面向企业零售工作流的Agentic RAG:基于异构数据源的评估基准与框架
研究人员构建了零售领域组合式基准RetailBridge及感知零售的RAG框架RetailRAG。 该框架配备自动模式简报、源路由计划链接及诊断性计划修订功能,在评估十种LLM骨干模型时, consistently 优于现有基线。 研究揭示多源链接是主要瓶颈,表明可靠零售智能体需显式跨源编排,代码和数据已公开。
研究人员构建了零售领域组合式基准RetailBridge及感知零售的RAG框架RetailRAG。 该框架配备自动模式简报、源路由计划链接及诊断性计划修订功能,在评估十种LLM骨干模型时, consistently 优于现有基线。 研究揭示多源链接是主要瓶颈,表明可靠零售智能体需显式跨源编排,代码和数据已公开。
FlashRT-PAI 是一款基于模型硬件流水线协同设计的低延迟推理引擎,旨在解决视觉语言动作模型中由系统级开销主导的延迟瓶颈。 它通过深度算子融合、执行契约和状态胶囊机制,在 RTX 5090 和 Jetson AGX Thor 上实现 1.3-3.7 倍加速(匹配精度)及最高 12.66 倍加速(低精度)。
Google 与 Meta 开源合作推出 TorchTPU,作为 Google TPU 的原生 PyTorch 后端,实现模型的原生执行与无缝迁移。 它通过 eager 执行优化、torch.compile 集成及硬件加速,提供具有行业竞争力的推理和训练性能。
M-JEPA 提出一种掩码感知执行架构,在不改变 JEPA 学习目标的前提下重构训练流程,显著提升 GPU 效率。 该架构分离了掩码无关计算与掩码依赖路由,支持共享上下文编码器、稀疏目标编码器及掩码补丁嵌入。 在 NVIDIA A100 GPU 上,M-JEPA 实现最高 1.7 倍端到端训练加速(2-10 个掩码),高稀疏度下补丁嵌入加速达 4.75 倍。
该讲义为硕士课程第一部分,共101页,通过经典算法展示数值线性代数在PDE求解、网络排名及数据同化中的核心地位。 内容涵盖范数、稀疏矩阵、共轭梯度法、GMRES及多重网格等主题,配套Python代码可复现数值插图。作者使用Claude Opus 5辅助参考文献识别与图形优化,并对所有内容负全责。
RoundPipe 提出一种新流水线调度方案,打破权重绑定限制,在多张消费级 GPU 上实现 LLM 高效微调。 在 8 张 RTX 4090 上微调 1.7B 至 32B 模型,速度提升 1.48–2.16 倍。 支持 Qwen3-235B 模型在 31K 序列长度下进行 LoRA 微调;已开源为 Python 库。
summary_zh: MetaBeta 是一种预训练摊销模型,能在前向传播速度下返回广义线性混合效应模型(GLMM)的渐近精确后验分布,且完整先验和模型规范在测试时作为上下文提供。
DIET 是一种无需训练的结构化剪枝方法,在 Gemma-2 2B 模型 20% 稀疏度下,平均准确率较 SliceGPT 提升 2.1 个百分点,较 PuDDing 提升 9.2 个百分点。 该方法使用每个任务 100 个样本激活幅值,通过多数投票构建全局掩码,并在 7 个零样本基准测试上验证了其在 2B 和 9B 模型上的有效性。
GaMF-PINN 通过门控机制学习何时信任低保真模型,在 MFPDE-Bench 上比标准 HF-PINN 少 8 倍高保真求解。 该方法结合了基于差异的样本复杂度界 $\kappa^{2\gamma}$ 与函数级保形程序,在低保真模型受干扰时仍保持鲁棒性。 解决了传统方法在低保真模型误导时失效且缺乏不确定性保证的问题,并发布了 MFPDE-Bench 开源基准。
LOFT通过低维特征子空间实现机器遗忘,仅需预训练模型的一次特征获取,无需重复访问原始数据或更新整个模型。该方法优化小型投影矩阵,实验证实其在多种模型和数据集上显著降低计算开销并提升遗忘性能,代码已公开。
AutoTailor 是首个实现边缘设备端到端 SuperNet 自适应模型部署的自动化框架。 该框架通过计算图引导编译自动将用户提供的 ML 模型转换为 SuperNets,并引入无学习延迟与准确率预测器。 相比 SOTA 方法,AutoTailor 将 SuperNet 构建代码量减少 10.8–34.5 倍,预测器剖析时间减少 2.2–11.5 倍。
论文提出基于扩散模型先验的集成采样算法,避免贝叶斯逆问题中的启发式近似。 算法利用预训练得分函数推导修正 PDE,结合序贯蒙特卡洛方法模拟后验分布,并证明误差可被训练误差和粒子数界定。 在成像逆问题实验中,该方法重构精度优于现有基于扩散模型的技术。
研究提出 GBRL 框架,将梯度提升树(GBT)的强项应用于强化学习任务,以解决神经网络在结构化特征和类别特征上的挑战。 该框架通过连续交错树构建与环境交互来克服传统 GBT 库的局限性,在结构化观察领域性能优于神经网络,并保持对分布外样本的优越鲁棒性。 论文已被 ICML 2025 会议接收。
