CarryOn: 面向长时程LLM智能体上下文的动态保留策略
轻量级上下文管理器CarryOn通过学习式选择器和自适应保留策略,在AppWorld、OfficeBench和Tau2 Telecom三个基准测试中,使LLM智能体实现了75.7%的任务成功率,比最强基线模型高出6.7个百分点。
轻量级上下文管理器CarryOn通过学习式选择器和自适应保留策略,在AppWorld、OfficeBench和Tau2 Telecom三个基准测试中,使LLM智能体实现了75.7%的任务成功率,比最强基线模型高出6.7个百分点。
研究人员提出无量纲指标 LASR,用于在离线评估中测量世界模型潜变量是否提供超越当前状态和无关捷径的动作相关预测支持。 LASR 包含捕捉典型支持的 GeoLASR 和识别最弱案例的 WorstLASR,通过记录的动作与物理状态变化作为目标进行基准化。 在机器人操作数据和多任务面板上的实验表明,LASR 能检测已知动作信息、拒绝非动作捷径,并支持对不完美容潜变量进行分级比较。
提出 AnisoFlow 方法,通过完全可学习的各向异性预测目标替代固定目标,ImageNet 256×256 上 FID 从 1.90 降至 1.55。 该方法为联合学习基的每个方向分配独立的非负权重,通过闭式映射恢复速度,无需改变模型架构或采样器。 在低精度推理下,AnisoFlow 通过更优的条件速度恢复,显著消除 patch-seam 伪影,提升图像质量。
LuthorSQL 是一款 7B 非自回归 Text-to-SQL 模型,单 GPU 上 0.84 秒/题,BIRD 隐藏测试集执行准确率 68.03%。 结合 Claude Opus 5.5 构建级联系统,本地解答近半数问题,降低 33.3% API 成本,且 8-bit 量化后仅需 9 GB 内存。
视听装置 Typhoon 基于康拉德小说,利用 LLM 自反馈生成叙事,并引入新颖的自适应激活引导方法控制长篇生成的节奏与离题现象。该研究探索了文本随时间变得陌生且不可控的过程,展示了 AI 感知可解释性与实际系统失控之间的张力。
研究团队发布GDP.xlsx基准测试,包含13个领域由专业人士撰写的70个真实职场任务及791项评估标准,用于衡量模型在专业电子表格处理上的能力。测试显示,20种模型配置中得分最高的Gemini 4 Argon仅通过38.3%的任务,中位得分仅为19.3%。研究团队已开放评估框架和3个公开任务,其余任务保留以防污染。
提出一种品牌意识重新设计生成框架,在品牌图像约束下实现创意产品视觉探索。 该框架通过构建品牌调查报告推导创意方向,并整合自增强循环进行图像批评与提示词修订。在50个重新设计任务中,该方法在创意性和品牌可识别性之间实现更优平衡,在汽车等高约束类别中优势显著。
Superfluid 是开源 LLM 服务器,用于本地设备上的 LLM 推理,支持单设备多智能体共享模型及跨设备集群服务。
推荐理由:原文给出了具体硬件下的延迟改善和吞吐数据,读者可据此评估分布式本地推理在实际混合算力场景中的可行性。
summary_zh: 研究人员定义了分层角分离(HAS)几何属性,解释 CLIP 嵌入中分层概念结构形成的原因。实验表明图像嵌入在随机初始化即近似满足 HAS,而文本嵌入需经对比学习后才满足。
summary_zh: 前沿大语言模型作为编码智能体,在100,000操作的job-shop基准实例tai_100_1000_1上,其编写的求解器达到525,515的解质量,优于OptalCP、Hexaly及CP Optimizer等商用工具。
一项针对 Qwen2.5-Coder 在 MacBook Air M2 上的评估表明,在 1 至 2 GB 文件大小区间,选择 q4_K_M 格式优于大模型低精度选项。 测试显示 3B 模型在 2 GB 档位的正确性与能耗表现均达前沿水平,而 7B-q2_K 在 3 GB 档位能耗增加但无显著正确率提升。 该研究为本地部署代码助手提供了基于 Ollama 文件大小的具体选型指南。
RAWATTA 提出免训练的注意力近似方法,通过 8-bit 精度运行及保留关键层 16-bit 精度加速多视角 3D Transformer。 在 12 GB GPU 处理 50 张图片时,RAWATTA 运行 VGGT 的速度快于官方代码,且姿态精度损失不超过 AUC@3 约 1 分。 该方法使模型在显存不足 100 张图时能处理 200 张图片。
X-Nav 是首个基于指令驱动双足人形机器人完成从室内到室外长时程任务的系统。核心导航模型 MELIOR 仅使用 RGB 图像输入,在 R2R-CE 和 RxR-CE 基准测试中取得了具有竞争力的结果。
