Transect: 保留长程 LLM Agent 评估中的可观察性
开源工具 Transect 基于 Inspect Scout 构建,帮助评估者解析长程 LLM Agent 运行记录。 它通过导航式报告对齐事件、token 消耗及行为标签,支持追踪来源轮次并导出数据。 Transect 支持在生成近 1300 万 token 的 AI R&D 评估中保持科学严谨性与可复现性。
开源工具 Transect 基于 Inspect Scout 构建,帮助评估者解析长程 LLM Agent 运行记录。 它通过导航式报告对齐事件、token 消耗及行为标签,支持追踪来源轮次并导出数据。 Transect 支持在生成近 1300 万 token 的 AI R&D 评估中保持科学严谨性与可复现性。
研究者提出了一种基于 Lean 4 的 AI 辅助形式化方法,用于证明庞加莱猜想。通过结合数学家准备的证明蓝图和明确的里程碑陈述,实现了并行 Agent 工作,并提供了让数学家定位阻碍并提供指导的清晰节点。该项目为未来形式化项目中的可复用基础设施提供了起点,有望降低几何分析中数学结果验证的成本。
研究提出后见之明元经验蒸馏(HMED),用于改进智能体生成与修订技能的过程。 HMED通过在同一恢复状态下重新执行旧版和新版元技能,剥离初始状态影响,即使未保留的修订也能转化为可复用的结构化学习信号。 该方法在三个交互式智能体基准和开源、闭源模型上稳定提升了技能发现性能,使元技能学习转向关注改进过程本身。
研究提出 PAIR 流水线与 RePAIR 训练方法,旨在解决移动 GUI Agent 在个性化界面中跨用户可靠性低的问题。RePAIR 在未见用户上将用户条件化成功提升率提高 5.87 pp,整体任务成功提升率提高 9.42 pp。
提出免训练框架 OOPMAS,以查询级粒度动态生成多智能体架构与协作工作流。 通过模拟面向对象类定义智能体及动态技能库反馈,无需梯度更新即可在混合任务中实现上下文优化。 在混合任务基准上准确率达 89.6%,超越最强基线 18.1 个百分点,使用最强 LLM 时可达 92.4%。
NVIDIA 与 Microsoft 联合宣布推出支持本地 AI Agent 的 Windows PC 硬件生态,包括搭载 NVIDIA RTX Spark 的笔记本电脑和桌面电脑。
推荐理由:原文展示了NVIDIA与微软如何在Windows桌面端协同工程化AI Agent基础设施,涵盖硬件规格与本地运行模型的能力边界。
研究引入包含3,800组问答的德语临床基准MedQADE,由10名医生标注,用于评估LLM-as-a-judge系统。Gemini 3 Flash评分与医生参考标准接近(kappa=0.694),但四个模型对自身回答评价偏高,且医生弃权率随难度增加。结果表明,LLM评估者存在偏见,需医生验证后方可实现自动化评估。
Infinity-Chat 数据集揭示 LLM 开放生成中存在显著的“人工蜂群”效应,表现为模型内重复与模型间输出高度相似。该研究包含 2.6 万条真实用户查询及 3.1 万条人工标注,发现现有评分模型在偏好分歧场景中校准度不足。 该资源旨在引导未来研究以缓解由输出同质化引发的长期 AI 安全风险。
该研究系统分析了 LLM 多目标对齐中的跨目标干扰现象,并提出了单侧控制器 COVER。 COVER 通过调整目标权重,在缓解干扰的同时,当目标共同改善时能匹配线性标量化的性能。 该工作还结合了局部协方差定律与全局收敛性分析,将干扰归因于模型几何结构。
研究指出稀疏自编码器(SAE)虽为特征空间提供合理层级基础,但确立良好层级结构仍具挑战性。 分析发现特征吸收的硬性与软性形式均系统性损害层级质量,揭示了未来方法需解决的深层矛盾。 这确立了无监督概念发现中通用化/特化层级的评估协议与关键需求。
针对物理神经网络(PNN)规模受限及权重调整缓慢的瓶颈,研究提出TIDAL-Net架构。 该架构位于循环与深度网络之间,通过层间时分复用利用时间尺度分离增加有效深度。 数值实验表明,仅对传统PNN做轻微修改即可在图像分类和自然语言处理任务中提升性能。
该研究提出层级连续扩散语言模型(H-CDLMs),通过并行扩散不同语义粒度的模态提升生成效果。在LM1B上,H-CoBit的GenPPL降至49.4,较基线提升24.2分;GSM8K准确率达27.4%。该框架可推广至流匹配模型,代码将公开。
MobileVISTA 框架通过增强第一视角视觉观察并重定位动作,将标准姿态演示转化为姿态扰动数据,提升了移动操作策略的鲁棒性。 该方法专为摄像机位于运动链上的类人机器人平台设计,在 Galaxea R1 Pro 等模拟及真实任务中验证了其对测试时分布外姿态的适应性优势。
