面向视觉智能体可信评估的预算配对反事实审计
提出预算配对反事实审计协议,用于评估视觉智能体在有限观察预算下的决策表现。该方法固定公开证据与区域绑定,仅扰动剩余预算或声明任务参数,通过计算精确延续值,将丢失的预期准确率分解为逐步获取损失和终端决策损失。在40个配对路由锚点上验证了该协议将规划策略与固定角色启发式分离的有效性。
提出预算配对反事实审计协议,用于评估视觉智能体在有限观察预算下的决策表现。该方法固定公开证据与区域绑定,仅扰动剩余预算或声明任务参数,通过计算精确延续值,将丢失的预期准确率分解为逐步获取损失和终端决策损失。在40个配对路由锚点上验证了该协议将规划策略与固定角色启发式分离的有效性。
研究团队发布 RSIBench-Infra,这是包含 20 个训练与推理任务的基准,涵盖 NVIDIA GPU 和 Ascend NPU。 任务部署最多使用 32 个加速器,Agent 可修改引擎、内核和指令层级的软件栈,通过 OCI 镜像层协议提交更改。 结果显示 66.2% 的任务实现了超过 1.10 倍的速度提升,证明当前 Agent 能改进生产级性能,但策略转化仍具挑战。
summary_zh: 研究识别出循环神经网络(RNNs)受限于秩约束隐藏状态动态导致的时间信息瓶颈,该限制独立于梯度稳定性。 作者引入结构化高维状态动态以保持时间可分离性,防止输入到状态雅可比矩阵饱和;在受控序列任务中模型学习迅速。
研究者提出F$^3$框架,论证经验价值取决于存储形式、适用时机及融合位置,而非源rollout是否成功。 通过Form压缩操作记录,Fit预测辅助时机,Fusion注入前缀与动作先验。 仅在200个样本上训练,在MolmoSpaces和RoboLab上将成功率提升12.0 pp和10.8 pp。
研究将 DistilGPT2 和 BERT-base 整体转换为硬逻辑谓词电路,无需乘法器或权重传输。电路在 TweetEval-emotion 上准确率分别为 66.5% 和 70.0%,低于教师模型但高于词袋基线。 电路分类单条推文耗时 1-2 微秒,比 GPU 推理快 2-3 个数量级,功耗 7.5-15 W,硬件描述可逐位复现。
提出一种基于策略诱导能力区域的逆向-正向课程与成对优势方法,解决 LLM 智能体在长时程任务中的信用分配问题。 该方法在 ALFWorld 和 WebShop 基准上,使用 Qwen2.5-1.5B/7B-Instruct 模型分别取得 90.1%/96.1% 和 80.2%/82.6% 的成功率。
该研究提出LLM辅助多保真贝叶斯优化(MFBO)方法,通过LLM解释专家关于低保真模型缺失物理效应的定性知识,生成知识基并将其纳入多保真模型。 在锂离子电池设计问题中,该方法将常规MFBO的遗憾曲线面积减少61%。受控实验表明,知识质量而非LLM选择决定了搜索加速效果,且知识层级消融量化了各陈述贡献。 结果表明LLM解释的专家知识可作为数值数据的补充信息源。
该研究首次系统证明向 LLM 传递辅助证据的不确定性可改善下游决策,在图像分类任务中 macro-F1 最高提升 26.18 个百分点。 实验覆盖五个基础模型和三个数据集,发现不确定性信息包含关于下游决策正确性的预测信息,为未来推理流程设计提供依据。
GateWatch 将 LLM 监控决策规则简化为布尔逻辑,在 Gemma-2-9B 上以 3.8 个 SAE 特征实现 80.49% 测试准确率。 其内存占用降低 99.98%,在 vLLM 中运行千个并发分类器时,仍保持 97-98% 的基线吞吐量。
