has been shown empirically that key/query cosine similarities are small even for most correlated pairs, i.e., near-perfect alignment of queries with keys does not happen in practice. In this paper, we study the space complex
InfraEvolve1 条
★3 SPARTA:面向长上下文端侧推理的稀疏三值 LLM 加速器 arXiv · 系统优化 · 论文 SPARTA 通过阶段感知稀疏数据流、统一计算通路和两阶段自适应注意力,显著降低长上下文端侧推理的 KV 缓存流量并提升吞吐与能效。

 系统优化 端侧部署 推理加速 长上下文 成本优化

SPARTA 是面向 1.58-bit 三值权重 LLM 的端侧硬件加速器,重点解决长上下文推理中的内存带宽和 KV 缓存访问瓶颈。其阶段感知稀疏数据流分别适配计算密集的预填充阶段与访存密集的解码阶段,并在共享处理单元上统一执行三值 SpMM/SpMV 和位串行注意力。自适应两阶段注意力先以页级 Top-k 减少 K-cache 访问,再通过词元级 Top-p 剪枝降低 V-cache 流量,使 KV 流量较全量注意力减少 4.1–4.8 倍。相较 NVIDIA Jetson AGX Orin,SPARTA 平均实现 3.9 倍生成吞吐和 8.3 倍端到端能效提升,但稀疏注意力会带来任务相关的质量损失。

用途与启示
  • 为低比特 LLM 的端侧部署提供软硬件协同优化思路,将权重稀疏性、位级稀疏性与注意力稀疏性纳入统一架构。
  • 表明长上下文推理优化不能仅压缩权重,还需重点控制 KV 缓存流量和不规则访存开销。
  • 统一线性层与注意力的数据通路可减少专用硬件冗余,提高处理单元复用率和面积效率。
  • 页级候选筛选与词元级剪枝的分层设计可用于权衡推理质量、带宽消耗和执行效率。
📝 原始笔记(逐字保留)
标题:SPARTA: A Sparse Ternary LLM Accelerator with Adaptive Attention and Unified Datapath for Long-Context Edge Inference 来源:arXiv 链接:https://arxiv.org/abs/2610.34824 摘要:LLMs on edge devices are constrained by limited memory and bandwidth. Although 1.58-bit ternary weights greatly reduce model storage, long-context inference is increasingly bottlenecked by KV-cache traffic and attention. Existing accelerators also use separate datapaths for ternary linear layers and attention, incurring hardware and execution overhead. We present SPARTA, a sparse ternary LLM accelerator for efficient long-context edge inference. SPARTA integrates: (1) a phase-aware sparse dataflow exploiting heterogeneous sparsity across compute-bound prefill and memory-bound decode; (2) a unified compute fabric mapping ternary SpMM/SpMV and bit-serial attention onto shared processing elements to exploit zero-weight and zero-bit sparsity; and (3) an adaptive two-stage attention engine comb
SystemEvolve1 条
★3 System-1 决策模型能否替代 RAG 专用重排器? arXiv · 系统优化 · 论文 系统评测表明,System-1 风格决策模型在限制候选文本长度后可实现有竞争力的 RAG 重排质量,但在延迟和显存占用方面仍难全面替代调优后的专用重排器。

 检索重排 检索增强生成 模型评估 系统优化 成本优化

研究首先在 11 个基准上筛选了 21 个开放权重模型,再使用相同候选列表比较候选决策模型与专用重排器。默认配置在较长候选集合上频繁执行失败,仅统计成功完成的请求会造成误导性的性能排名。限制候选文本长度可显著恢复可靠性,并使部分决策模型配置的重排质量达到竞争水平。冻结的新检索数据评测验证了可靠性结论,但不同工作负载下模型排名会变化,且调优后的专用重排器仍具有更低延迟和更小显存占用。

用途与启示
  • 评估直接输出结构化决策的 System-1 模型能否降低 RAG 重排阶段的推理开销。
  • 提醒评测者将执行失败请求纳入统计,避免因只计算成功样本而高估重排质量。
  • 部署前应联合衡量相关性、完成率、延迟与显存,而非仅依据单一排序指标选型。
  • 在替换现有组件之前,应优先优化候选文本长度并调优已部署的专用重排器。
📝 原始笔记(逐字保留)
标题:Can System-1-Style Decision Models Replace Dedicated Rerankers in RAG? A Systems Evaluation 来源:arXiv 链接:https://arxiv.org/abs/2610.34816 摘要:Retrieval-augmented generation (RAG) systems often use a dedicated reranker to choose which retrieved candidates reach the language model. Reranking improves relevance but adds latency, so teams look for faster alternatives. System-1style decision models make direct, structured predictions instead of generating long responses. Could one provide comparable reranking quality with less inference overhead? We first screen 21 open-weight models on 11 benchmarks, then compare a promising decision model with a dedicated reranker on identical candidate lists. The default decision-model setup fails on many long candidate sets, so scoring only the requests it completes gives a misleading ranking. Limiting candidate text length largely restores reliability and makes some configurations competitive. A
GeneralizeEvolve1 条
★3 Grokking 中的子空间结晶:秩压缩追踪相变 arXiv · 机制发现 · 论文 模算术实验表明,有效秩压缩发生在 Grokking 泛化相变之后,低秩约束无法加速甚至会阻碍 Grokking,说明压缩是泛化形成的表征特征而非成因。

