基于 StaGPO 训练的 Qwen3.5-2B 在弱用户场景下的工具调用 Agent 表现
summary_zh: 研究人员提出 StaGPO 算法,使基于 Qwen3.5-2B 的 Agent 在弱用户场景下实现最佳性能。 该模型在 ToolWOZ 上对弱用户成功率达 76.8%,比 GRPO 高 4.8 分,且优于其他基线。
summary_zh: 研究人员提出 StaGPO 算法,使基于 Qwen3.5-2B 的 Agent 在弱用户场景下实现最佳性能。 该模型在 ToolWOZ 上对弱用户成功率达 76.8%,比 GRPO 高 4.8 分,且优于其他基线。
WenSight-Decision-1 模型基于 Qwen3.5-9B 微调,在 6 项电商运营任务上将决策准确率从 61.60% 提升至 92.92%。 该模型支持 6 种语言,在 1,440 个合成案例上通过直接评分选项实现统一决策接口,显著改善异构运营判断。
针对顺序知识编辑导致 LLM 通用能力退化问题,研究提出 FisherEdit 方法。 该基于 Fisher 几何理论,在参数空间实施重要性感知正则化,替代 AlphaEdit 等方法中的粗粒度激活空间投影,并采用高效逐行闭式解。
Muse Glimmer 是一个基于 Apache 2.0 许可开源的 300 亿参数因果语言模型,专为消费级硬件设计,集成了多模态感知、多步推理与工具调用功能。模型经过 4-bit 量化优化可在单 GPU 上本地运行,无需云端基础设施,在同量级模型中实现了 agentic benchmark 的领先性能,并支持超过 100 种语言的训练数据。
推荐理由:Muse Glimmer 作为 30B 参数模型实现了本地智能体功能,为消费级硬件部署多模态推理模型提供了新路径。
研究评估 Hunyuan-MT-7B 在 RASTA 框架中替代 GPT-4 进行文化对齐机器翻译的能力。 模型在三种变体下风格对齐无统计显著差异,整体未达 GPT-4 水平,但在亲密度和中文方向表现持平或超越。 表明基于开源模型的 RASTA 流水线在特定翻译方向上已具可行性。
研究发现,TII Falcon 7B Instruct、Gemma 7B 等开源 LLM 在重复囚徒困境中普遍比人类更合作,尤其在随机伙伴环境下,人类平均合作率为 28.5% 时,部分模型超过 80%。 Qwen-2.5-7B-Instruct 表现确定性强,Phi-mini-MoE-Instruct 变异性大且短暂接近人类水平。这些 LLM 具备行为模拟代理潜力,但目前尚不可靠地替代人类参与者。
AWS 推出新的 SageMaker Studio 访问入口,新用户可通过 Google、GitHub 等账号在 2-3 步内完成注册并进入预配置环境。新账号默认获得 $100 Free Tier 积分及 G5、G6、G4dn GPU 实例访问权限,环境创建时间缩短至 20 秒,并免除了手机号验证和信用卡绑定要求。
2026 年 1 至 9 月,SageMaker JumpStart 新增超过 100 个模型,来自 30 家提供商。 重点纳入 Alibaba(Qwen)29 个模型、NVIDIA 17 个模型及 Mistral 7 个模型,支持 LoRA、SFT、DPO 等微调技术。 强化多模态与高效推理能力,提供量化模型如 GLM-5.2 FP8 和 MiniCPM5-1B。
GroundAnything 4B 参数模型通过分块去噪实现快速并行解码,GroundAnything-VLM 在 30 项基准测试中取得 72.42% 平均成绩,达到同规模模型 SOTA。
summary_zh: MARS提出记忆感知路由框架,将记忆构建与模型选择通过会话状态连接,在质量、内存和成本间取得平衡。 在RealMem测试中,MARS保留GPT-4o 98.2%的问答能力,仅使用其14.5%的生成API成本,且记忆召回与检索分数最强。
研究团队提出多智能体基准 KiranaBench,模拟印度多语言杂货店运营场景,包含经理、收银员等四个 LLM 智能体角色。 该基准支持英语、印地语和 Hinglish 交互,需求数据基于印度国家家庭消费支出调查校准。 测试显示,四款开源 LLM 中最佳模型利润仅为固定规则基线的八分之一,两款模型表现甚至低于无管理店铺,印地语和 Hinglish 下的性能显著低于英语。
研究通过定位干预发现,MoE 模型 Prefill 阶段专家减半导致的 F1 损失主要源于回答形式改变而非答案缺失。敏感位置集中在 chat-template 或指令起始处,恢复全量专家或调整位置可显著降低损失。 该分析验证了保留敏感 token 的全量路由是维持性能的关键。
