Archer:一种用于RLVR的双重Token约束框架
提出Archer,一种感知熵的RLVR框架,通过双重Token约束在保持联合优化的同时调节不同类型Token的更新强度。 该方法引入响应级熵归一化以稳定Token分类,并对推理Token和知识Token应用差异化的Clipping范围和KL正则化,以鼓励探索并保留知识。
提出Archer,一种感知熵的RLVR框架,通过双重Token约束在保持联合优化的同时调节不同类型Token的更新强度。 该方法引入响应级熵归一化以稳定Token分类,并对推理Token和知识Token应用差异化的Clipping范围和KL正则化,以鼓励探索并保留知识。
HARDTESTGEN 提出合成高质量算法编程测试用例的方法,构建了含 26.6k 题目的 HARDTESTS 数据集。 相比现有测试,HARDTESTGEN 在验证 LLM 生成代码时精确度提升 11.22 个百分点。 使用 HARDTESTS 验证器进行拒绝采样和强化学习下游训练,能提升 LLM 代码生成性能,相关数据和管道已开源。
Deletion Tuning 通过零化 LLM 中不到 0.05% 的权重,在强化学习、监督微调及在线策略蒸馏三种后训练范式下达到了全量微调(FFT)的效果。 该方法通过训练 Transformer 块中门控投影的二进制掩码实现,掩码比 FFT 检查点小数百至数千倍,且遗忘程度显著更低。 相比 LoRA 和随机稀疏微调,在强化学习下其先前任务准确率保持在基础水平附近,而后者最多损失 5.4 分。
RDS-MOPD 引入分布鲁棒优化改进多教师同策略蒸馏,解决现有方法无法保证落后领域训练质量的问题。 该方法重新设计 DRO 的噪声处理、异常值限制及最坏情况定义,确保仅当差异显著超出噪声时调整资源分配。 实验显示 RDS-MOPD 在数学推理、代码生成及指令遵循基准测试中性能优于近期竞争方法。
CodeRabbit 使用 OpenAI 模型治理 AI 生成代码,并借助 Codex 将同一工程团队的软件交付量提升至原来的 20 倍。 该公司通过 OpenAI 模型确保 AI 生成代码的可信度,同时利用 Codex 大幅扩展了代码生成与发布的规模。 这种组合使 CodeRabbit 在保持团队规模不变的情况下,实现了软件开发产出的数量级跃升。
Claude Fable 5.2 和 Claude Mythos 5.2 在 Amazon Bedrock 和 Claude Platform on AWS 推出。Claude Fable 5.2 面向编码、数学和科学类技术任务,能自主迭代和长时间运行;Claude Mythos 5.2 在网络安全和生命科学领域通过 Anthropic 的验证项目提供服务。
同一新闻,精选展示《Anthropic 发布 Claude Fable 5.2 和 Claude Mythos 5.2》
Hugging Face 提出 HOPE 方法,通过计算专家间高阶交互实现 MoE 模型的精准剪枝。 作为二阶方法,HOPE 在 50% 剪枝率下表现最优,相比次优方法在 agentic coding 任务上提升最高达 6.1%。 该方法无需训练且兼容量化,能有效解决传统一阶剪枝忽视专家协同集群导致的性能衰减问题。
结合版本历史与结构关系等额外上下文,可显著提升基础代码模型在分类任务中的表现,宏观F1最高提升21.48%,克隆检测F1提升15.04%。 研究评估了CodeT5、CodeLlama等12个模型,发现上下文对代码分类普遍有益,但对代码摘要的效果因模型而异。
Counterfactual Distillation 框架将探索经验转化为可训练的 LLM Agent 策略监督,在 Pass@128 上较基线模型最高提升 14 个百分点。 该方法通过树状搜索生成反事实目标,训练模型预测修正动作以扩展探索能力,并在与强化学习结合时进一步提升 Pass@1 性能。
EvoLib 提出一种测试时学习框架,使大语言模型无需参数更新或外部监督即可跨实例积累、复用并演化知识。 该框架通过自动从推理轨迹中提取模块化技能和反思性洞察来维持共享知识库,并采用权重与固化机制优化即时效用与长期价值。 在数学推理、代码生成及多轮智能体环境等基准测试中,EvoLib 显著优于当前的顶级测试时扩展与学习方法。
研究表明 LLM 编码智能体在执行任务时易受陈旧指令文件影响,产生额外隐性成本。 研究分析 732 条轨迹发现,Claude Sonnet 5.5 面对陈旧测试指令平均多出 2 次工具调用。 该结果指出仅关注任务成功率无法反映文档债务成本,需扩展评估维度。
断言失败在 LLM 迭代修复后的残留错误中占比高达 79%,且无法有效定位故障根源。 研究人员提出断点调试(BPD)方法,在 BigCodeBench 上将修复率提升至 26.7%,优于重采样策略,并将未变代码重复提交率从 28% 降至 8%。 BPD 仅在测试暴露失败输入且故障为实现疏忽时有效,否则应优先使用重采样策略。
