Davinci-Tool: 使用可验证执行环境扩展智能体工具使用监督
30B 模型 Davinci-Tool 基于执行验证数据集显著提升多步任务表现。 在 τ²-bench 上将 Qwen3-Coder-30B-A3B-Instruct 成绩从 52.4 提升至 88.2,以 1/16 参数规模超越 480B 版本。 证明了可执行环境有效监督智能体工具使用的技术路径。
30B 模型 Davinci-Tool 基于执行验证数据集显著提升多步任务表现。 在 τ²-bench 上将 Qwen3-Coder-30B-A3B-Instruct 成绩从 52.4 提升至 88.2,以 1/16 参数规模超越 480B 版本。 证明了可执行环境有效监督智能体工具使用的技术路径。
提出无训练方法UCoE,在固定模型参数下同步进化可执行验证器程序与代理机制状态。 UCoE通过对比响应测试候选验证器,基于最弱项判别力筛选最优验证器指导单点修复。 在6个开放任务基准中,UCoE的平均偏好胜率比直接生成高出7.19至9.00个百分点。
EPOCH提出以实例覆盖率为进化搜索目标,并通过经验偏好优化微调生成器内化反思反馈。 该方法结合教师LLM生成的自然语言洞察与直接偏好优化(DPO),并引入反思自蒸馏(RSD)项,使改进效果在搜索长周期中累积。 在多个组合优化问题(COPs)及开源LLM骨干上,EPOCH生成的启发式集合优于仅推理和微调基线。
开源指令微调模型无需额外训练即可通过读取输出 logit 中的字母实现 LLM 决策,性能比肩 Jev。 基于 Gemma 4 31B 与 Qwen3.6-27B 等模型使用 LoRA 微调,在 OpenDecisions 数据集得分 84.4,超过 Jev 4.3 分。 释放了模型、服务代码及包含 2,352 个问题的 OpenDecisions 数据集。
HybridSFT 稳定生成流程,HybridRL 优化决策,使推理在特定阶段使用潜在空间。 HybridAgents 在 11 项基准测试中平均提升 10.4% 性能,降低 35.5%-54.7% token 消耗,推理速度提升 1.8x-2.6x。
Glasseek 提出开源深度搜索框架,其 9B 参数智能体在多项深度研究基准上超越前沿闭源模型,并刷新 9B 规模 SOTA 纪录。 框架采用 Compaction-Managed GSPO 训练算法,实现跨上下文压缩边界的端到端策略优化,并发布模块化防泄漏插件解决评测污染问题。 该工作公开了完整的数据、权重与代码,为开发可复现且可靠的开源搜索智能体提供了系统化范式。
MADDIE 是一款多智能体药物发现引擎,包含 Orchestrator 和 HitIdentifier 等四个专用 worker 智能体,可在 50 个蛋白靶点上生成满足关键属性要求及合成路线的分子。
论文提出 Neural Bayesian Networks(NBNs),将经典贝叶斯网络的条件概率替换为可微张量机制,在保持图结构不变的前提下提升表达能力。 NBNs 支持 GPU 原生计算,针对大型网络和大批量查询,推理速度较传统方法快两个数量级。
独立复现 PPO、GRPO、DPO 等五种事实性对齐方法,结果显示无方法显著优于基础模型。 核心原因在于奖励机制优化了格式与长度而非事实性,且现有评测基准无法有效衡量文本相关性。
提出异构结构化剪枝(HSP)框架,通过结合多种稀疏结构选项和硬件延迟内存约束,优化预训练大语言模型的部署效率。 在 OPT 和 LLaMA 模型于 NVIDIA Jetson Orin Nano Super 边缘设备上的评估中,HSP 在保持质量的同时改进了资源效率前沿。
研究发现,使用冻结LLM裁判进行GRPO训练时,裁判接受度上升但未见留出集准确率提升。在12个策略-裁判组合中,平均提升从未超过0.04。 裁判AUC与判决深度呈负相关(Spearman -0.69),大模型裁判更难被欺骗。预定义对照显示,差距更大的组合被欺骗速度快3.5倍。
跨模型 KV Cache 复用导致安全性不兼容,value reuse 比 key reuse 引发更大偏差。 VReparo 通过离线学习对齐映射,将 HarmBench ASR 降至 39.21%,StrongREJECT 分数降至 0.2163,且保留 85.62% 的 TTFT 提升。 解决了复用加速与安全对齐的冲突。
HyWe 框架通过单一模型统一信息搜集与页面交互,其训练的 HyWe-35B 在 HyWeBench 上取得 47.0% 成功率。 该基准包含 100 个独立于训练数据的人编写任务,混合训练相比未训练基础模型提升 19.0 个百分点,并优于现有搜索型与操作型智能体。