Fiorillo v0.5 是一款基于 Qwen3-4B-Base 的小型开源模型,采用 Apache License 2.0 授权发布。该模型通过低秩适配器微调,专门用于阅读随机对照试验文章并推断干预效果,支持对干预是否显著增加、减少或无变化进行概率预测。
研究利用表格基础模型 TabICL 实现无训练图节点分类,通过同质性门控保形预测实现有限样本下的精确可靠性。 TabICL 平均校准误差(ECE)为 0.019,比 GCN+TS 低约 35%;HG-DAPS 在均质图上比自适应预测集小 5.8% 至 17.1%。 这是该设定下首次可靠性研究。
TRACE 提出一种用于 MoE 大语言模型 FP4 强化学习训练的量化感知训练框架,通过在 rollout 侧生成 FP4 权重与激活以及 FP4 KV-cache 的推理路径来直接降低训练与 rollout 之间的量化差异。
NN-linkage 是一种能学习任务特定合并规则的神经网络模型,在与 Transformer 编码结合后可近似全局依赖规则。该模型在时钟树布线和系统发育重建等实证测试中,效果优于经典算法及其他神经方法。
可灵AI 将于 2026年10月10日至13日在釜山国际电影节展示 Kling 4.0,呈现由该模型参与制作的真实影视作品。 活动重点探讨模型如何理解导演构思、保持角色与叙事连贯性,并接入动画、实拍等影视工业生产流程。 此举旨在推动生成式 AI 从创作实验走向影视工业的专业生产环节。
Google DeepMind 发布 EmbeddingGemma 2,这是一款基于 Gemma 4 架构、采用 Apache 2.0 许可的 740M 参数开源多模态嵌入模型,支持将文本、图像、音频和视频映射至统一嵌入空间,适用于端侧推理。
推荐理由:原文给出了EmbeddingGemma 2的架构、MRL优化机制及端侧部署内存细节,为评估其在隐私RAG与跨模态检索中的实际能力提供了可参照的参数基础。
89%受访电信运营商认为开放模型对其AI战略至关重要,因其提供可控性与定制化能力。NVIDIA发布300亿参数的Nemotron 3 LTM,并开放微调流程以适配电信场景。 开放模型支持本地化部署,帮助运营商开发符合当地语言、法规及行业需求的AI服务。
LLM-as-Jev 架构表明,现代大语言模型无需训练即可作为有效的 Jev 风格决策模型,直接从 next-token 概率中提取校准决策。 在 Qwen3.5-4B 和 Qwen3-0.6B 上的评估显示,4B 模型性能匹敌专用模型且支持多模态,微调主要提升弱模型及特定任务。 研究强调 KL 散度锚定防止对话能力退化,LoRA 在强模型上性能最佳,优化了候选选择的微调目标。
AVOC 提出了一种面向小时级音视频理解的全模态 LLM 框架,通过在模态编码器与 LLM 骨干之间引入可学习的 Token 压缩模块,将多模态压缩重构为 Top-K 检索问题。
研究团队发布包含 10,235 条搜索轨迹的数据集,并配套 RLM 框架,旨在通过管理检索证据解决长程知识图谱搜索难题。 该框架让模型在持久化 Python 状态中批量调用图谱接口,避免将大型结果直接塞入上下文窗口。 在 100 道测试题中,RLM 框架使 gpt-6-luna 正确率从 49 提升至 61,Qwen3.8-27B 从 60 提升至 74。
IdeaScientist将研究构思分解为间隙查找、创新和报告写作三个角色,并利用强化学习训练,以Qwen3.6-27B为基座模型。 构建包含277万条分解研究想法的Svalbard Idea Vault语料库用于检索,在限制文献访问截止日期的评估中,该模型比最强开源基线高出14.0%,并超越Claude-4.8-Opus和GPT-5.4。
研究者提出"规模化参与"新范式,让参与者贡献各自训练的小模型,在模块化框架中组合成 AI 系统,在 15 项任务上比单体 LLM 高出最多 15.42%(95% CI:[10.09%, 21.13%])。
AgroGround 是一个包含 794,850 个指令示例的大规模有根农业识别数据集,用于识别植物病害并定位图像区域。该数据集通过自动化流水线转换八个农业视觉问答数据集中的标签生成。 微调后的 2B 模型在联合正确率上达到 43.3%,且在健康图像上的拒绝率为 95.0%。 代码已开源,该基准测试建立了有根农业识别的新标准。
