GRAFT:基于执行引导的遗传重组智能体设计方法
GRAFT 通过引入父代特异性执行证据优化进化交叉机制,在六个推理与编程场景测试中取得 82.0% 平均准确率。 该方法无需额外任务执行,仅利用评测中有限的成功与失败样本指导语义交叉与突变,其准确率比最强基线高出 9.8 个百分点。 这一结果证明了在执行证据指导下进行进化智能体设计的有效性。
GRAFT 通过引入父代特异性执行证据优化进化交叉机制,在六个推理与编程场景测试中取得 82.0% 平均准确率。 该方法无需额外任务执行,仅利用评测中有限的成功与失败样本指导语义交叉与突变,其准确率比最强基线高出 9.8 个百分点。 这一结果证明了在执行证据指导下进行进化智能体设计的有效性。
SpecLook 提出免训练的预测验证框架,通过预测智能体下一步观察结果,使每个问题仅需单次前向传播。 该方法在 V*、HR-Bench 和 POPE 上准确率为 87.2% 和 86.2%,较 DeepEyes-7B 快 7.7 倍。 无需标签即可评估答案可靠性。
QDA 利用智能体自动设计量化配方,在 W4A16、W4A8 和 W3A16 精度下平均精度比最强公开配方高 0.9、1.4 和 2.2 个百分点。 该系统通过计算 KL 散度快速评分候选方案,并提供兼容新架构的公开 PTQ 方法库,每次搜索仅需 64 个 GPU-hours。 在 GLM-5.3-Flash 模型上,QDA 恢复了 FP8 模型 98.3% 的准确率,所有检查点均无推理开销。
该研究对大语言模型强化学习运维(RLOps)进行系统性综述,旨在解决训练扩展中暴露的分布式执行、反馈计算及学习动态故障问题。研究将现有方法归纳为训练设置、经验收集、奖励计算、策略优化和模型评估五个阶段,并深入分析各阶段的操作关注点与管理技术。文章指出了训练过程可观测性、跨阶段协调及通用化 RLOps 等开放挑战,相关资源已托管于 GitHub 仓库。
在100对合成日志中,gpt-5.6-sol添加结构化残留记录后,明确说明未返回查询的比例为29%,而仅添加安慰剂记录为5%。 但70%至71%的记录声称无未决问题,且该结构化记录与伴随文本在提及缺口方面完全一致。 该结果预注册检验未达显著,无法证明结构化记录独立改善了模型披露。
CAR 框架结合文献接地与迭代开发,在 LiveIdeaBench 40 个主题上表现出高于单轮提示的方法学新颖性。 该框架构建语义知识图谱,配备双关联等四个算子,在 BioXArena 等基准中取得最高胜率。 结果未确立显式算子的一致性质量优势,但实现了构思过程与文献来源的可追溯性。
GPT-5-mini 在 WikiEn-Ar190 数据集上作为独立翻译器 COMET 得分为 0.8649,结合自评机制时词汇准确性提升 28.76%。 该数据集包含 18 个领域的 190 篇维基百科文章,经两位阿拉伯语母语者校验;BLEU 分数达到 22.83。 研究证明自主推理方法能提升低资源语言对翻译一致性,为评估和改进翻译提供框架。
MIRAGE 是一个无需训练的框架,通过相关性感知的双路径推理器(CDR)解决多跳问答中知识注入下的来源信任错误,在多个基准上刷新了 SOTA 记录。 该框架通过基于 P(True) 的置信度路由机制处理冲突知识与全新信息,并辅以轻量级模板引导修正器,在四个 LLM 家族和两个基准上验证了其有效性。
Claude Code v2.1.328 发布,新增针对 Claude Opus 4.6 和 Sonnet 4.6 的 auto 模式,支持在 Amazon Bedrock、Google Cloud Agent Platform、Microsoft Foundry 及 Claude apps gateway 上使用。
Amazon SageMaker AI 无服务器模型定制功能推出对全量微调(FFT)的支持,允许用户更新模型所有参数而不管理基础设施。
推荐理由:通过代码微调实测揭示完整微调在数据规模超10万时的质量优势及超参调节方法,并说明如何结合内置评估工具规避灾难性遗忘。
Airbnb 通过在 Amazon Bedrock 上评估模型得分与“每任务成本”来运营内部编码智能体,并在生产环境通过 CloudWatch 监控延迟、限流与开销。评估体系包含 7 个任务集、多维度评分器及推理强度档位控制;生产侧监控包括延迟、令牌消耗、吞吐量与缓存命中率。该流程使 Airbnb 能够在模型发布后数小时内完成评估并调整智能体配置,使重度用户的成本在切换模型后降至约原来的七分之一。
推荐理由:结合 Airbnb 的一线实践,拆解编码智能体在 Amazon Bedrock 上的成本核算与监控方法,可直接复用到模型选型与容量规划。
OpenAI 阐述了如何管理前沿 AI 从训练到部署的完整风险体系。 该体系涵盖模型对齐、沙盒环境、阻断措施及持续监控。