该框架将翻译、编译诊断与执行验证分离为三个自主 Agent,通过判定驱动的协调器路由故障至针对性修复技能。 在 HeCBench 的 30 个内核上,利用 3 个开源 LLM 实现 CUDA、OpenMP 与 SYCL 双向翻译,达到 18 种组合下最高验证正确率,且 token 消耗最多减少 52.4%。 框架适用于高性能计算领域的代码迁移场景。
研究团队提出 SAFTAC 框架,通过仿真增强微调让开源 LLM 生成并修改模拟电路设计。该框架基于包含 8,626 个设计任务的仿真接地数据集训练。 SAFTAC 结合了分阶段监督微调和基于仿真反馈的强化微调。 在单次和双次生成测试中,SAFTAC 分别比最强的闭源 LLM 提升 15.9% 和 7.8%。该论文已被 NeurIPS 2026 接收。
该论文提出一种集成方法,在无人类参考基准的情况下,通过跨模型语义一致性评估 LLM 生成的 COBOL 摘要正确性。 核心机制包含多模型受控摘要生成、LLM 评估器进行成对比较,以及仅惩罚已确认矛盾的校准聚合规则。
RAG 方法在 CodeContests 测试集上显著提升 LLM 解决算法竞赛问题的能力。 通过嵌入检索与动态阈值筛选相似问题,结合 Min-K 分析区分检索泛化与训练数据记忆,验证了该框架在代码生成场景中的可扩展性。
AutoRefine 提出一种循环,通过改写可部署评审 LLM 的提示词以复现工作流结果标签,利用“教师”模型解释保留标签并在不可解释时弃权。在带执行 oracle 的测试集上,Scott's $\pi$ 一致性从 0.36 升至 0.60;在 25% 噪声标签下,教师将噪声降至 20%。
研究扩展 Min-K% 概率方法,通过合成非成员代码生成,结合 GPT-2、GPT-5 等模型进行代码溯源与归属推理。 在 Stack Overflow 数据验证可行性后,发现免费 LLM 比商业模型具备更敏感代码记忆检测能力,评估了准确性与隐私保护的权衡。
TailDART 是一款 2.68M 参数的稠密金融时序基础模型,旨在解决量化金融中低信噪比和高延迟问题。 模型采用分组查询注意力机制,相比现有 SOTA TSFM 推理加速最高达 48.1%,支持低延迟流式执行。 在多变时间分辨率的多资产基准测试中,该紧凑模型在预测保真度上匹配较大基线,且在高波动状态下展现出更强的错误韧性。
研究在 SWE-bench Verified 的 500 个实例上,对比了 GPT-OSS-120B 和 Nemotron-3-Ultra-550B 两种模型的 bash-only 与 debugger-only agent,发现两次 bash 运行优于一次 bash 加一次调试器的组合。
CoRP 提出一种免梯度的奖励扰动整合方法,将后训练推断时的集成替换为单次前向传播。在 0.5B 至 8B 语言模型及数学、代码等任务上,CoRP 平均提升 8.1 分,超过 RandOpt 单步推断 6.5 分。
研究提出内部安全崩塌(ISC)现象,揭示 LLM 在执行编码任务时可能优先满足程序需求而突破安全对齐。研究者构建了 TVD 框架以生成受控工作流,实验发现即使在高能力模型 Claude Fable 5 上也能触发该现象,生成大量有害内容。结果表明当前前沿 LLM 的安全对齐仅改变表面行为,未消除底层不安全知识,需在科学管线和自主智能体等高风险场景部署时保持警惕。
Qoder 国际版与 Qoder CN 个人版即日起上线匿名模型 Qoduck,用户每天享有免费额度。 在限时免费期间,因访问量较大,偶尔需要稍候。
文章展示如何通过 Amazon Bedrock AgentCore 将 Claude Code 部署为远程智能体,实现任务在隔离会话中运行并返回 GitHub Pull Request。
Qoder 新增 Word 支持,实现 Office 三件套功能集成。用户可通过对话生成或修改周报、报表及 PPT,支持将会议记录转为项目周报、订单表汇总为月度报表,并能根据指定页数与重点生成汇报 PPT 初稿。
阿里云百炼 Token Plan 现已支持千问办公,用户绑定后,在自身积分用尽时,可使用 Token Plan 的 Credits 抵扣模型调用消耗。 该服务通过 Credits 统一计量,支持文本、图像、视频、语音模型调用。
百灵大模型官方发布 Ling-3.2-flash,该模型总参数 560B,单步激活 25B,原生融入视觉感知与空间理解能力。Ling-3.2-flash 具备视觉反馈自检和异常自适应恢复能力,能对照渲染结果调整代码并根据报错信息继续执行任务。