基于2019至2025年瑞士官方投票手册,构建了包含53项联邦议题的Swiss4Arg多语种平行数据集。该资源覆盖德语、法语、意大利语和罗曼什语四种国家语言,由每种语言的三名母语者标注,并提供了GPT-5.4与SwissBERT的基线结果。 该数据集为多语种论辩挖掘与低资源场景下的跨语言可比性研究提供了新基准,标注与代码已公开发布。
针对离线元强化学习中隐变量超出训练分布导致泛化失败的问题,提出 PLATO 方法。 该方法基于流形假设,将任务隐变量向远离质心方向扰动,利用解码器集成在扰动后的隐变量上生成轨迹,并通过悲观权重对集成模型分歧大的步骤进行降权,从而提升策略在分布外任务上的表现。
研究提出交互 4D 体积液体预测任务,TIDE/TIDES 框架通过隔离界面驱动预测并添加传输感知耦合与显式稳定化,有效减少累积误差。 实验在相邻基线、运动/尺寸 OOD 测试及长时程评估中验证,TIDES 取得最佳预测性能,消融实验证实局部交互、传输耦合及稳定化是关键贡献因素。 代码已公开,该工作为移动固体条件密集液体预测建立了受控基础。
D2F提出了一种基于语义中介的目标遗忘方法,将敏感事实与无害意义分离。 该方法提取事实级中介表示,通过对比优化生成反事实答案,在移除敏感信息的同时保持响应流畅性与有用性。 实验显示D2F在多个基准数据集上实现了优于基线方法的遗忘与保留平衡,代码已公开。
PopGen框架利用LLM从头合成语义多样化的智能体,通过文本描述生成可执行代码策略。在四个协作环境中,基于该种群训练的协作者实现了与未见伙伴的鲁棒零样本合作,性能优于基线方法。语义多样性随种群规模扩大而增强,提升了最差情况下的性能。
LURE 是一个包含 2121 条交流记录的合成语料库,用于研究对未成年人的线上诱骗(grooming)。 该语料库基于 ChatCoder 的八标签体系生成,阶段标注准确率为 0.93,标签准确率为 0.85。 语料库及其数据表已附带审核访问机制发布,可用于受控实验和管线开发。
PIG 通过辅助模型估算并行与顺序生成间的不一致性,以提升扩散语言模型的生成速度。 它使用约 2M 参数的轻量级模型,在 LLaDA-8B 和 NemotronDiffusion-3B 上扩展了准确率-TPF 前沿,性能优于 Fast-dLLM 等标准方法。
循环状态量化中量化器尺度与状态的反馈导致误差累积,INT4在千步后使合成召回完全失效。 将尺度绑定至全精度参考可消除范数爆炸,但仅恢复5.4 nats损失中的1.8 nats;异常值感知方案劣于持久缩放。 该研究发表于NeurIPS 2026 Long-Context Workshop,指出32K解码下分组INT4效果等同于丢弃状态。
研究提出 SEED-MAX 算法,通过顺序嵌套模型选择减少随机特征冗余,实现多分类任务的高效特征剪枝。 该算法递归计算经验风险,结合 Fisher 检验优化剪枝率;在 UCR 时间序列数据集上实验显示,剪枝率可达 92% 且分类精度损耗极低。
FARL 框架通过联合搜索观测、奖励程序、算法及训练设置,实现了强化学习设计的自动化。 该框架利用分级预算筛选设计,并在 Adroit Hand Relocate 任务中以每个策略 5M 训练步达到 97.1% 成功率。 FARL 在导航、运动和操作任务上优于现有自动基线,解决了传统方法依赖人类专业知识设计学习流水线的瓶颈。
基于超网络的持续学习框架发现,LLM在知识冲突时优先跟随上下文,且选择取决于知识呈现位置而非内容。 上下文和适配器知识沿与基础模型隐藏状态正交的方向扰动表征,可推导出控制知识源选择的steering vectors。 多跳推理中,模型无法可靠组合基础模型、上下文和适配器中的知识,关键在于超网络与后两者的交互。
DressAgent 是一种分层智能体系统,通过物理仿真闭环优化,从单张图像重建可仿真的多层 3D 服装。 该系统构建了首个包含超 15K 套服装的多层裁剪图数据集,并采用粗到细策略,由 Tailor、Critic 和 Orchestrator 协同完成精细化迭代。 DressAgent 在性能上大幅超越前馈方法,耗时仅为微分优化的一小部分,并能泛化至复杂层叠与不同体型。
SkillFusion 是一款离线编译器,通过将独立创建的技能中的不兼容需求合并为可重用的技能,解决 LLM 智能体多技能加载冲突。 它采用类型化约束和对抗性验证,在三个智能体基准和两个迁移基准上,于三种执行模型中取得了非预言机方法最高的平均成功率。 最大指令配置下,其成功率比未解决的多技能加载高 2.5 倍以上,代码将在评审结束后开源。
结合十年 PhotoMappers 数据,利用 Qwen3.6-27B 和 InternVL3-8B 等视觉语言模型进行灾难照片地理定位,整体 R@1 准确率仅为 40.90%。