研究提出量子哈密顿嵌入,将经典数据编码为参数化哈密顿,通过优化其近似基态实现分类,并在 IBM Heron 处理器上完成大规模验证。 该框架证明了优于经典算法的泛化边界,提供了梯度估计方法,同时支持经典与量子两种推理路径。
研究提出 Polar Switch,通过多项式电路在相同近似精度下,以更低计算成本实现梯度正交化。 相比 Polar Express 和 Gram Newton-Schulz,Polar Switch 在方形矩阵运行时降低 15.5%–18.7%,在矩形矩阵降低 8.6%–16.2%。 在 Qwen3-0.6B 和 Gemma 3-1B 预训练中验证损失表现相当,数值稳定性良好。
CTR 数据干预在六项真实双臂任务中,将最劣状态成功率从 56% 提升至 76%。 该方法支持 Diffusion Policy、Action Chunking with Transformers 及 $\pi_{0.5}$ 等模型,并将任务约束违反率控制在 0-4%。 代码已公开,旨在解决标准模仿学习中因时间调度产生的虚假跨臂耦合问题。
ForagerSim 是一个专注于需要地图推理的具身任务的研究平台和仿真环境,场景涵盖移动机器人搜救及动物觅食。 平台具有高模块化设计,允许独立修改感知(抽象 2D 到 RGB/LiDAR)、规模(房间级到多千米级)、拓扑、动态性及任务等难度维度。 在 8 个示例世界中的对比实验表明,当感知简化为 2D 时,学习策略在简单拓扑下表现优异,但在大型或复杂环境中落后于人类表现,证实地图推理是关键瓶颈。
论文提出Skill-RSI协议,利用Claude Code离线编写并冻结具身智能体技能。在7个RoboTwin 2.0任务中,成功编译4个任务,单次技能编写成本为4.29至8.22美元。 冻结技能在新布局下保持148/150成功率。使用DeepSeek-flash调用时,单集成本低至0.00028美元。继承式修复在8/8受控实验中优于从头重写。
LowNet 提出一种含 24 个可学习标量的循环小波神经网络,求解 Poisson 方程时具备线性计算复杂度。 网络由 4 个 5x5 内核组成,残差循环设计在 10000 张图像测试中,1 至 3 次循环的 PSNR 分别为 47.27、74.14 和 100.74 dB。 该紧凑格式可部署于大多数设备,适用于计算流体力学、图像重建、生物医学工程及电磁场模拟等领域。
lepidoptera 是一个支持异构变量类型结构因果模型仿真的开源 R 和 Python 包。 该包采用类型化机制架构,内置库覆盖连续、分类和有序变量组合;利用 Vine Copula 估计联合依赖结构,支持个体级反事实传播以区分 ITE 和 ATE。 扩展层允许预拟合模型作为生成机制,适用于临床试验和流行病学等场景。
研究利用 OpenStreetMap 建筑几何与 Sentinel-2 多光谱数据,通过 Random Forest 模型检测工业屋顶光伏系统。 开发了交互式 Web 原型,支持按需获取最新卫星观测,并通过质量指标提示预测可信度或需人工核验。 该框架证明开源中分辨率数据可有效弥补高分辨率图像在监测成本与更新频率上的缺口。
研究团队提出 Halcyon 模型,证明无需互联网规模语言预训练即可实现强文本到图像生成。 Halcyon-0.52B 在 gFD 指标上以 48.0 优于 LlamaGen-XL/8 的 63.3,预训练计算量减少 18.2 倍;Halcyon-1.6B 以 35.3 gFD 超越 JiT-T2I-XXL/8++ 的 41.0,计算量减少 275 倍。
KronLSTM 是一种基于 Kronecker Delta Rule 的线性注意力架构,扩展了 xLSTM 家族。它通过最小侵入式记忆修正机制,减少了对已存储信息的干扰,使其特别适用于长上下文语言建模。实验表明,KronLSTM 在长上下文基准测试中表现优于现有线性注意力架构,包括 (Gated) DeltaNet 系列模型。其代码和模型已开源。
DPGR-GCAM 提出了一种通信高效的联邦域泛化框架,旨在解决边缘网络中视觉语言模型(VLM)部署的延迟与客户端漂移问题。 该框架采用双参数高效微调(PEFT)架构,并设计信道感知分层传输机制以截断负载;通过梯度冲突感知调制(GCAM)在低维特征流形中解决优化冲突。实验表明,在 10% 客户端参与率及信道衰落场景下,DPGR-GCAM 显著提升了跨域泛化能力并维持收敛。
该研究提出六条款可靠性契约,测得 Spring AI 在 77 个适用案例中满足 72 个,LangChain4j 满足 47 个。 基于 HTTP 边界的 725 行核心实现使三者行为一致,在 91 个案例中满足 90 个,调用延迟中位数为 32-217 微秒。
