跳到正文
11月11日周三
  1. arXiv · ML26

    ReTrace:将工具使用智能体蒸馏为无规划器工作流

    ReTrace 将 SOP 与日志记录转化为由代码而非 LLM 选择下一步的可复用工作流,解决 LLM 智能体在高并发场景下的延迟与成本问题。 在生产环境的 79 个流程中,ReTrace 达到 93.8% 的完成率,较智能体低 24% 的任务成本;在 τ²-Bench 上,其任务成功率为 75.8%,运行时间从 170 秒缩短至 1.3 秒。

  2. arXiv · ML30

    CAGE 4 分数审计:重放两个参考防御者并揭示模拟器与评测表的缺陷

    CAGE 4 基准的两个参考防御者 KEEP 与 H-MARL Expert 存在严重评测缺陷。关闭模拟器忙标志检查导致 KEEP 单局损失 99.58 分,H-MARL 损失 145.98 分。 评测未对策略播种,88.9% 的每局结果方差源于策略自身采样。作者发布补丁、完整 trace 及五项披露清单,以修复基准可信度。

  3. arXiv · ML23

    Synapse-Control:通过轻量级运行时控制让智能体经验可操作化

    Synapse-Control 是一个智能体运行时,其轻量级控制平面用于筛选并决定何时将建议发送给任务执行模型。 该系统使用经微调的 1.7B 分类器替代生成式诊断,通过短名单规则和微契约进行筛选。 在 AppWorld 和 WebShop 测试中,每方法 1,308 次尝试下实现 270 次成功,比 Base 多 29.8%,并将辅助控制时间减少 50.2% 和 51.0%。

  4. arXiv · ML21

    MediPFN:用于因果中介分析的快速不确定性量化框架

    summary_zh: MediPFN 提出一种摊销推断框架,结合预训练表格基础模型与交叉拟合影响函数估计器,用于因果中介分析的不确定性量化。 该框架通过量化学习、对称化和独立校准生成置信区间,在实验中实现了比 bootstrap 快 59.1 倍的计算速度,且覆盖率更接近名义水平。

  5. arXiv · ML36

    研究揭示 VLA 模型性能主要依赖 kNN 检索而非泛化能力

    VLA 模型在 LIBERO 仿真基准中成功率超 95%,但研究表明检索邻近演示的动作块无需策略训练即可达到 91.7% 成功率。 kNN 检索在 LIBERO-Plus 扰动下性能下降最小,且微调主要优化视觉语言骨干作为检索键,而非提升动作泛化。 研究提出离线指标 Local Action Consistency (LAC),用于衡量观测一致性并指导检索键训练,代码与评估已公开。

  6. arXiv · ML31

    内在动机构建世界模型:24 种目标与表示学习的整合研究

    研究整合 24 种内在动机目标(含好奇心、熵、能力维度)至模型基强化学习框架,通过零样本、少样本及多任务控制评估世界模型质量。 对比观察重建、潜在预测等 3 种表示策略发现,好奇心驱动探索结合观察重建表现最强,但最佳组合依实验而定;在组合视觉任务中,基于 episodic 和 lifelong novelty 的内在动机配合通用循环状态,实现了最优的零样本迁移与少样本适应。

  7. arXiv · ML29

    AutoScaffold:用于大语言模型强化学习的 AI 引导式支架方法

    框架 AutoScaffold 将强化学习可验证奖励训练中的学生经验转化为自适应支架,无需人工干预。 该框架通过冻结的教师模型诊断瓶颈并设计共享策略与个别提示,在四种任务域中优于对应强化学习基线。 在 ALFWorld 任务成功率提升 7.2 分,数学推理中用约三分之一的学生训练步数超过 QuestA 的准确率。

  8. arXiv · ML50

    Continual-ARC:衡量工作生命周期的技能获取基准

    提出 Continual-ARC 终身流基准,用于统一评估基于记忆与权重的持续学习系统。该基准基于 ARC-AGI 任务流,允许重试并计费反馈预算,测试冻结模型的记忆与泛化能力。 实验显示,Qwen3.5-9B 和 GLM-5.3 Flash 的 Agent harness 在未见任务上无增益,而权重学习表现显著更好。

  9. arXiv · ML46

    MMDM: 衡量大规模多任务决策

    MMDM 是包含 5,448 道题目、涵盖 16 个任务类别的大规模多任务决策基准。它支持单选、多选及软标签,选项空间 2 至 1,024,输入最长 64,817 tokens。 评估 28 个决策模型发现,多数模型在普通知识上表现良好,但在选项逻辑与约束规划上表现较差。 MMDM 为联合推理、约束感知选择及完整多选恢复等决策模型关键方向提供了测试平台。

  10. arXiv · ML33

    基于同策略蒸馏解锁预训练文件操作在长程编码智能体记忆后训练中的潜力

    研究提出CAMP-II框架,通过同策略蒸馏训练单一策略学习基于文件的记忆行为,在CAMG-II基准中性能增益达最强基线的2.97倍。 CAMP-II结合完全异步OPD,从具有文件操作先验的冻结教师模型中学习,该记忆行为可泛化至Terminal-Bench 2.1和SWE-Bench Pro V2等外部基准并提升成功率。

