TMax: 一种面向终端智能体的简单强化学习训练方案
TMax 开源了终端智能体的强化学习训练方案,9B 参数模型在 Terminal-Bench 2.0 基准中取得 33% 成绩,性能超越此前更大规模的模型。 该方案结合了难度控制、角色设定及验证器多样化分类学生成数据,适用于 2B 至 27B 的开源权重模型,并主导了小模型性能帕累托曲线。 作者公开了数据、模型及代码,旨在为学术界终端智能体研究提供强力基线。
TMax 开源了终端智能体的强化学习训练方案,9B 参数模型在 Terminal-Bench 2.0 基准中取得 33% 成绩,性能超越此前更大规模的模型。 该方案结合了难度控制、角色设定及验证器多样化分类学生成数据,适用于 2B 至 27B 的开源权重模型,并主导了小模型性能帕累托曲线。 作者公开了数据、模型及代码,旨在为学术界终端智能体研究提供强力基线。
LLMberjack 是一个开源平台,用于将 Reddit 或 Kialo 上的树状辩论数据转化为多方顺序对话。它通过可视化界面辅助用户决定消息的保留顺序与归属,实现辩论树的线性化。 系统集成了大语言模型(LLM)以支持自动编辑消息及参与者描述。该工具已被 EMNLP 2026 系统演示赛道接收。
ACTOR 框架结合143部文学作品构建行为数据集,用于优化小说角色扮演模型。 模型经 RPO 训练在17,560个评估实例中显著提升对角色行为的准确预测能力。 该框架推动文学角色扮演超越对话模仿,代码和数据已开源。
新框架 SAGE 利用语义和语用层面的主观性语言特征,结合轻量级分类器,在 APRDB 基准上实现了 0.9566 的 AUROC。 该方法将 SAGE 输出与 Sem-Detect 结合,使其在 1% FPR 下的 TPR 从 0.874 提升至 0.985,超越当前 SOTA。
该研究提出TRIO方法,通过为三个设计良好的Agent配备迭代精炼范式,解决当前RAG检索不足和幻觉问题。 具体地,查询扩展Agent基于改进的答案质量量化奖励,共识投票标注扩展查询是否充分以优化裁判Agent,答案Agent则通过课程学习进行动态匹配奖励优化。 在多个基准数据集上,TRIO相比SOTA方法有效性得到验证。
在8个对齐模型中,特定有害词通过单一隐藏状态方向改变生成边界,该方向上的投影可单调预测拒绝率。 利用该方向构建全词汇表恐惧/勇气词典,插入未见过的恐惧词会提升拒绝率,而将最恐惧词替换为保义同义词可显著提高回答率。 这一发现揭示了词元层面的线性拒绝机制,为安全微调提供可量化工具。
一项研究使用由三个独立提供者的 LLM 组成的小组,对 41 份 2024 年欧洲议会选举宣言在环境保护和气候变化两个维度进行评分,以替代昂贵的人工编码。 小组在 25 个拥有专家基准的政党中恢复了专家排序,但系统性地评价政党“更绿色”,模型间分歧可作为可靠性信号。 该工具以低成本低成本、多语言且透明,补充而非取代专家调查,提示词、代码和结果已公开。
EEG-HealthLLM 采用非对称层级适配策略,在异构 EEG 健康评估任务中取得 69.58% 的平均平衡准确率(BAC),优于其他评测方法。 该框架使用任务特定 EEG 适配器保留时空动态,结合注入 LLM 骨干(如 Phi-3)的统一共享 LoRA 实现高效参数共享,相比单任务适配降低 80% 语言侧适配器规模。
XDecideBench 发布涵盖 122 种语言、88,425 条文本的跨语言类型化决策模型评测基准。 三个开源微调模型在 12 种开发语言中全面超越基座 Qwen 模型,且在低资源语言中准确性增益更大。 结果显示英语最佳模型在约 1/4 组合中落后,且基于英语设定的 5% 置信度阈值在其他语言中失效。
文章提出 CRAD 方法,通过类别可靠性加权平均解决非 IID 数据下去中心化异构 FL 的模型融合难题。 框架基于知识蒸馏实现数据隐私保护,无需中心服务器或公开数据集。在 CIFAR-10、CIFAR-100 和 PathMNIST 上验证了性能提升,代码已公开。
Prior Labs 开源发布关系学习软件包,包含 RelArena-α 基准框架、TabPFN-Rel 模型及 RPI 接口,旨在加速关系学习领域的研究与落地。
基于刚体基元的 SE(3) 3D 分子生成方法在 GEOM-Drugs 上实现了优于 SOTA bond-implicit 方法的原子稳定性。 该方法利用 SE(3)-equivariant 生成模型,将生成步数减少 2x 至 10x,并将分子表示压缩 3.5x。