X-Alpha 将持久化研究记忆与假设生成代码发现耦合,解决自动化 Alpha 挖掘的三大瓶颈。 通过 RMA 将财报转化为可执行路径,利用记忆驱动路由在跨周期探索中自进化。 在涵盖沪深港美五大指数(以 CSI300 为核心)的实验中,因子质量与信号多样性显著提升。
该研究在 GPT-2 上对比不同更新策略,并测试 Qwen3.8-Flash 与 DeepSeek-V4.1,发现写入效果有限。 GPT-2 自然问题命中率为 5.3% 至 28.7% 且严格答案为 0;Qwen 梯度写入使 132 个目标首词排名提升。 结果支持写入可行性,但未证明完整答案成功或通用写入条件。
研究人员提出 DPA-MoE 框架,通过在推理时根据路由门控分数动态分配任意精度编码块,使专家路由模型能在不同权重预算下运行而无需重新训练或编码。 该框架使用 SharedScale AnyBCQ 对专家权重进行前缀可解码分块,并离线分析重建残差。
针对现有OOD检测方法的后验局限,提出前瞻性框架PLSP,将范式从检测转向预测,并引入数据集无关指标CREDS。 定义可信度曲线与热图以分析模型在不同数据集下的最大可信度,为分布偏移下的信号处理提供新视角。
完整刻画了等变多头自注意力(MHSA):若对对称群 G 等变,则 G 仅能通过置换 head-clusters 作用。 固定架构若以多项式参数化实现精确等变,必然导致表达力损失;8 头在 D4 群下存在 Ω(C^64) 个分量。 实验表明,当注意力层被压力变为等变时,预测的 head-cluster 结构会自然出现。
隐私审计中的 Canaries 互扰会削弱差分隐私下界估计的统计效力,尤其在高成本的多运行方法中尤为突出。 IBIS 框架结合基于影响的贪婪初始化与双层优化,通过嵌入空间正交正则化最小化 Canaries 间干扰,并增量更新单一模型。 该设计在提升 MIA 指标的同时,将计算成本降低最多两个数量级。
summary_zh: Witness Overlap 提出一种无提示、无训练的白盒测试方法,用于解决开源大语言模型的方向性溯源问题。在 16 个模型家族的 176 个检查点测试中,该方法使用 Frobenius cosine 实现了 95.3% 的父子节点判定准确率。
在 FLORES-200 的多语言字节边界预测中,使用 UTF-16 的 Universal Byte-Level Encoding (UBE) 将 17 种文字在 13 种婆罗米文系下的图素边界错误率降至 0.06%,远低于 UTF-8 的 8.76%。
在 GLM-5.3 模型上,远程 KV 分层命中延迟 0.88 秒,反而高于 0.31 秒的本地重算,导致系统不稳定。 通过分片存储、按 rank 分区及异步加载,将 GET 带宽提升至 10.76 GB/s,并修复客户端 bug。 命中流 p99 延迟从 83.32 秒降至 0.67 秒,预填充吞吐量提升 34%。
LeanGraphSearch 利用 Mathlib 前向依赖构建图,通过多跳依赖链提升形式定理证明引理检索效果。 该方法基于 Lean 4,将图排序算法与重排序结合,在 MathlibQR 基准上将召回率最高提升 12%。 结合 Lean 反馈的迭代证明循环显示,其 32 轮反思下的通过率相比 vanilla prover 最高提升 40%,具有更高的精度-成本效率。
JevAgentHarness 提出了利用 Jev 决策模型替代 LLM 进行工具选择以降低成本与延迟的方法。 评测发现,未设定置信度阈值时委托决策使成功率降低 19.0 个点;基于 Agent 轨迹训练的开源 4B 模型 AgentDecision-4B 在类训练数据任务上使成本降低 81.1%-89.0%,速度提升最高 2.5 倍。
研究人员提出 LITTLE DRAGON 方法,通过监督微调与强化学习训练 8B 参数小模型生成及优化 GPU 编译脚本。该模型在 102 个构建任务和 170 个优化任务中,性能优于 GPT-6 Astra 等六个前沿大模型,单次正确率达 91.27%。
研究表明,冻结已发布的短上下文起草模型(drafter)即可在超长上下文场景下实现有效的推测解码加速,无需重新训练或微调。 核心机制包含限制注意力缓存范围和重新校准旋转位置索引(rotary position indices)两项推理时技术。
StepSafe 提出 ASPO 训练框架,实现智能体系统的步骤级及时干预。在五项基准测试中,其 4B 模型 Youden's J 值达 53.0,超越开源 guardrail 的 46.2。该框架结合自适应反馈自蒸馏,提升风险预测的时效性与准确性。
PLVR 系统构建自教师模型 Kimi-K3 推理轨迹的程序,显著提升冻结小模型性能。Granite-4.2-8B 在 Telecom 测试集得分由 43.0% 升至 91.2%。 基准测试覆盖 tau2-Bench 与 LiveMCPBench,模型间基础性能差距从约 7 点缩小至约 2 点。 方法无需更新模型权重,适用于程序化工具使用场景。
