TraceML:揭示长期机器学习开发中自动研究智能体的缺失环节
TraceML 引入了一个包含 4,465 条人类 Kaggle 轨迹和 637 条智能体轨迹的配对数据集,旨在量化自动研究智能体与人类专家在竞赛中的差距来源。 分析显示,人类专家会在数据、验证和模型调整间灵活切换,而 Codex 和 MLEvolve 等智能体则陷入狭窄的循环,缺乏灵活变通。 该研究发布了 TraceML 语料库、标签模型及开源工具包,将指令优化局限于缩小可归因于指令的部分差距。
TraceML 引入了一个包含 4,465 条人类 Kaggle 轨迹和 637 条智能体轨迹的配对数据集,旨在量化自动研究智能体与人类专家在竞赛中的差距来源。 分析显示,人类专家会在数据、验证和模型调整间灵活切换,而 Codex 和 MLEvolve 等智能体则陷入狭窄的循环,缺乏灵活变通。 该研究发布了 TraceML 语料库、标签模型及开源工具包,将指令优化局限于缩小可归因于指令的部分差距。
研究者提出 Honeyval 框架,针对缺乏统一评估标准的现状,通过 16 个后端应用和 AI 攻击代理全面测试 LLM 驱动的 HTTP Honeypots。 实验表明,与规则型基线相比,LLM Honeypots 显著延长攻击者交互时长,降低被前沿模型检测的概率,并保持对代理攻击者的运行成本优势。
研究提出Co-RL框架,通过多智能体协同强化学习实现无监督推理,无需真值标签。 在7个基准测试上平均提升3.0-7.9%,4个多模态基准提升1.6-4.4%。 该方法比先前SOTA方法CoMAS高4.0%,比MM-UPT高2.0%,且代码已开源。
Good Token Hunting 提出通过限制全局注意力中键值(key/value)交互的 Token 数量,为视觉几何 Transformer 加速超过 85%。 该方案采用两级筛选框架,在帧间使用基于多样性的策略保留关键帧,在帧内通过熵引导的层感知稀疏化进一步剔除冗余。 实验表明该方法在 500 张图像场景下保持甚至提升了基线性能,为未来视觉几何应用提供了高效的 Token 选择策略。
summary_zh: Spaghetti Architect 生成器将程序转换为五种语言的混乱代码,通过移除注释使四款测试模型的得分降低,且对最弱模型的影响约为最强模型的十倍。
SinAE 提出单架构流匹配自编码器,统一分子、晶体与蛋白质生成,使用普通 Transformer 且无需等价性或图算子。 通过将重建负担转移至迭代流匹配解码器,实现跨域近无损重建,重建误差较先前潜变量基线降低多个数量级。 分子-晶体联合训练严格提升双域性能,提供了通过共享原子潜变量实现跨域迁移的直接证据。
Seahorse 发布统一评测框架,标准化时空点过程(STPP)模型训练与评估,解决现有对比中预处理及似然约定不一致导致的脆弱性问题。 框架提供编码-演化-解码接口,在 13 个真实数据集和 19 个预设中测试,结果显示无单一模型在所有指标上占优。 该论文已被 NeurIPS 2026 评估与数据集轨道接收,代码已开源,为比较和诊断 STPP 模型提供了可复用基础设施。
Clari 大幅降低有机晶体结构预测(CSP)成本,将 OXtal 的分钟级耗时缩短至秒级,并取代了昂贵的 triangle layers。 该模型基于 flow matching,仅需原子类型和键作为输入,支持推理时扩展;在 OXtal 测试集上,solve rate 超越 OXtal 并保持 15-30 倍速度提升。 这使得大规模虚拟筛选实用化,代码已公开。 ```
GeneZip 提出了一种区域感知的 DNA 压缩框架,通过动态路由和 GENCODE 标签指导训练,使模型学习在功能密集区域分配更多 token。 GeneZip-70M 在 DNALongBench 上平均排名最佳,且压缩转座元件衍生序列比非重复序列更强烈。该框架在 450-kb 输入下相比 JanusDNA-7.7M 提升了 36.1 倍的推理吞吐量。
BioBlobs 是一种编码器无关且端到端可微分的框架,能将蛋白质压缩为少量粘性子结构(blobs)并仅据此预测功能。在多种序列和结构感知的蛋白质语言模型上表现具备竞争力,且仅操作极少比例的残基。该方法在仅使用蛋白质功能标签训练的情况下,成功恢复 InterPro 中的专家标注功能位点及实验标注的催化位点。这一发现为在大量未注释蛋白质中进行大规模功能位点发现开辟了新路径。
研究提出 AB-SID-iVAR 算法,用于解决未知函数在自身诱导的未知玻尔兹曼分布下的主动学习问题。该算法基于高斯过程,通过闭式近似贝叶斯目标分布避免计算配分函数,适用于离散和连续输入域。 同时分析了变分替代方案 TS-SID-iVAR,并证明在温和条件下终端预测误差有高概率消失。该方法在合成基准测试及真实世界的势能面建模和药物发现任务中,表现优于现有方法,代码已开源。