提出 InsQL 单步生成策略框架,基于组合平均速度建模消除迭代采样和 BPTT,仅需用单个策略网络避免蒸馏和多阶段过程。推理时通过单次前向传播生成动作,在离线 RL 基准测试和真实机器人操作任务中性能匹配或超越 SOTA 扩散方法,同时大幅降低训练和推理时间。
提出新优化器 Ares 以提升大语言模型在可验证奖励强化学习(RLVR)中的训练效果。该优化器基于梯度谱结构自适应调整更新秩,将信号限制在低维子空间内。 研究发现 RLVR 诱导了独特的优化几何特征,即梯度能量向有效子空间集中且随训练动态演化,而监督微调不具备此特性。Ares 通过追踪这种演化来优化性能,在多种 LLM 规模和 RLVR 算法上实现了比常用优化器更高的准确率。
无编程背景的职业口译员通过“氛围编程”与 LLM 协作,构建了首个全本地化计算机辅助口译系统。 在 971 段发言的高强度测试中,该系统维持中位翻译延迟 0.94 秒,工具已公开并在 Zenodo 存档。 研究表明生成式 AI 赋能了解译员技术素养提升与用户创新。
提出 PGSB 框架,通过识别任务间共享方向并结合预训练权重重新参数化,提升 LoRA 模型合并效果。 PGSB 采用两阶段方法,先找出任务特异性 LoRA 更新中的共享方向,再计算其与预训练权重的相互作用以生成更优合并基。 实验表明 PGSB 在多个基准测试中持续优于现有最先进方法,代码已公开。
提出 MCPDisCo 框架,用于训练 MCP 原生代理,在 70 个服务器和 527 个工具上进行真实长程交互强化学习。 该框架通过结合 token 掩码奖励归因与双向梯度手术,有效缓解了推理与工具使用之间的“跷跷板”效应。 在分布外 MCP-Atlas 和 GAIA 基准上保持单调增益,证明模型在训练分布外具有良好泛化能力。
AINA-KK 数据集包含 3811 个前 ChatGPT 时期人类文本和 5597 个机器生成文本,发现英文训练检测器误报高达 81.4%。 针对阿拉伯字母转写缺失问题,团队构建了 AINA-KK-Det 检测器,在已知生成器上准确捕获 85.2% 的机器文本。 该研究公开了数据、代码和检测器,为低资源语言 AI 检测提供了基准。
RES-MR 提出基于 LLM 的两阶段训练范式,显著提升药物推荐的准确率、安全性及可解释性,优于 SOTA 基线。 阶段一通过合成推理轨迹微调挖掘诊断能力,阶段二利用解耦药物因子构建患者参考原型,通过奖励整形校准风险边界。 该框架解决了传统黑盒模型缺乏透明度及固定安全约束忽视个体风险差异的问题。
针对语言模型分类器部署时的误报率,ConformalGuard提出一种模型无关的校准层。对Claude Sonnet 4应用该层可将FPR从0.040降至0.008,但召回率从0.938降至0.875。在2%患病率的邮件场景下,该方法每1万封邮件可减少25次误报审查。
Apertus 1.5 扩展了完全开源的 Apertus 系列,新增图像和音频理解能力,实现多模态推理。 基于 Apertus 1.0 继续预训练,8B 模型追加 4T tokens,70B 模型追加 2T tokens;上下文窗口扩展四倍至 262,144 tokens,架构保持不变。
提出“执行后学习”方法,将程序执行结果作为中间状态支持额外学习交互。在 Image-to-TikZ 任务的 945 个留出样本上,单次调用渲染成功率达 92.70%。
PsyMemBehav 模型通过 41 维描述符与 BM25 记忆,实现身份到行动推理。其 27B 版本在 11/12 项指标中排名第一,响应质量从 54.28 提升至 59.68。 该模型基于 5,862 名真实用户共 5.57M 行为记录构建,采用 DPO 优化。在组级别模拟中,MAE 低至 0.081,验证了证据驱动用户建模的有效性。
RegExtract 是首个用于 PFAS 法规文档结构化信息提取的 LLM 基准,包含 488 个人工标注字段实例和 976 个溯源条目,覆盖美国 20 个州的 46 项法规。 研究采用类型化多字段模式,针对监管文本提出溯源感知评估指标,实验表明字段级少样本示例能提升提取效果,且文档标识字段仍是难点。 该基准为后续开发用于危险物质识别、合规监测等 AI 工具奠定基础,代码和数据已公开。
当前脑电图生成模型普遍违反通道间线性恒等式,MontageFlow通过流匹配机制强制输出满足该物理约束。模型在三个大规模基准测试中,TS-FID指标比最接近的竞品提升1.6至3.6倍。 该模型还引入生理状态向量作为条件,以保留易被过度平滑消除的脑电图特征,该向量从潜在空间先验分布中采样。