  11. arXiv · ML37

    BioXArena-Pro:面向自主生物医学机器学习智能体的研究级评测基准

    BioXArena-Pro 提出 64 项研究级生物医学建模任务,覆盖 8 个领域,多数任务保留整体生物学单元。 测试 22 种智能体配置,最佳得分 55.1/100,框架重要性几乎等同于模型;禁用预训练基础模型使最高分下降 9 分。 该基准旨在检验智能体在未见数据上的适应能力,解决现有评测饱和与信息泄露问题。

  12. arXiv · ML31

    Transformer 组合泛化评估:组合等价与模块覆盖率的作用

    系统评估表明,Transformer 组合泛化性能受组合等价和模块覆盖率强烈影响。直接模型主要利用组合等价获得高分,消除等价后性能显著下降。 模块覆盖率偏移会导致直接模型和分步模型性能单调下降。基准中存在的组合等价可能导致对直接模型泛化能力的显著高估。 以 LiveCodeBench 为例,展示了组合等价对预训练模型 Llama3-8B 在代码输出预测任务中泛化表现的影响。

  13. arXiv · ML23

    Symbolic Imitation Learning 框架:通过离线演示与在线调优提升符号策略的模仿能力

    研究提出 Symbolic Imitation Learning 框架,通过离线数据将 oracle 策略蒸馏为包含线性模型运动原语的决策列表。 该框架结合在线 Augmented-Random Search 调优常数与运动原语,在 20 个基准强化学习任务中匹配 oracle 性能,并在 11 项任务中超越 oracle,同时生成了更具可解释性的策略。

  14. Hugging Face Blog68

    Tether AI 发布 BotPsy:0.8B 参数端侧智能体模型

    Tether AI 发布 BotPsy,一款基于 Qwen3.5-0.8B 构建的 0.8B 参数端侧智能体模型,采用 Apache 2.0 协议开源。通过在 BFCL v4 等六项工具调用基准上取得领先成绩(平均 45.0 分),并在推理 token 效率上较基座模型提升约 3 倍,该模型在低中难度任务场景中展现出优于 1.2B 以下规模模型的表现力。

    推荐理由:0.8B 端侧模型通过蒸馏与两轮 RL 训练,在工具调用和多轮 Agent 基准上超越 2.5 倍参数量的模型,展示了小参数智能体路径。

  15. AWS Machine Learning Blog69

    使用 LangGraph 与 Amazon Bedrock AgentCore Web Search 构建每日依赖项监控工具

    Amazon Bedrock AgentCore 的 Web Search API 现已可用,它为智能体提供带有来源引用的最新网络搜索结果。这篇文章介绍了一个使用 LangGraph 结合该 API 构建安全团队每日依赖项监控工具的教程,该工具通过并行搜索 npm、PyPI 和容器基础镜像,并利用代码层限制和证据检查机制来确保结果准确。

    推荐理由:文章展示了如何在 LangGraph 中将不可更改的规则与数据保留在代码中,提供生产级智能体的构建范式。

  16. OpenAI (X)71

    OpenAI 在 ChatGPT 中推出 Beta 版“企业”功能

    OpenAI 宣布 ChatGPT “企业”功能进入 Beta 阶段,允许符合条件的企业认领业务页面、管理信息并获取用户互动洞察。企业还可构建 Business Agent 来回答客户问题并引导其了解服务内容。

    推荐理由:OpenAI官方推出ChatGPT企业功能,允许企业认领页面、管理信息并部署回答客户问题的Business Agent。

11月10日周二
  1. Google DeepMind86

    Google DeepMind 推出 AlphaProof Code:AI 形式化验证 Signal 加密协议代码

    Google DeepMind 发布 AlphaProof Code,这是一个结合人类专家与多 LLM 智能体的形式化验证框架,首次完成了对 Signal 加密协议实际运行代码的深度数学证明。

    推荐理由:AlphaProof Code 首次实现了对已部署加密协议底层代码的深度形式化验证,为软件安全证明提供了可迁移的 AI 框架。

  2. arXiv · AI35

    基于推理引导的人类奖励建模用于基于偏好的强化学习

    本文提出一种基于推理引导的偏好型强化学习(PbRL)框架,从轨迹级反馈中学习人类奖励模型。 框架在偏好标签基础上引入推理标签(reason tags),解释行为被偏好的原因,使学习到的奖励模型能捕捉人类选择及其背后逻辑。 相较于仅基于偏好的奖励学习,该方法提供了额外监督信号,提升了策略的可解释性与人类对齐程度。

  3. arXiv · AI34

    AnchorQ:基于流反转动作锚点的样本高效强化学习策略

    研究提出AnchorQ方法,通过流反转将参考行为映射为状态条件潜在锚点,实现粗到细的策略改进。该方法在具有挑战性的任务中提取学习信号,分析表明锚点降低了识别复杂度。 在模拟和真实世界操作任务中,AnchorQ在样本效率上优于现有基线,真实世界成功率提升37%,模拟任务吞吐量提高97%。

  4. arXiv · AI24

    DDBench:面向分布式系统智能体调试的基准测试

    DDBench 发布 60 个来自 13 个开源分布式系统的历史 Bug 基准,填补分布式系统代码修复评测空白。 该基准设置仅症状与增强上下文两种条件,评估 10 个 LLM 发现上下文使通过率提升 19.0 个百分点,且弱模型获益更大。 DDBench 揭示分布式调试需跨进程推理,单一进程基准无法覆盖该维度。