论文提出基于 SOAP 描述符的原子环境留出评估协议,用于衡量大语言模型在预测电子密度和偶极矩等原子属性时的分布外性能。 该协议通过 5x5 交叉验证和 Tukey's HSD 检验,对比了 E(3)-等变与非等变旋转增强模型在 H、C、N、O 原子上的表现。 基于此框架,研究者引入了非等变旋转增强图神经网络 QT-Net,并开源了包括 JAX 实现在内的全部代码和数据。
提出将治疗-对照范式应用于可解释AI研究,通过方差分解和Sobol指数分析增强对模型内部推理的影响。 评估了AlexNet、VGG11、ResNet18等CNN,结合ViT-b-16和Swin-t验证,采用5至7种同时应用变换的增强集。 该方法有助于区分模型特异性与增强自交互,并支持激活引导掩码及单类敏感性分析。
NeurIPS 2026 接收的论文提出 Soft-Radial Projection (SRP),一种将网络输出映射至凸可行集相对内部的微分可重参数化层,保证严格可行性且映射一一。
论文提出 self-rewarding SMC 算法,通过并行扩散过程作为粒子探索轨迹,并以 trajectory-level confidence 作为自奖励信号来分配重要性权重。该方法在多种 masked diffusion 语言模型和基准测试中验证有效,无需额外训练或奖励引导即可显著提升采样质量。
COMET 提出一种统一框架,通过多尺度 Patch 编码器、矢量量化核心集和在线码本自适应三个组件,实现健壮的无监督时间序列异常检测。 在五个基准数据集上,COMET 在 45 项评测指标中有 39 项取得最佳表现,优于 7 个基线模型。 该工作已被 NeurIPS 2026 接收为海报论文。
研究提出 Soft-TAC 可微分近似作为损失函数,用于训练最大化轨迹对齐系数(TAC)的奖励模型。用户研究表明,迭代 TAC 反馈虽能降低设计 Lunar Lander 奖励的认知负荷,但手动设计仍耗时巨大。
研究人员提出 CAPE 策略,通过定义基于预言机的 NOCT 目标并学习对比获取效用流形,在纵向主动特征获取中平衡预测损失与获取成本。 该方法在合成及真实医疗数据集实验中优于非参数、贪心及基于强化学习的替代方案,以更低成本实现更高准确率。 代码已公开,论文被 NeurIPS 2026 接收。
EcoSearch 是首个针对预生成成本函数的常数延迟最佳优先搜索算法。 该算法结合 Bee Search 的成本元组表示与 Heap Search 的数据结构,采用桶队列替代优先队列。 在 DeepCoder 和 FlashFill 基准测试中,其任务解决率高出前人 12%-70%,速度快 1.6-3.2 倍。
论文提出 EDformer,通过时域平均池化和傅里叶域低通滤波将信号分解为季节与趋势成分进行预测。 季节成分嵌入反向维度后由注意力捕捉跨变量相关性,趋势成分经投影预测并与季节预测结合。 在多个真实数据集上验证了模型性能及不同分解策略的相对有效性。
研究提出引导式随机探索框架,在无需重训情况下显著提升递归模型推理精度。 Sudoku-Extreme 精确求解准确率从 85.9% 升至 98.0%,PPBench 基准成绩从 62.5% 提升至 77.9%。 论文已被 NeurIPS 2026 主赛道接收,代码已开源。
论文提出一种基于神经网络学习非精确交替最小化的方法,用于求解具有二次耦合的凸优化问题。 方法通过贪婪式训练网络近似子问题解,并推导了最优性间隙的最坏情况上界及 PAC-Bayes 高概率界。在鲁棒矩阵补全和低剂量 CT 重建任务中,相比基准方法实现了 5-13 倍加速,微调后最高达 30 倍。
提出CADMA框架,通过局部容量匹配分离几何覆盖与有效覆盖,解决现有召回指标无法区分模式丢失与坍缩的问题。 实验证明,CADMA在玩具数据和真实数据集上提供了更可靠的覆盖估计,能输出细粒度、可解释的多样性失败诊断信号。 该研究已被NeurIPS 2026接收,代码已开源。
提出常量上下文技能学习框架,将可复用任务流程编码至轻量模块,推理时仅依赖当前观察与紧凑状态块。 在 ALFWorld、WebShop 和 SciWorld 基准测试中,该框架结合 Qwen3-8B 模型实现高性能,并通过 SFT+RL 将每轮 prompt token 降低 2-7 倍。 该研究已被 NeurIPS 2026 接收,代码已开源。
商业建筑占美国碳排放17%,其中约半来自暖通空调(HVAC)。针对现有方法难以扩展至数千栋建筑的问题,Smart Buildings Control Suite作为首个开源交互式HVAC控制基准被提出。
针对 CoRL 2026 RoboEval 挑战赛的八项双臂任务,该方案采用离线策略强化学习与在线推理调优结合的方法,最终在验证种子上取得 0.990 的 RDS 得分。