Meta 发布 816B 参数的开源权重多模态 MoE 大模型 Muse Spark Open,每 token 激活约 42B 参数,支持文本、图像、音频和视频输入,上下文窗口达 1M token。文章详细介绍其架构与部署方案,提供 transformers、llama.cpp、vLLM 和 SGLang 的运行及微调示例,演示代码编写和浏览器操作等智能体任务。
推荐理由:文章给出了模型架构、部署方案和微调方法,方便开发者评估其实际可用性和算力门槛。
NVIDIA 发布三款开放权重智能体模型:Nemotron 3.5 Super VL 120B、Bolt 74B-A9B 24GB 和 Bolt E4B 4GB,覆盖从企业服务器到端侧设备的智能体部署层。
推荐理由:原文明确三个模型各自的参数量、量化体积和适配硬件层,读者可以据此判断智能体部署成本如何从数据中心下沉到本地设备。
CAtt-BiGNN 通过跨注意力二部图网络实现节点位移与单元薄化的联合预测,在自主回归滚动中优于基线模型。 该模型利用节点-单元边编码有限元状态组织,动态更新边表示,并支持大规模图的长程传播。 其在穹顶冷成形和角部热成形基准测试中验证了准确性提升。
论文提出 Sequential Fine-tuning with Averaging (SFA) 方法,通过微调期间周期性参数插值缓解灾难性遗忘。 在 Qwen3-14B 持续学习中,SFA 和 Lookahead 固定配置平均准确率优于测试的回放及自适应合并方法,任务训练时间减少多达 36.3%。
summary_zh: 提出基于共形风险控制(CRC)的 DFT 选择方法,在保持模型误差低于用户指定阈值 $\alpha$ 的同时,将需计算 DFT 的构型比例减少了 7% 和 14%。
针对预训练 LLM,GBLM-Pruner 利用一阶 Taylor 项和校准样本梯度实现无训练剪枝。 该方法在 LLaMA、Qwen 和 DeepSeek 模型的 Zero-shot、STEM 和 Coding 基准中,大幅超越 Magnitude 剪枝与 Wanda,性能与 SparseGPT 相当。
PrismaCoder 提出了一种名为 PrismaForge 的层级数据管线,利用分解的评审标准合成数据并驱动多模态代码模型的强化学习。基于该管线,作者构建了 PrismaCoder-2M 数据集,并训练、开源了 PrismaCoder-9B 和 35B 模型。这些模型在开源领域大幅领先现有最优水平,并与头部专有系统性能相当。
提出推理引导翻译框架,用于构建多语言评测。该框架结合任务感知验证与独立质量筛选,生成了覆盖 11 种语言、包含 7 项安全与数学推理资源的评测集。 在需修复的两个子集中,该集合实现了 99.94% 的预期条目 - 语言对覆盖率。评测开源 LLM 显示,低资源语言中存在显著的推理退化。 这种语言依赖性表明,在英语之外理解多语言模型行为需任务敏感的基准构建。
SAE-IDF 通过稀疏自编码器将符号编码为稀疏码,并利用稀有度对维度重新加权,实现了跨异构符号系统的单位匹配。 在涵盖 6 种符号系统的 12 项任务中,该方法是首个基础性步骤,相比同一 LLM 稠密基线,在使用 Gemma-2-9B 时于全部任务上、在使用 Llama-3.1-8B 时于除一项外的任务上均实现超越,最高提升达 45 分。
summary_zh: AgriJev 作为 Qwen3.5 的适配模型家族,在农业文本评分任务上实现高效推理。其 9B 版本在 17 个外部测试视图中平均准确率达 75.44%,超越原模型 5.89 个百分点。
LLM-jp-4 发布 8B 稠密模型与 32B-A3B MoE 模型,均在约 12 万亿 tokens 上从头训练。 该家族模型强调透明性与可复现性,公布了数据与选型标准,性能超越前代且媲美同规模开放权重模型。 旨在为未来主权 AI 开发提供参考。
Google Research 在 Research@ 2026 活动中展示 Google Earth AI 扩展、Deep Review 公开化等十项创新。 Earth AI 整合超 1 亿公共数据集,TimesFM 和 TabFM 已集成至 Gemini 支持业务预测。 Deep Review 已向公众开放,支持验证法律及财务报告等技术文档。
Qoder 团队推出全托管 Agent 平台 Qoder Cloud Agents,支持在云端运行复杂任务并实时返回结果。 平台提供开放 API、多语言 SDK、CLI 及 Skills 集成方式,底层通过 Managed 层处理运行与会话状态,上层 Forward 层封装用户身份、记忆、IM 渠道及定时任务能力。