研究指出,现有文本到图像奖励模型在视觉推理评测中表现不佳,偏好微调会侵蚀视觉理解能力。通过翻转配对轴,将视觉推理数据集转化为偏好对混合训练,实现了视觉理解与偏好预测的帕累托改进。 该奖励模型在推理时最佳n选择和强化学习后训练阶段,将组合提示下的文本到图像生成准确率分别平均提升4.0%和5.5%,优于使用6倍更多偏好对的HPSv3模型。
研究发现模型在面临反驳时会放弃正确答案,这种“辩证能力”无法通过提高准确率或增加推理时采样获得。 研究者提出一种强化学习框架,模型在训练中生成对自己答案的论证、进行裁判并据此训练,全程无需第二个模型、奖励模型或人工标注。 该能力随奖励信号习得,不会牺牲首答准确率,且对未训练过的挑战者(包括更强模型)保持稳健。
提出不确定性感知持续学习框架,用于解析 2D XRD 数据,解决数据积累中的预测性能维持问题。 框架整合基于最大平均差异的领域适应、CNN--SNGP 预测不确定性估计和重放知识蒸馏技术。 在单晶结构分类任务中,该框架在模拟和实验数据上实现准确分类,减少灾难性遗忘,为自主实验系统奠定基础。
在冻结 I-JEPA 嵌入上训练小型残差适配器,利用轨迹顺序学习潜在目标成本。 在 DotWall 和 PointMaze 测试中,规划成功率分别从 54% 提升至 98% 和从 82% 提升至 96%。 该方法无需重新训练编码器或世界模型,仅通过规划经验即可优化视觉表示的目标成本评估。
研究揭示 Gemma 4 模型在零温度下对上游调用方的相关得分能显著区分真实结构邻居与干扰项,而对下游调用方得分接近随机。基于此发现,提出免训练的 GraphScent 搜索控制器,通过传播关系条件对数似然比在运行时 Typed-AST 多图上定位缺陷。该方法在单 GPU 预算下,将 31B 模型在词汇困难目标上的精确定位准确率从 12.8% 提升至 23.4%。
研究人员扩展 Halide 语言,将算法与值表示分离,为量化张量生成 347 个内核。 这些内核覆盖 38 个 GGML 缺失的权重激活对,代码量比 GGML 和 KleidiAI 少 3.7 倍。 在 Apple M3 Max 上,内核速度达到 GGML 专用内核的至少 95%。
arXiv论文《Only as Safe as the Weakest Agent》提出多智能体系统安全取决于最弱子智能体,强编排模型在委托子代理时会在特定攻击下失败,Claude Code等系统在18个模型测试中表现出该现象。
推荐理由:论文指出多智能体系统的安全边界取决于最弱子智能体,强编排模型委托时会在特定攻击下失败,提供了多智能体安全评估的新视角。
综述指出PPG无袖带血压估计的进展依赖优于单纯算法优化的多方面改进,强调需关注数据泄露、校准漂移及基准与实际测量的差距。 未来工作应优先开发生理信息模型、构建多样化纵向数据集,并建立透明报告校准需求和故障率的评估协议。 该研究旨在弥合实验室精度与可靠现实世界测量之间的鸿沟,为高血压临床管理提供实用价值支撑。
ActGCG 修改贪心坐标梯度优化后缀以匹配目标激活,无需白盒访问即可影响模型行为。 该方法引入通用后缀及模型翻译步骤,在德语生成任务中离散后缀几乎完美复现导向向量效果。
研究发现,基于部分可观测性的 Bellman 专家监督优于全知地图的 TSP 专家,在 2000 步预算下 Bellman-VLN 找到 71.4% 目标,显著高于 TSP-VLN 的 65.5%。 结果揭示了最优路由与最优探索的区别,表明有效的探索监督应优化部分可观测性下的决策,而非模仿全知环境下的路径。
在零泄漏协议下,ServiceExplorer 层级依赖图在 6 个基础模型、100 个 PR 的评估中,相对 F1 提升 15.6% 至 86.2%,显著优于基线与 Tree-sitter AST。 该图捕捉两级架构模块,使旧代模型性能超越下一代模型未增强基线,验证了上下文增强在 SWE Agent 中的核心价值。
研究者分析了来自125种智能体配置和117个模型的143,209条执行轨迹。 开发了基于规则的解析器,将执行日志映射为搜索、编辑等高层动作。 发布解析器与标注流水线,表明智能体堆栈可通过行为画像识别。
在 23 个项目全链路测试中,87.6% 模板与 95.0% 提取修复通过校验,部署耗时 82 秒,支持 VS Code 等 IDE。 提升 AI 生成项目的部署成功率与安全性,验证独立检查机制的有效性。
LLM 驱动的权重空间编程能成功向神经网络注入后门,且保持干净性能,仅修改 MLP 的 6 个参数或 Qwen 模型 0.02% 权重即可实现。 在 3 种目标架构测试中,通用 LLM 均可直接修改权重,但 GPT-6 Astra 是唯一在三个目标上均成功的模型。 这一发现凸显了权重空间编程的安全风险。