SO-RSI通过二阶诊断式递归自我改进,在Lean 4证明生成中较Naive RSI提高21.8个百分点通过率。 该框架监控三种结构异常并执行轻量级诊断探针,在匹配24小时搜索预算下显著抑制失败复发。 研究证实该二阶方法能有效消除无进展优化循环,提升系统性工作流编辑效果。
PACT 提出一种端到端模型,从单目视频同步估计人体姿态、接触点和接触力。 该方法在人体重建基础模型中引入可学习接触力 token 与时序 Transformer,利用物理约束监督提升运动与力的一致性。 实验显示其接触与力估计达到最先进水平,优于分阶段方法,并泛化至训练分布之外的交互。
该研究提出统一路径空间视角,将扩散模型的强化学习损失归源于单一原则,证明了反向轨迹与正向匹配方法的差异实为方差缩减效果。 通过重要性采样推导策略梯度估计器,恢复了AWM和DiffusionNFT的前向匹配结构,并设计多样本KDE估计器与尺度受限权重函数族。 在SD3.5-M和Qwen-Image模型上的实验表明,该新配方相比先前扩散模型强化学习基线具有性能提升。
论文提出 SafeMoE 混合专家框架,通过 LoRA 专家隔离不安全知识并动态路由,使安全响应率相对提升超 20%。该方法使用轻量门控网络整合不安全专家,实现零样本泛化,证明安全需受控集成而非简单屏蔽知识。
Twincher 提出一种双射表示学习方法,旨在解决物理系统中连续前向映射的逆向问题,提升感知与状态估计的鲁棒性。 该方法利用保面积成对旋转构建表示,使逆向问题成为良态系统,允许牛顿迭代消除虚假驻点。 在合成前向映射测试中,五步细化即可达到机器精度,优于参数匹配的基线;代码已开源。
提出无需更新权重的 Distribution Matching Evolutionary Algorithms (DME) 方法,用于稀有事件采样。 该方法将进化算法解释为近似 Markov Chain Monte Carlo,以优化采样效率。 在需要大量样本的问题上,DME 的样本效率高于现有方法。
研究人员提出 OVAL,一种针对长上下文推理的输出感知页面编码方法,在保留检索所需关键信息的同时显著降低近似误差对注意力输出的影响。该方法免训练且推理时无需额外依赖价值统计量,存储大小与解码评分成本等同仅基于Key的谱表示。实验表明,OVAL 在长推理、长上下文理解及生成基准上持续优于基线模型。
Claude Code 发布 v2.1.290 更新,新增 serverToolUses 钩子数据及 agentId 字段,并引入 ceiling 审批阈值。 该版本修复了高嵌套响应导致的崩溃、图像读取越权及长期会话卡顿问题,同时优化了 WebFetch 截断处理与后台任务调度。 更新增强了插件钩子验证功能,修复了跨代理网关的请求失败及 Windows 平台下的 CRLF 换行符兼容性问题。
研究被撤回,该论文提出通过 WebGPU 在志愿者浏览器中运行 150 亿参数基因组 MoE 模型以实现隐私保护。系统使用手写 WebGPU 内核执行专家前馈网络,并通过实值拉格朗日编码计算保护专家输入;浏览器路径匹配原生推理精度,编码解码延迟为每 token 220 至 376 毫秒。
利用大语言模型发现即使考虑多达七个邻居或任意阶离散化的原子结构描述符,仍存在无法区分的三维结构实例。 模型通过跨领域翻译既有学术成果加速了该科学发现过程。 这一结果揭示了 AI 在促进不同学科间知识转化与科学突破中的潜在价值。
研究团队提出 SoTa,一种低成本电容式全手覆盖触觉皮肤,具备 202 个相同布局的 taxel,材料成本低于 $10。该传感器在 10,000 次载荷循环后保持 97% 响应范围,支持无跨传感器映射的人机协同训练。在三个接触密集型任务中,引入人类演示使平均成功率从 22.8% 提升至 45.9%,且所有 5 个分布外条件均得到改善。
研究提出用于少样本作者风格迁移的三种方法,包括对比激活引导、预测引导向量的网络及预测 LoRA 适配器的超网络。实验发现微调虽能获取更多风格信号但牺牲流畅度,而超网络在已知和未知作者上均实现了风格模仿与输出质量的最优平衡。
研究评估 21 种提示策略在 Python 和 C++ 代码生成中的能效表现。 在 10 个 LLM 中,策略平均降低 Python 能耗 25%、C++ 能耗 17%;个别模型最大降幅达 56%。 结果证明提示策略可显著降低 LLM 代码能耗,为可持续 AI 编程提供优化方向。
研究测试了七个开源模型在语言理解任务中的说服动力学,发现模型间的不一致会导致接收方改变初始判断。模型规模或独立决策的一致性无法可靠预测说服力,小模型可与大模型效果相当。说服强度主要取决于聆听者的易感性,而非说话者的说服力,表明模型交互行为需结合具体配对评估。