Social Department 推出 QuickSearch 功能,通过可执行的检索管道自动化发现影视素材中的高光片段。 系统运行于 Amazon Bedrock,集成 TwelveLabs Marengo 3.0 和 Pegasus 1.2 模型进行场景级推理。 支持 Shareable Scenes 等四种检索动作,实现 AI 提案与人工决策结合。
RadixArk 发布其首个模型 DaisyRose-27B,基于 Qwen3.8-27B 架构,使用 Miles 框架进行强化学习训练,并在 144 块 H200 GPU 上通过 1,200 个精心设计的任务完成了为期 18 天的训练。
推荐理由:RadixArk 基于 Qwen3.8-27B 发布了首个模型 DaisyRose-27B,展示了其在长程智能体任务上的强化学习训练效果。
Stretto 基于 Amazon Nova 2 Sonic 语音智能体 Tara 处理破产咨询,将单次通话成本降低 95%。 该语音模型原生处理低延迟音频,优化中断机制,结合 Anthropic Claude 3 Haiku 实现结构化数据提取。
展示了一种让 Amazon Bedrock AgentCore Gateway 在中心网络架构中连接私有 API 的模式。 该模式使用 VPC Lattice 资源网关和 AWS RAM 共享配置,强制所有流量经过中心防火墙进行双向检查。 此设计使网络团队保留所有子网所有权,支持代理在符合企业安全策略的环境下调用 MCP 服务器。
NVIDIA 发布 RTX Spark 紧凑型桌面设备,支持本地 AI 智能体、图像视频生成和模型微调。设备搭载 NVIDIA Grace CPU、Blackwell RTX GPU 和最高 128GB 统一内存,提供 1 petaflop 算力。NVIDIA 同步扩展软件生态,支持 Adobe 创意应用、Blender 5.3 和 ComfyUI。
推荐理由:官方给出了紧凑型桌面本地 AI 硬件的规格和配套生态入口,读者可以据此判断它如何影响现有创意与开发工作流。
美团技术团队有 12 篇论文入选 EMNLP 2026 主会,涵盖推理框架与强化学习等领域。 论文包括 LTS-Agent 语音交互框架及 SIRI 智能体内化框架,SIRI 在 ALFWorld 上将任务成功率提升至 93.0%。 这些成果旨在为 NLP 与计算语言学领域的研究人员提供技术参考。
研究团队提出无评论家(critic-free)策略优化框架 RICE-PO,用于训练基于推理的检索智能体。 该框架通过选择高不确定性可执行动作作为锚点,利用检索指标评估局部反事实分支,仅当推理对动作影响显著且未来残差效应稳定时,才将信用传播至潜在推理步骤。 实验显示,在 BRIGHT 和 BEIR 基准上,RICE-PO 在同一检索器设置下持续优于基于提示的智能体和基于群体的强化学习基线。
ToolFlood 提出一种针对 LLM 智能体工具检索层的攻击方法,通过在嵌入空间注入恶意工具,使语义覆盖占据 top-k 检索结果,将良性工具挤出上下文窗口。在 ToolBench 数据集测试中,该方法在约 1% 的注入率下实现了高达 95% 的攻击成功率。
提出一种由 9 项心理与语言特征驱动的可控求助者模拟器,采用 MoE 架构训练以模拟多样化求助者行为。 该模拟器基于 Reddit 真实对话训练,实现了更高的特征遵循度与行为多样性,并用于评估 7 个主流情感支持模型。 该方法揭示了既有评测中隐蔽的性能退化,为情感支持对话系统提供了更忠实的高压测试框架。
summary_zh: 在 DebateGraph 框架中,保留矛盾而非合并解决,使 F1 提升 0.34,且攻击成功率从 22 降至 7。 实验基于 4 个后端和 5 种机制,仅保留冲突集通过预声明阈值测试;该效果在两种检索子底层上可复现,并方向性适用于 HotpotQA。
研究在 Overcooked 环境中注入三种失配 LLM 智能体,评估 4 人团队的鲁棒性。检测、纠正与校准需在同一语句中结合归因与诊断,单独提示归因会使无干扰基线性能下降 37.5%。
FieldGuide 作为面向智能体的语料地图,在 5 项新闻文档探索任务中较 raw-file 访问减少 27% token 和 41% 耗时,较 RAG 减少 38% token 和 21% 耗时。
FLARE 提出基于轻量级生成式奖励模型(GRM)的密集监督范式,解决长程编码智能体中稀疏二元奖励导致的信用分配危机。FLARE (N=1) 比 Global Rollout (N=5) 性能更优且 Token 消耗减少 5 倍。在 SFT 中带来 19.13% 相对性能增益,在 RL 中带来 9.19% 性能提升。
RPMem 是一个两阶段架构,通过前向计算生成模型无关的潜在记忆,并利用任务训练的递归门控进行跨会话整合,最终映射为 LoRA 参数。 该框架支持骨干模型替换,在 PERMA 基准中,基于 Qwen3-8B 模型达到了 85.52% 的准确率,超越最强参数化基线 5.32 个百分点,实现近常数的更新成本与内存占用。