Effector 是一个用于解释表格数据机器学习模型的 Python 包,提供统一 API 实现全局与局部特征效应。 它包含 Partial Dependence Plot (PDP) 和 Accumulated Local Effects (ALE) 方法,通过划分输入空间子区域来缓解特征交互带来的误导,并与 scikit-learn 和 PyTorch 无缝集成。
Kev-Bio 视觉语言模型在 FU/GU Biometry 2026 数据集上取得 22.50 像素平均径向误差及 15.38 临床测量 MAE。 该模型受 System One 决策启发,通过生成查询匹配超声特征生成空间概率图,端到端训练定位与测量损失。 代码和模型已开放获取,验证了其在不同解剖视图中超声地标检测的有效性。
该基准评估估值、收益排序等四项预测任务,并限制检索证据仅含预测日之前的信息。研究比较了预训练期与实时评估,发现检索控制可缩小回测与实时结果差距。 代码与基准数据已公开。
利用单个 AI 摄像头、假期日历和免费天气预报,可预测日本福井县三处遗产地未来一周的每日游客量。 降雨对游客量影响显著,山顶公园降雨 10mm 时探测数减少 37%;加入天气信息后,三日预测加权绝对百分比误差(WAPE)从 38.5% 降至 31.9%,繁忙日预警 AUC 达 0.87-0.93。 该方法所有输入均为现成工具,可应用于沙特阿拉伯的遗产地,帮助规划人员配置、停车场和穿梭车。
提出推理时引导方法 ODC,通过两阶段流程校正文生图语义漂移,无需重新训练或额外用户输入。 第一阶段在共享视觉-语言嵌入空间识别并隔离正交于提示词方向的漂移分量,第二阶段生成精炼文本条件。 在 COALBench-300 和 PartiPrompts 上提升 CLIP 分数最多 5.4%,在 T2I-CompBench 复合子集提升平均 3-in-1 分数 4.5%。
论文分类了具有线性转移的实数与复数状态空间模型(SSM),通过可交换转移族特征化对角等价性。 基于 Mamba 3 的 MIMO 结构及 SSD-MIMO 路由,结合 Mamba 1-3 的衰减与旋转机制,在 H100 GPU 上改进融合内核训练时间,小模型多 token 召回优于 Mamba 1-3。
提出扰动中心预训练框架 CytoWave,用于单细胞基因扰动响应预测。该框架利用经直系同源统一的多物种大规模扰动数据集,采用两阶段训练:第一阶段通过掩蔽基因表达恢复学习对照细胞状态,第二阶段结合对比目标预训练以预测扰动后的基因表达。严格的数据集留出评估证明其在多种条件组合下具有稳定有效的性能。
对每个偶数 N≥4,存在一个 2N 顶点、最大度为 3 的带标签树,使得原始特征需 1 个 ReLU 隐藏单元,而单次惰性邻域均值聚合后需恰好 N 个单元。混合矩阵条件数不超过 8,且在含 1 个干扰坐标的有界均匀噪声模型下,1 单元聚合头期望误差至少为 1/12,而 N 单元头误差为 0。
研究提出 RAR 状态机框架,为生产 ML 模型应对概念漂移提供重训练、告警或回滚的决策依据。在 13 个数据流测试中,高成本场景下 RAR 优于部分基线,但低成本时优势不显著。 框架要求重训练通过两阶段金丝雀验证,并区分不同回滚保持状态。
针对LLM对语义保留改写的脆弱性,定义条件因果难度(CCD)并引入GlassGSM/GlassMATH基准。 GlassGSM将脆弱性提升约12倍,Frail预测器在可靠性上限0.613处超越基线,CRD与复杂度代理变量不相关。
研究指出传统验证损失和平均任务成功率无法全面评估机器人策略,引入闭环 pass@k 指标揭示预训练中的覆盖-可靠性权衡。 大 k 值 pass@k 在 pass@1 相似时仍能区分不同后训练表现,且其在训练过程中的峰值点随检查点变化。 提出离线检查点选择准则和生成式数据增强方法,在保持或提升 pass@1 的同时扩展监督范围,提升覆盖-可靠性帕累托前沿。
研究团队提出 InformedXRD 评估框架,解决了粉末衍射(PXRD)对称分类领域缺乏统一评估标准的问题。 框架包含 230 个空间群到 99 个消光群的映射、基于代码的可复现基准构建方法(如 RRUFF-473)及报告协议。使用 ViT 和 CNN 等模型验证发现,评估设计直接影响结论,层级感知分析和分层分析能揭示常规准确率掩盖的错误方向与标签熵混淆,相关代码与检查点已开源。
首个三维电阻磁流体湍流学习型替代模型发布,对比 UNet、Shifted-Window Transformer 和 Fourier Neural Operator。
研究质疑随机权重扰动能发掘预训练模型中特定任务专家的观点。在12个模型-任务对中的10个,纯选择噪声即可解释最佳专家75%以上的奖励提升,表明存在对选择集过拟合。 随机扰动后的优势通常在留出集消失,且RandOpt(N, K)常被基础模型多数投票超越。 结果表明随机搜索可能无法有效发现任务专家,任务适配需要比随机搜索更复杂的策略。