 模型训练 跨域泛化 表征几何 数学人工智能

研究在均值场 MLP 和单层 Transformer 上考察模算术任务中的 Grokking、有效秩与泛化相变。Transformer 通常在 250 步内记忆训练集,但测试准确率达到 95% 的 Grokking 起点分布在 6,500 至 21,000 步,而最陡峭的有效秩下降稳定地滞后约 900 步。作者提出“充分子空间”与“子空间结晶”概念,发现维持输出所需的奇异方向在相变期间由至少四分之一缩减至约十分之一。受限低秩实验不仅未加速 Grokking,限制嵌入秩还使 20 次运行中的 15 次无法发生 Grokking,支持秩压缩是相变结果而非驱动因素。

用途与启示
  • 澄清有效秩压缩与 Grokking 的因果时序,避免将相关性误判为泛化机制。
  • 可将充分子空间规模和有效秩变化用作监测泛化相变与表征重组的诊断指标。
  • 提示低秩约束可能削弱形成泛化解所需的早期表征自由度,训练压缩策略应关注施加时机。
  • 子空间结晶为分析神经网络从记忆向规则化解迁移提供了可量化视角。
📝 原始笔记(逐字保留)
标题:Subspace Crystallization in Grokking: Rank Compression Tracks the Phase Transition 来源:arXiv 链接:https://arxiv.org/abs/2610.35112 摘要:Grokking describes understanding something deeply and intuitively. In neural networks, it is the phenomenon where a network generalizes long after memorizing its training data. This delay has been linked to a fall in the effective rank of the network's weight matrices, but whether this rank compression drives grokking or follows it is still unresolved. We study a mean-field MLP and a one-layer transformer trained on modular arithmetic and observe that: (i) Compression follows the onset, not memorization. Every transformer memorizes its training data within 250 steps, while the grokking onset (the first step at which test accuracy reaches 95%) varies from 6,500 to 21,000 steps. The steepest fall in effective rank comes about 900 steps after the onset, however late the onset occurs, and netw
EnvironmentEvolve1 条
★3 PhysEvolve:基于可执行世界验证的物理推理自进化 arXiv · 自进化 · 论文 PhysEvolve利用确定性物理引擎验证模型生成的可执行世界与反事实结果,通过GRPO和自适应课程持续提升视觉语言模型的因果物理推理能力。

 自演化 因果归因 环境合成 视觉推理 强化学习

PhysEvolve让共享视觉语言模型自主提出可执行世界程序与证据模式,再由确定性物理引擎验证环境并生成任务。系统对同一世界模拟基准分支和移除物体后的反事实分支,据此合成答案可精确验证的视觉物理问题。求解任务产生的验证器反馈通过GRPO更新共享策略,同时调整面向不同物理意图的自适应课程。基于Qwen3-VL-8B-Instruct训练后,该框架在PhysBench、CausalPhys和ContPhy上取得提升,并将因果规律零样本迁移至布料、流体、软体等复杂动力学及真实视频。

用途与启示
  • 以确定性物理引擎充当外部真值源,缓解反事实物理训练数据稀缺与结果难验证的问题。
  • 展示“环境生成—模拟验证—任务合成—策略更新”的闭环自进化训练路径,可用于构建无需人工干预数据的具身推理系统。
  • 可执行世界和精确验证器能够减少错误合成数据进入训练流程,提高因果物理推理训练的可靠性。
  • 自适应课程有助于将训练重点动态转向薄弱的物理交互与改变世界类问题。
📝 原始笔记(逐字保留)
标题:PhysEvolve: Verifier-grounded Self-evolution for Physical Reasoning with Executable Worlds 来源:arXiv 链接:https://arxiv.org/abs/2610.34921 摘要:Physical reasoning underpins how embodied systems understand and act in the physical world, yet vision-language models (VLMs) remain unreliable on questions about dynamics and physical causality. Progress is critically constrained by the scarcity of grounded counterfactual training data, as observational videos capture only the factual trajectory that occurred. The self-evolving paradigm offers a route beyond fixed datasets by enabling models to construct their own training problems. Extending this paradigm to physics, however, requires an external source of truth that can both validate model-proposed environments and verify alternative physical outcomes under intervention. We introduce \physevolve{}, a verifier-grounded self-evolving framework that trains VLMs for causal physical reasonin

🔥 热点延伸 1 条 · 当日热门但非主要研究方向,仍有启发

这些条目相关性判定为 0~1 分,是有意收录的当日热点;不进入重点与研究项目分组,点击标题展开。

★1 TenetBench:条款锚定的俄语专业伦理准则评测语料库 未知 · 评测基准 TenetBench 是一个以伦理条款为锚点的俄语语料库,用于评估语言模型理解和遵循专业伦理准则的能力。

 模型评估 安全对齐 多语言建模 规则遵循

TenetBench 面向语言模型的专业伦理准则掌握能力评估。该语料库以具体条款为锚点,强调模型回答与规范依据之间的对应关系。其内容采用俄语,可用于考察多语言场景下的伦理理解与规则遵循能力。

用途与启示
  • 为语言模型的专业伦理知识与规则遵循能力提供结构化评测资源
  • 支持按具体条款定位模型的理解偏差和失效模式
  • 补充俄语场景下的多语言安全对齐评估
📝 原始笔记(逐字保留)
[TenetBench:一个以条款为锚点的俄语语料库,用于评估语言模型对专业伦理准则的掌握情况(12 ▲)](
0%