Paloma 框架通过相位条件残差调制,在 12 个数据集上实现了 SOTA 和鲁棒的预测性能。 该框架包含 Phase Rotation 和 Amplitude Scaling 模块,并作为通用插件(Paloma technique)集成到现有模型中。 论文已被 NeurIPS 2026 接收为 spotlight,代码已公开。
summary_zh: EasyResearch 及其桌面应用开源发布,为不编程的研究人员提供回归、时间序列预测和信号分类的无代码诚实分析核心。 在9个回归数据集测试中,该工具最终评分偏差仅为-1.0 R²,而常规方法在纯噪声上高估至0.27;预测任务中其选中模型未来误差比随机洗牌交叉验证低14%。
研究人员发布 MLFont 框架,通过机器学习优化 Web 字体切片策略,在 20 个网站基准测试中实现 1.56 倍至 6.09 倍的冷缓存加速。 该框架采用三阶段流程,结合 Online LDA 或 DNNTM 与遗传算法,在 CJK 字体上使 3G 单字延迟降低 56.7% 至 75.3%。
研究团队推出 TCMScience,一个将语言模型建议与执行权限分离的中医药科学发现自主智能体。 其架构包含信任内核与科学编译器,能力注册表涵盖 29 个领域的 444 个类型化操作及 12 个领域的 150 个原生工具。 在治理消融实验中,双层控制机制使 121 类构建错误中的误报率从 121 降至 0,仅保留 10 个合规对照组。
反馈式 LLM 优化器易陷入原理级搜索坍塌,在 161 次评估中 78.3% 出现坍塌迹象。 引入多样性注入(如提高温度)效果有限,分子优化中 73.8% 仍获坍塌支持。 基准与诊断协议为评估未来优化器原理级坍塌提供了基础。
summary_zh: 作者提出 SELECTBENCH 基准,评估生成模型在基于结构的药物设计(SBDD)中的选择性,以应对现有模型忽视脱靶交互的问题。 该基准提供三种评估任务,量化了包括选择性训练模型及推理时引导技术在内的九种代表性 SBDD 模型的表现。
WIDE 框架结合 Token 级动态宽度剪枝与 GPU 内核协同设计,显著提升 LLM 推理效率。 在 50% 路由稀疏度下,Llama3.1-8B 准确率较动态基线提升 20.26 分;Qwen3-14B 经 LoRA 微调后保留 97.6% 生成性能。 实现预填充最高 1.68 倍、解码 1.55 倍的端到端加速,代码已开源。
ProtSent 提出一种对比后训练框架,通过在三种生物关系上同时监督蛋白质语言模型,解决了 mean-pooling 序列嵌入未优化近邻几何的问题。 该框架应用于 ESM-2 (35M/150M) 和 ESM-C (300M),在 SCOPe-40 上将 35M 模型的调整兰德指数从 0.054 提升至 0.507,且无需结构数据即可训练。
summary_zh: open-sci-ref-0.02 发布了 0.13B-1.7B 参数规模、覆盖 9 个参考数据集的开源 Transformer 模型族,支持最高 1T token 预算的训练与评估。
掩码扩散模型的不确定性解码策略引发刚性边界偏差和琐碎符号偏差,限制模型推理能力。 研究提出 Uncode 解码校准框架,利用两个互补先验重塑全局解码轨迹并促进内容信息量。 在 7 个推理密集型基准上,Uncode 比现有策略性能提升超过 7%,表现接近同参数自回归模型。
Bilibili 发布开源小语言模型 Index-1.9B 系列,含 Base、Pure、Chat 和 Character 四个版本,其中 Base 模型在基准测试中平均得分 64.92。
WeAct 提出将权重级内部动作引入智能体动作空间,利用冻结主干上的独立 LoRA 适配器实现按需能力组合,有效避免共享参数更新导致的灾难性遗忘。在八个深度研究基准上,基于 Qwen3-32B 的 WeAct 平均准确率较全量微调提升 6.2%,较最强静态 LoRA 合并方法提升 27.5%。该方法支持模块化持续适应,更新特定适配器时无需改动主干及其他适配器。
论文提出 WildAWM 管道,利用开源模型合成支持 GUI、MCP 和 CLI 的可控环境,并合成 341 个长程任务对。在合成世界中训练的 Qwen 模型在 8 个分布外基准测试中实现显著提升,展示了该环境生成方法在计算机使用智能体训练中的泛化能力。
推荐理由:论文提出 WildAWM 管道,通过开源模型合成支持多接口的高难度计算机使用环境,解决了任务生成中的可解性与验证难题。
提出 HarnessPro 方法,通过递归自我改进优化 AI Agent harness,在 Terminal-Bench 2 等基准上实现性能与成本平衡。 结合 GPT-5.5 与 Codex,heavy 模式平均通过率提升 2.0 个百分点,单次任务成本较 RHO 降低 26.1%。
预注册实验显示,当关键事实不可重新观测时,截断上下文窗口导致低成本推理模型成功率降至随机水平,与可重查情境的失败率差 92.5 个百分点。在 ARC-AGI-3 基准测试中,摘要旧轮次而非直接丢弃可恢复 63 分差距的 86%,且回放模型先前推理可进一步提升性能。