研究团队提出多视图掩码自编码器MVMAE,解决异质图自监督学习中高计算成本、均匀随机掩码局限性及重建噪声特征目标不佳的问题。 该框架采用多视图先掩码后重建策略,通过离线聚合机制预计算重用元路径视图表示,避免构建子图,并使用基于Transformer的融合编码器和简单MLP解码器,在六个数据集上性能优于SOTA基线。
AgentHop 发布 1011 道选择题及七工具沙箱,拆解检索、合成、工具调用等资源管理四轴评估。 覆盖 19 个模型发现显著家族特征:GPT 早期提交,DeepSeek 与 Kimi 过度搜索。 论文已被 NeurIPS 2026 接收并开源完整测试集与测试框架。
MediaWiki Code2Code Search 发布了一款神经检索系统,支持基于计算意图的语义代码搜索,覆盖 2500+ 仓库中的 129 万个结构实体。
研究提出基于 LoRA 和混合专家架构的持续运动-语言智能体方法,在五项序列任务中实现双向运动理解与生成。 该方法通过自编码器路由器在推理时选择任务特定专家,无需任务标签,实验显示近零遗忘且硬专家选择优于软混合。 结果表明需关注 token 级准确率与生成质量之间的潜在分歧,未来需建立更全面的评估协议。
研究团队提出基于意识图灵机(CTM)的多智能体AI系统 CTM-AI,在 MUStARD 和 UR-FUNNY 基准测试中分别取得 72.28 和 72.13 的准确率,实现新的 SOTA。该系统整合各类处理器,反馈机制可迭代进化内部连接,在 StableToolBench 和 WebArena-Lite 任务上提升超过 10 分。代码已开源。
提出 MoBiQuant 任意精度 Mixture-of-Bits 量化框架,根据 token 敏感性动态调整权重精度,实现灵活 LLM 推理。 采用“多合一”递归残差量化运行时重建高精度权重,并用 token-aware router 动态选择最优推理精度以缓解离群点迁移。 实验显示,其在匹配或超越前沿单精度 PTQ 的同时,比现有方法实现最高 1.34 倍的吞吐增益和显著内存节省。
论文提出时间序列预测架构 StretchTime,其核心组件 Symplectic Positional Embeddings (SyPE) 基于哈密顿力学,通过将旋转群 SO(2) 扩展至辛群 Sp(2,R) 并结合输入依赖的自适应形变模块,实现对非仿射时间扭曲(time-warping)的建模。
TempoPFN 是一个基于线性 RNN 的单变量时间序列基础模型,完全使用合成数据预训练,采用 GatedDeltaProduct 架构实现跨序列长度全并行化训练。
Generative Logic (GL) 是一种确定性计算机架构,旨在自动化数学推理,通过编译公理定义并在演绎邻域中探索生成猜想。 GL 能够推导 Peano 算术基本定律和高斯求和公式,并基于给定猜想构建算术基本定理(FTA)的证明。 这些证明被导出至 Lean 4 并经过内核检查,验证了该架构在形式化验证中的有效性。
作为可解释广义可加模型的扩展,GNAN通过直接可视化解释模型机制,无需事后可解释性工具。 该设计使其适用于对透明度要求高且需高精度关键应用。
针对偏好模型不确定性导致对齐方法脆弱的问题,论文提出鲁棒纳什对齐(Robust Nash Alignment)博弈论框架。 该方法通过四玩家原始对偶代理游戏及单循环乐观镜像下降-上升算法求解,证明了 $O(1/\sqrt{T})$ 的迭代平均收敛性,并在受控表格博弈和 LLM 对齐实验中展现了对偏好扰动的增强鲁棒性。 该工作已被 NeurIPS 2026 接收。
MedCUA-Bench 覆盖 10 个医疗领域的 18 种临床场景,通过确定性检查器评估 23 个智能体。 最佳闭源模型严格成功率仅 54.2%,在真实 OpenEMR 上全模型低于 9%,开源智能体平均仅 2.5%。 该基准揭示了当前智能体在临床软件可靠性上的缺口,为未来研究提供可复现测试床。
研究在 Qwen3 上训练三种 LLM 工作流,发现多智能体 RL 并非总优于单智能体 RL。 具体而言,仅在 Eval-Opt 工作流中,隔离策略(IP)的训练效果超过了单智能体 RL。 共享策略(SP)存在隐式超参数,调整其权重可匹配隔离策略的速度和峰值。
研究者提出基于离线模型优化的材料发现技术 CliqueFlowmer,其生成材料性能显著优于生成式基线。 该模型将基于团(clique)的 MBO 整合进 Transformer 和流生成,以直接优化目标属性克服最大似然训练局限。 代码、模型权重及交互式演示已公开,旨在支持跨学科研究。