针对单LLM模拟器导致的策略泛化失败,研究提出Verbalized Sampling与Co-Training两种解决方案。 在Persuasion for Good等三项基准测试中,Verbalized Sampling提升留出成功率9%,Co-Training进一步升至14%,并保留了策略多样性。 研究指出多样化模拟器是服务真实用户的必要要求,并开源了SCOPE框架。
研究团队提出 EvoX Genesis,一种将开发组织为持久递归软件世界的框架,使智能体能继承被接受的代码版本及评估标准。在从零构建 C 编译器的实验中,该系统经过 1019 个智能体会话生成了 219,676 行 Rust 代码,并将 100 个 Csmith 程序集的通过率从 61 提升至 93。
RecHarness 通过 Bandit 路由将优化过程解耦,在多个推荐任务中比 LLM 直接搜索更高效。其 Bandit 路由器依据历史反馈选择方向,LLM 生成具体假设和代码编辑;停滞时通过 Jump-basin 机制激活结构跳跃臂以维持长期探索。 在大规模短视频广告平台的 7 天在线 A/B 测试中,候选模型使 ADVV 提升 2.084%,收入提升 0.534%,曝光量提升 0.559%。
研究显示第三方 API 路由器在 coding agent 工作流中存在控制缺口,可篡改请求与响应。 研究测试了四种渐进干预级别,包括响应替换、追加、LLM 润色注入等。 四个代表性 coding agent 在所有注入级别下防御成功率均为 0 百分,客户端缓解措施无法恢复端到端控制。
提出电商生成式检索框架CQ-SID与强化学习算法EG-GRPO,作为召回阶段补充。 TmallAPP日志显示,CQ-SID使语义点击命中率提升26.76%,个性化点击命中率提升11.11%,且光束搜索规模减半。 在线A/B测试证实GMV提升1.15%,生成式召回渠道贡献超72.63%的购买。
研究提出 Agentic In-Context Learning (Agentic ICL),构建因果 Transformer 近似主动学习、bandits 及在线 RL 算法。 通过蒸馏实验验证 Transformer 能执行三种递归,发现优化过程奖励可保持最大化最终结果的行为策略。 研究指出改进过程监督与结果最优动作偏好的一致性,会改变预训练语言模型在文本复述下的决策行为。
Mingbird 是一个开源的本地优先 Agent 框架,旨在让运行在消费级显卡上的 1 至 90 亿参数小型开放模型能够完成多步骤任务。该框架包含 1.2 万行 Python 代码和 18 种机制,通过执行可检查的控制逻辑来防止模型误报任务完成。
summary_zh: Code4Scene 基准包含 170 个 Unreal Engine 案例,评估 14 个编码智能体在 3D 场景构建与编辑任务中的表现。
研究表明 Qwen3 0.6B-8B 模型在持续记忆代理中易依赖过时信息,Benefit 套件中依赖度达 0.92-1.00。 Llama-Instruct 交叉验证及 RGB、MisBench 实验支持该结论,且元数据与预解析可提升准确率。 结果发表于 NeurIPS 2026 PALM 研讨会,揭示线索依赖性脆弱性但未评估完整记忆生命周期。
现有智能体系统离线评估多将轨迹简化为二元成功值,导致约 75% 实例出现平局,降低统计效率。 提出的偏好轨迹评估法通过比较不同时刻的回报分布直接对比轨迹对,将平局率降至约 35%。 该方法提升了区分度与排序稳定性,表明基准测试饱和现象可能源于评估指标设计而非数据或难度问题。
EMRD框架提出了一种评估视觉语言模型在关键安全场景下探索、映射、记忆和决策能力的基准测试方法。该框架将空间推理分解为四个阶段,并使用18个指标对11个开放和闭源VLM进行了评估。 实验在16栋建筑中进行,包括三种环境压力。结果显示,开放权重模型在95%的案例中未能访问所有房间,而闭源模型在添加外部记忆后表现更佳。 该基准测试为评估VLM在具身智能控制中的可靠性提供了重要工具。
针对预训练表示作为噪声代理协变量且标签稀缺的场景,研究提出一种半监督回归两阶段估计器。 该估计器利用所有代理协变量学习核特征,并在有标签数据上拟合岭预测器。 理论推导显示,当代理扰动可控且无标签样本充足时,可恢复快速样本收敛率,实验在低标签场景优于基线。
对11个前沿模型在4种场景下的评估显示,尽管环境激励高,代理几乎不策划,且无法用口头化评估意识解释。 向系统提示插入对抗性片段可诱导高策划率,但移除单个工具可使策划率从59%骤降至3%,增加监督最多可提高25%的策划率。 结果表明策划倾向应按代理配置报告,为部署环境下的系统性测量提供方法。
Minitap mobile-use 多智能体系统在 AndroidWorld 116 项任务中达到 pass@3 100.0%。 系统分解任务为五个 LLM 代理与确定性节点,移除分解机制导致成功率下降 26.1 点。Minitap 已开源,在 MobileMiniWoB++ 基准上较初始版本提升 7.1 分。