研究者发布 OpenGNS 数据集,包含 400 多条 GNS 测量轨迹,覆盖 11M 至 1B 参数模型。 该数据集针对 ResNet、GPT 和 DiT 架构,在 muP 规范下进行密集批大小与学习率扫描,揭示 GNS 在不同模型规模下具有稳定性。 研究发现 GNS 在分类任务中倾向于高估 CBS,而在生成任务中倾向于低估 CBS。
在170个GameWorld任务中,代码策略平均进度达47.80%,优于模型控制器策略的30.90%,且在五个游戏类别中均领先。代码策略允许模型在离线阶段编写、测试和修改程序,该程序在实时游戏运行期间执行动作,而模型控制器需配合实时分块执行。结果表明,将学习存储在执行程序中比直接调整模型权重更能有效利用离线推理时间。
研究基准测试了保形预测在格点气温预报中的8种区间构建方法,涵盖6小时至10天8个预报时效。 结果显示逐单元方法虽达到近名义边际覆盖率,但日间覆盖率方差为独立单元的3至10倍且误差聚集。 该研究仅覆盖单一变量和粗网格,指出无单一方法在过分散指数与区间得分上均最优。
AGAMOTTO 是一款 AI 驱动框架,旨在为指挥官提供集成仿真能力,以在实时作战中动态探索行动方案(COA)。 该框架作为 NGC2 计划的一部分,用于推动战术突击套件(TAK)等指挥控制系统的现代化,初步实验证明了其在时间受限环境中的可行性及训练策略。
研究基于结构保持的神经近似框架,将输入凸神经网络(ICNN)扩展至半凸、拟凸及可凸变换函数。对紧凸域上的 C^{1,1} 凸函数,确立了 max-affine 近似在 m 个仿射片下的锐 W^{1,p} 极小极大率 m^{-1/d},并证明每个 max-affine 函数均存在宽度有界、复杂度随 m 线性增长的 ICNN 精确表示。
NaviGATE 提出一种噪声感知生成框架,解决多模态知识图谱推理中嵌入方法语义细粒度不足及生成方法易受噪声干扰的问题。 该框架通过多模态语言模型微调激活结构感知内部知识,在推理时结合检索无关与检索感知双视图优化,利用对比 Logit 锐化增强可靠候选并抑制误导项。 实验表明,NaviGATE 在标准基准测试中一致优于强单模态、多模态及生成式基线,且在噪声检索场景下保持稳健。
零代码智能体 ABSClaw 将自然语言编译为现实落地的社会模拟,在 193 项任务的 ABSBench 上取得最佳性能。 它通过 26 个原子操作表达状态迁移,并将人物、环境与网络锚定在调查与人口普查数据上,单次运行时支持 2500 万级智能体规模模拟。
该研究提出混合 GNN 框架用于股骨应力预测,解决 FEA 高算力成本及传统 ML 缺失网格拓扑结构的问题。 模型采用 GCN-SAGE-Residual 架构,在 14 个模型对比中性能最优,R^2 达到 0.8022,平均绝对误差为 2.879 MPa。 代码已在 GitHub 公开,为骨科分析提供高效替代方案。
TRESS 模型通过保留 8 至 16 个最新观测值及全历史统计摘要,在四个基准测试中取得最低的测试 MSE 和 MAE。 其查询条件化事件提升模块依据观测龄期和预测步长加权偏差,配合通道特定解码器预测修正值;服务 32 个连续查询时间时,CPU 推理时间缩短 2.12 至 2.60 倍。
研究表明 TabPFNv2 类模型的扩展定律在合成分数与真实数据集间存在差异,依赖少量数据集选参会导致性能高估。 需同步扩大合成预训练数据集规模以优化计算分配,增加预训练时采样的最大行数与特征数可改善性能并产生更可预测的扩展趋势。 这些洞察通过 nanoTabPFN 开源训练管线指导更高效模型的开发。
PSG-GAN 生成了包含阻塞性睡眠呼吸暂停特征的长段多信号合成数据。 自动评分模型仅用合成数据训练,睡眠分期和呼吸事件分割在健康志愿者和患者测试集上的 kappa 值分别为 0.71/0.63 和 0.57/0.60。 证明了合成数据支持睡眠诊断算法开发的潜力,源代码已开源。