SWHForest 是一个开源框架,通过单次遍历解析 AST 并仅保留结构摘要,避免了下载整个多 TB 语料库。 在 Stack-Edu 10 大语言(52.1M 文件)测试中,该工具将搜索时间从小时级降至秒级,下载量减少 46-72%。 该框架解决了现代语料库缺乏结构层导致需先下载再过滤的问题。
WaveGen 提出了一种基于频谱强制(Spectral Forcing)的全端到端文本转波形扩散框架,该模型联合学习内部频谱与目标波形轨迹,直接生成端到端音频。
TALK 提出了一种基于后验耦合的一次性批量设计方法,用于解决蛋白质变体效应预测中的实验-预测不匹配问题。 该方法在受限测量预算下,通过估计候选变体对目标区域的贡献并降低冗余,在 ProteinGym 和 FLIP 协议中提升了目标空间预测性能。 该工作已被 NeurIPS 2026 接收为口头报告,并开源了代码。
Silinx是一款基于浏览器的开源HDL设计平台,采用AGPL-3.0许可,无需安装即可在Web上完成数字系统设计、仿真与FPGA编程。 支持VHDL、Verilog及通过Silinx HLS编译的C/C++代码,兼容AMD Vitis HLS并运行于Spartan-3E/Spartan-6及iCE40板卡,通过WebUSB烧录比特流。
发布含相机位姿的机器人手持柔性条带多视角视频数据集及 LaGSplat 3D 基线。 机械臂沿一维路径振荡驱动条带,4 部 iPhone 同步录制 10 分钟数据。 LaGSplat 在留出视角上渲染达 26-33 dB PSNR,支持浏览器实时交互,代码开源。
研究团队提出两阶段评测框架,通过 SurgKnowBench 诊断基准揭示当前多模态大语言模型在程序理解上的薄弱边界。 引入 SurgAgentGym 智能体环境,验证使用知识搜索和视觉定位等工具可提升推理时理解,但精确定位仍是瓶颈。 该研究被 NeurIPS 2026 接收,为手术智能体理解提供了新路径。
研究提出结合语境变量结构微调小语言模型(SLM),以提升社交机器人主动发起对话的恰当性。 构建了覆盖日常场景的语境对齐对话开场白数据集(CCO),并证实其优于零样本大语言模型。 该方法为社交机器人对话交互提供可落地的基础构建模块。
该研究提出了CoilStellaration,这是一个包含177,000组优化线圈的数据集和基准,用于学习从等离子体磁场目标到线圈几何形状的映射。数据集涵盖了多种线圈数量,支持对专门化模型和共享模型进行跨配置的研究。 基准要求模型预测线圈时,需考虑线圈间距、曲率和磁场误差。研究表明,磁场准确性仍是主要挑战,学习模型难以同时满足所有需求,但可用于加速传统优化。
A2MoE框架将解剖归纳偏置引入3D医学视觉-语言预训练,基于6万余例多期CT数据训练后,在分割、分类和检测基准上取得领先性能。 其核心包含直方图表示路由器(HRR)和器官查询多尺度投影器(OQMSP),通过patch级路由降低复杂度,并无需人工标注即可实现细粒度对齐。 该模型还能泛化至MRI和超声影像,为医学表征学习提供可扩展基础。
REINS是一种自进化Agent框架,旨在解决实时轨迹规划中LLM延迟与自进化缺失的问题,在模拟和现实基准中实现98%以上合规率,碰撞减少近50%,战术决策层延迟仅1.9-4.6毫秒。
EndoSCOP-V 是一个基于视频的评测框架,包含 1,307 段内镜视频和 20,274 个问答轮次,由 1,033 份临床医生审核的模板确定性生成。 该框架采用马尔可夫上下文剪枝协议逐轮评估,15 名认证内镜医生组成的专家组确立了 78% 的严格准确率基准。 最佳的 27B 级开源模型严格准确率仅达 59.8%,在量化测量和长时程视频干预推理方面仍存在显著差距。
研究者利用 6.6M 参数实体 Transformer 开发零搜索强化学习智能体,在 Slay the Spire 2 A10 难度平均胜率 8.05%,高于 AlphaSpire 无搜索模式的 0.55%。 训练采用失败驱动课程策略分配重启状态,在 12,800 局留出测试中,Ironclad 胜率随训练时长提升至 15.6%,单决策耗时 21-27 ms。
提出 $\gamma$-canonicalization 方法,解决 ReLU 网络中经验贝叶斯拉普拉斯近似因尺度对称性导致的定义不良问题。 该方法通过平衡权重比将网络转换为规范表示,使边缘似然函数在 ReLU 缩放下保持不变,从而确保预测不确定性一致。
ShiftCache 提出精确复用系统,通过编码移位参考并共享,比去重密集执行快 3.5 至 6.5 倍,比逐层复用快 1.6 至 2.7 倍。 在 AlphaGenome 和 Borzoi 默认运行中,输出与密集执行匹配精度在 $10^{-5}$ 容差内;若使用 Enformer 或在 H100 上运行,部分值可能超出该容差。