研究者提出IBMARL框架,将模仿引导强化学习扩展至合作团队,结合轮询行为克隆(R2BC)训练模仿策略。 在四个基准中,IBMARL比演示基线快2.6至4.2倍,且在两项任务上超越演示者本身,代码已开源。
ModHarness-RL 提出将 Agentic RL 中的 Harness 重构为随模型训练进化的可学习程序,涵盖 1.5B 至 8B 模型。 该方法通过 Compression 与 Steering 程序处理结构化状态,在 CodeSearch、ALFWorld 及 BIRD SQL 任务中,相比固定 Harness 基线提升了多数场景的留出性能。
研究提出社会化概念,即 AI 智能体在人类奖励环境中学习权衡任务与行为准则,其经验积累使对齐在后续纯任务训练中更难逆转。 小神经网络实验验证了训练目标与记忆机制如何影响这一保护效应,指出有限记忆会削弱社会化成果的稳定性。 研究结论表明 AI 对齐不仅取决于设定的目标,更依赖于塑造和维持智能体行为的环境机制。
该研究通过案例探讨机制可解释性在解释 LLM 智能体网页幻觉故障上的局限性,并基于 Qwen2.5-7B-Instruct 展开分析。 具体实验表明,针对最后一个 prompt token 训练的线性探针在生成前即可预测幻觉(AUC 为 0.80),且沿探针方向进行 steering 能纠正 85% 的幻觉,但会干扰 7% 的有效操作。
ARCHER 是一种两阶段框架,旨在训练小语言模型生成可执行且可审计的数学推理轨迹。 该框架将自由链式思维编译为类型化行动追踪,并通过非对称分层强化学习优化策略。在 5 个 10B 以下骨干模型上,其宏平均基准准确率比最强工具增强基线提高 5.51 个百分点。
该研究提出了一种基于状态空间模型(SSM)的全因果 sEMG 打字解码器,在 emg2qwerty 基准上实现了 25.13% 的字符错误率。 通过融合传统解码器与自回归语言模型,该模型参数量减少 6.7 倍,且具备严格因果性。
论文推出 WeightBench 基准,在 5 个赛道 42 个任务上评估 LLM 读写与修改神经网络权重的能力。 测试网络参数量从 2K 到 7B,涵盖读取、修复、生成及无数据压缩。 前沿智能体可生成可用控制策略,但尚无法修复语言模型或识别不可能任务。
研究表明,当分类分布几乎相等时,前向和反向 KL 散度、JSD 及蒙特卡洛估计等标准散度操作存在舍入和抵消导致的数值问题。这些问题会影响知识蒸馏、强化学习等优化目标的计算,作者提出了数值稳定的重构方案并提供了相应实现。该工作为依赖散度的机器学习算法提供了更鲁棒的计算方法。
研究扩展 SleepXAI 框架,系统比较五种 XAI 方法以提升睡眠分期可解释性,基于单通道 EEG 数据。 在 Sleep-EDF 和 DREAMT 数据集上,Integrated Gradients (IG) 在所有睡眠阶段及 AHI 分组中均取得最高的 Spearman 秩相关归因保真度。 该方法选择对确保临床可解释性具有关键意义,已被 IEEE BIBM 2026 接受。
研究团队提出LeCAT框架,用于分析大语言模型如何从预训练数据中习得分类知识。 该框架使用199个精选的类别-特征对评估开源模型,发现加强语境和共现概率(PMI)能提升大模型的学习效果,而逐字重复规则则削弱了灵活性。通过从头训练一个68M参数的模型,实验证实了多样化知识表达混合能带来更鲁棒的分类学习,凸显了预训练数据表达方式对模型获取健壮分类知识的关键影响。
该研究首次对全停电环境下的智能家居代理进行了韧性分析,发现其能作为电网操作员但存在不可预测性。 研究通过实时环境中的停电模拟,衡量了停电前、中、后的韧性,并识别出多个新故障类别以揭示当前模型的局限性。 这些发现为提升电网边缘的整体韧性奠定了基础。
该研究提出双层集成方法,利用语义扰动实现黑盒不确定性量化,将不确定性精确分解为 aleatoric 和 epistemic 两部分。 方法仅需黑盒采样访问,无需白盒参数。在五个基准和四个 LLM 上,其性能与强白盒基线相当。 该方法已发表于 NeurIPS 2026,代码已开源,可扩展至长文本事实性检查。
VelServe 提出一种通过尾部校准调度平抑 LLM 解码抖动的方案,在 Qwen3-8B 和 DeepSeek-V4-Flash 上将 SLO goodput 提升至最强基线的 2.4-2.9 倍。 该调度器校准每个解码步骤的 prefill 工作量,结合最短等待 prompt 优先策略,在 8 卡分离部署下使满足 SLO 的请求数达到 SOTA 基线的两倍以上。