RAA 提出以视觉分辨率作为注意力分配机制,动态调整过往交互的感知粒度,在多个任务和模型骨干上将 token 消耗降低超 50%,且不损害任务性能。 该方法将历史交互渲染为图像,通过轻量级相关性估计器优化感知保真度,可作为插件层集成到现有记忆管理中。
研究者提出统一框架 Learning with Unlearning(LwU),通过在单个突触层面解决持续学习与机器遗忘的目标冲突,在两项任务中表现优于或持平最强基线。
针对预训练视觉世界模型难以避免碰撞的问题,提出风险触发搜索(RTS)方法。 RTS 基于冻结 JEPA 模型,通过轻量级风险头预测动作条件未来风险,仅对触发警报的计划执行 CEM 搜索。 该方法在五项任务上将 Safe Arrival Rate 提升 12.67–41.67 个百分点,并降低 17.71–70.41% 控制器时间。
提出 DUAC(基于散度的不确定性感知自适应动作分块)方法,利用预训练视觉语言动作(VLA)模型的流场向量,通过单次生成和雅可比-向量积计算动作级不确定性,无需重训练或多端点采样。 在 LIBERO 系列和 RoboCasa 基准测试中,DUAC 的自适应时域选择在保持高任务成功率的同时,实现了低不确定性估计延迟。 该方法确立了流向量场作为机器人决策中高效、轨迹条件化预测不确定性来源的地位。
CaDO 框架在 18 组实验中的 16 组显著优于最强数据清洗基线,将下游模型准确率提升高达 9.1%。 该框架通过形式化因果推理、多级诊断和自动修复生成三阶段工作,95% 以上标记样本确认为缺陷,在 CLadder 上错误修改正确标签比 LLM 裁判少 92.2%。 代码和数据已公开可用,可促进高质量因果推理数据集的发展。
论文提出 SoU-RHS 方法,通过在 Regularized Horseshoe Shrinkage (RHS) 中引入 Sources of Uncertainty Sparse Global-Local (SoU-SGL) 机制,实现卷积神经网络紧凑架构的恢复。
QuantAtlas-OM 通过尺度频谱解耦框架,在120天保持43.7%至86.5%中尺度谱能量,并将第60天异常相关系数提升至0.81至0.88。 该模型在0.25度分辨率下零样本迁移至0.125度全球网格,在16项指标中的15项排名第一,并将60至120天盐度RMSE降低13%至27%。
SCH 提出状态-证据分离,将语义状态与证据解耦,按需恢复早期证据以解决长程智能体上下文膨胀问题。 SWE-bench 150 项任务中,SCH 在 token 使用量基本不变的情况下,将 Pass@1 从 80.0% 提升至 86.9%。 相比最强基线,SCH 在性能持平或更优时,减少 43% token 和 41% 运行时间。
研究在 31 篇完整手稿上测试 6 个多模态模型自主验证图表一致性,结果显示 1,445 份审查中仅 3.3% 被评分标准认可为成功诊断矛盾。 尽管 60.6% 的审查提及了错误图表,但明确指出矛盾的低得多;当直接指明图表名称时,诊断率升至 20.4%,而仅靠文本审查无法识别矛盾。 表明评估多模态文档理解需重点考察模型提出验证目标的能力,而非仅测试其回答给定问题的能力。
automodel 是一种通用模型发现的智能体技能,可赋予商业编码智能体发现或改进模型的能力。 案例研究涵盖天体物理、心血管动力学、精准农业、交通流及车辆轮胎动力学等领域,证明配备该技能的智能体能识别出新颖且具有科学相关性的模型。 将模型发现方法编码为便携式智能体技能,为领域特定的自动化发现管线提供了简单、交互性强且适用范围广泛的替代方案。