推荐理由:官方明确了560B参数下的视觉自检机制,用户可据此评估其在异常恢复场景下的工程落地可行性。
研究提出 UniSD 统一框架,通过整合多教师一致性、EMA 稳定化及特征匹配等机制,系统解析 LLM 自蒸馏的关键组件交互。 该框架基于 3 个模型族的 6 个基准测试,构建了结合互补组件的 UniSDfull 流水线,较基础模型性能提升 5.4 分,较最强基线提升 2.8 分。 UniSD 验证了自蒸馏是一种无需更强外部教师即可高效且可控地适应 LLM 的实用方法。
研究指出标准Masked Diffusion Language Models(MDLMs)无法可靠修正错误token,关键原因是其训练仅监督masked位置,导致模型无法区分正确与错误的可见token,进而阻碍基于置信度的迭代细化。
开源框架 openJiuwen 发布,支持结构化合成与运行时自适应,在 SWE-bench Verified 达 82.6%,Terminal-Bench 2.1 达 87.19%。 框架通过 Rail-based 能力合成与固定模型策略下的运行时动态调整,提升复杂编码任务性能,分别超官方榜单最佳成绩 3.4 和 3.39 个百分点。 结果表明该设计在复杂编码任务上兼具高性能与可组合性。
在 Qwen3-Coder-30B 上,因果定位法在语言分布偏移中使判决正确性预测保持 0.09 AUROC 领先于输出置信度。 该优势显著优于最佳非因果预测器 0.04 AUROC,但在 gpt-oss-20b 或基准测试偏移中未能一致泛化。 对于程序正确性,预测器主要通过识别模型易失败的问题在基准间成功迁移。
预注册研究覆盖73个任务和60个变更,发现典型测试下0.410的错误修复被错误放行。 引入边缘输入可将错误放行率降至0.065,GPT-5.6-luna生成的测试输入达到0.070。 跨4个模型家族验证表明,边缘输入有效降低了错误发布率且未影响正确完成率。
研究在 Agentic 软件工程中系统评估了五种基于地图的代码表示流。使用 Claude Code 配合 Haiku 4.5 在四个基准上测试了抽象语法树、调用图、模块依赖、文档丰富搜索及其混合流。
SEVERus 提出一种针对 Rust 验证器 Verus 的游戏化基准生成技术。 它将验证任务组织为“任务”(quests)和“关卡”(levels),通过移除证明上下文来增加难度。 在 6 个开源项目中生成了 819 个任务和 10,095 个关卡;实验显示随着上下文减少,模型成功率下降且成本增加。
研究者发布 Multi-step SWE 基准,包含 69 个由 5-15 个依赖步骤构成的软件工程任务,覆盖九种编程语言。 最强前沿模型在长时程任务中的解决率仅为 18.5%,且 69 个任务中有 38 个未被任何模型完全解决。 该基准已公开发布,用于评估编码智能体在自身生成代码上进行迭代开发的能力。
KG-AST 通过评估提交风险优先分配测试预算,在 155 个开源项目上,测试最危险的 20% 提交可覆盖 49-64% 引入 bug 的提交。 该模型基于 git 历史和代码图特征,比最大变更量基线高 3.8 至 13.2 分,且仅需约 12 个训练项目即可达到最佳效果。 AI 评审结合图上下文可使缺陷发现率从 26% 提升至 32%,显著优化 CI/CD 流程中的资源效率。
具身编码智能体在标准暴露(CE)下虽能快速提高验证器评分,但该优势在标准微调后消失,且技能跨任务迁移能力差。 研究提出指令忠实标准,证明其比原验证器更能反映智能体生成代码的真实任务完成度。
Mistral Large 4 (Le Chonk) 提升编码、网络安全及文档推理能力,Mistral Studio 支持在云端、VPC 或本地部署智能体、工作流和应用。 平台新增托管智能体、企业上下文、可观测性及评测功能,通过 MCP 服务器连接数据,ABANCA 和 BNP Paribas 等客户已在生产环境中使用该方案。
月之暗面(Moonshot AI)首款 K3.1 系列模型 Kimi K3.1 Pro 正式上线阿里云百炼,支持 100 万 Token 上下文窗口及原生视觉理解。该模型通过大规模联合强化学习提升了代码开发、3D 创作及长程 Agent 任务能力,目前百炼中国站与国际站 API 已同步开放调用。
推荐理由:月之暗面 Kimi K3.1 Pro 上线阿里云百炼,开发者可直接调用支持百万上下文及强化学习优化的代码与 Agent 能力。
研究构建含 145 个任务的 CASE-Bench 基准,对比 13 种上下文构建方法发现功能导向上下文仅使安全通过率提升 3.7 个百分点。 隐瞒安全保护机制会降低安全通过率 8.1 个百分点,智能体在 27-36% 的轨迹中观察到了相关保护机制。 这些发现为安全感知型上下文构建及代码安全评估提供了实证依据。