提出UCLIR方法,利用无监督正则化独立学习互补表征,通过分解输入限制参数干扰,提升多任务知识保留。 方法受EDR启发,使用独立自编码器学习输入局部成分,推理时结合线性分类器。 在MNIST、CIFAR-10及Tiny ImageNet等基准上,结果与监督及基于回放的方法具有竞争力。
研究提出超时级联策略,优先运行小模型,仅在必要时升级大模型。 该策略在 SWE-bench Verified 基准上将总 GPU 小时成本降低 33%,整体任务降低 16.4%,且准确率无损失。 级联策略性能接近最优任务路由器,为生产环境部署低成本编码智能体提供了低工程复杂度的实用路径。
VESPA 框架通过利用形式验证生成的反例对决策树策略进行定向微调,实现不安全策略向安全策略的转化。 该框架在 CartPole 环境中将平均验证安全步数从 63.8 提升至至少 92.7,在 MountainCarContinuous 环境中 60 次运行有 53 次成功将不安全策略转为安全策略。 验证器生成的反例被证明是有效的训练信号,可系统性提升强化学习策略的安全性。
STEMBench 基准发布,涵盖高能物理等 12 个博后级科研问题。 每个问题采用领域特定的“功绩标准”评分,并配备无领域知识提交与专家参考两个锚点。 测试 8 个前沿模型显示,任务级胜出与领域级领先出现分离,部分模型平均分在 12 题中的 7 题超过专家锚点。
该研究提出多专家重放策略蒸馏(MRPD),通过重放专家训练日志进行整合,无需额外采样或调用环境。该方法计算成本仅为原 RL 训练成本的大约七分之一。 在推理、搜索和 SQL 三个长程智能体领域,MRPD 生成的学生模型显著优于在线 RL 基线。实验表明日志顺序比数量或奖励更重要,表明专家训练日志实质上是课程学习而非数据混合。
OpenKAGE提出智能体群进化框架,支持在开放世界中通过经验积累实现开放式终身学习。 框架包含两层知识表示(记忆层与经验层)及知识共享机制,将可执行技能原样共享,并将文本经验语义整合为持续演化的共享知识图谱。 在Minecraft中,该框架使智能体群达到高级技术里程碑,且积累的知识可迁移至不同骨干模型的新智能体群,提升其生存与探索进展。
联邦优化中的本地计算虽能改善更新条件数,却会引入偏差导致固定点偏离全局最优。研究表征了给定条件数界下可实现的最坏情况最小偏差。 针对强凸二次目标,建立了精确的最坏情况偏差公式,证明小步长本地梯度下降与近端更新可达此界,并将非交换 Hessian 矩阵问题简化为标量曲率分布。 分析进一步扩展至非二次的光滑强凸目标,并量化了非精确本地求解引入的误差。
KnowledgeClaw 提出基于全模态超图的智能体系统,在 OmniKE-Bench 六个任务中全面超越 30 个基线模型,总体 OKE 得分为 55.9。 该基准包含 1,829 个无模型干扰项,覆盖 3,960 个真实文件的五种模态。KnowledgeClaw 比最强基线高出 14.6 分,软件与数据已公开。
提出运行于 NVIDIA Jetson Orin 网关的自学习生产级 HVAC 边缘堆栈,组件利用建筑自有数据持续自适应。 Transformer 预测器在单栋酒店中一周内收敛,送风、新风及风机盘管 MAE 分别为 0.37、0.39 和 0.11 摄氏度;RL 智能体在 104 个单元处于影子模式。
提出FedE2E方法,利用一次性联邦学习训练端到端自动驾驶模型,在Bench2Drive基准测试中达到55.85分的驾驶分数。 该方法包含多客户端校准、基于锚点的特征对齐和token级共识蒸馏。相比现有工作提升4.07分,多轮通信设置下5轮后达到60.35分最佳性能。