automodel:面向智能体模型发现的技能
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。
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。
提出 OMNIS+ 框架,结合动态神经压缩与自适应量化实现语义 RAN 切片,支持多蜂窝边缘计算。 采用新型“box”量化方案增强抗传输比特错误能力,通过多智能体分布式优化解决 QoS 与队列稳定性约束下的推理精度最大化问题。 相比基线,OMNIS+ 将 QoS 违规概率降低最多 1.75 倍,实现更优的精度-违规权衡。
论文指出主流多模态对齐架构通过压缩时序生成单点嵌入,导致无法区分相同条件下的孪生物理事件。 作者证明时序池化表示随序列增长收敛至稳态,并提出轻量插件模块 CounterPoint。 CounterPoint 通过去除模态时序均值评分帧级跨模态一致性,在四种 SOTA 对齐器上超越现有方法。
研究提出PGU-Decoder统一解码框架,解决路网生成等三类任务分离导致的运维成本问题。 该框架包含先验查询模块和关系图注意力网络,在中国360多个城市的部署中,质量得分超98%,人工验证成本降低95%,更新频率由每周提升为每小时。
summary_zh: L2C 框架通过 LLM 引导进化多智能体工作流,在自动红队测试中显著提升了效率。 该框架在六个配置中将 ASR 提升 1.4 至 4.5 个百分点,同时减少 35.6% 至 37.3% 的平均在线 Token 消耗。
新型循环序列混合器 Kernel Ridge Attention (KRA) 结合学习非线性特征与协方差引导的记忆更新。 通过递归岭回归存储关联,利用 Ornstein-Uhlenbeck 过渡控制保留率,使推理状态大小独立于上下文长度。 在语言建模实验中,KRA 预测质量优于注意力及循环基线模型,并实现高效的分布式训练吞吐量。
GALA提出一种无标签校准方法,通过图库对齐提升EEG视觉解码性能。在THINGS-EEG-2基准上,新用户Top-1准确率从28%提升至67%。该方法在60种评估设置中均为最准无标签方法,平均领先竞争者6.6分。
该贝叶斯方法在 AIMS 竞赛中实现 0.188477 的 Brier ALC,比基准降低 24.6%。 提交代码仅 7,754 字节,单次预测耗时 12.71 微秒。 证明紧凑贝叶斯模型在稀疏反馈下的预测价值。
研究发现,冻结双向模型在82名健康人和43名卒中患者测试中,主要依赖共享的步态相位模式。 移除完整源模态使重建RMSE增加6.90%至11.38%,而参与者间替换仅增加1.68%,且学习不对称性预测POMA分数表现不如基线。 结果表明模型缺乏明确的受试者特异性耦合及额外临床价值。
论文提出 Embodied Graph 和 Relational World Model (RWM),通过稀疏状态抽象解决长时程任务中预测误差累积问题。 RWM 包含任务感知图构造器和图循环状态空间模型,在 Minecraft 实验中成为唯一在预算内获得钻石的方法。 实验还验证了关系状态预测在 Web 智能体决策中的适用性。
平均每次运行约 1000 次 LLM 调用,最长用例达 14,407 次调用、2.13B tokens 和 608 个资产;评测含功能验收、智能体试玩与人类盲测。 结果显示长程 3D 游戏开发远未解决,代码正确性并不决定玩家偏好,公开竞技场已上线。
研究人员发布大规模生物医学基准 TabBioMed,包含 94 个精选公开表格数据集,涵盖电子健康记录、药物发现及单细胞组学等领域。 该基准统一了预处理和评估框架,对 23 个模型进行了测试,发现基础模型在家族层面表现最强,但树模型和多层感知机在成本约束下极具竞争力。 TabBioMed 提供了数据集、代码及结果,为生物医学机器学习的模型选择与方法开发提供了可复现的基准。
研究在8万多个合成驾驶场景中基于PlanT 2.0模型分析发现,注意力机制提供的是相关性而非因果性的物体重要性指示。 注意力方法无法一致识别所有相关物体,且常错误地将对驾驶影响微小的物体判定为相关;其在简单单车道直线场景中表现尚可,但在多车道和路口等复杂场景下准确率显著下降。 这些结果凸显了注意力作为物体重要性代理的局限性,呼吁开发能准确捕捉单个物体对车辆驾驶因果影响的新方法。
研究者提出主导对齐子空间(DAS),主张 Hessian 曲率最高的方向并非优化路径,并证明 DAS 约束训练在低维梯度对齐子空间内即可收敛。 基于物理信息神经网络(PINN)在抛物线、椭圆及双曲算子上的基准测试显示,即使投影 Hessian 病态,DAS 限制训练配合线搜索仍能达到全空间训练效果。
全球银行创新实验室对 10 个 Agentic AI 平台进行九维评估,分数稳定分为三层,并揭示负载特异性优势。 Cronbach's α 高达 0.98 与排名相关性≥0.93,显示演示式评分存在光环效应,建议采用分层协议与可靠性指标。
研究证明 $O(\log |G|)$ 次随机重写足以替代单一表示的重复采样,恢复所有 $|G|$ 次重写提供的信息,且该对数扩展律在一般情况下是最优的。 理论表明,只要模型答案依赖于输入写法,在相同前向传递次数下,将计算预算用于重写输入而非重复采样原始提示词,准确率会显著提升。
论文提出自进化空间推理框架 Space-X,通过执行智能体与控制智能体协同演化,构建连续且可追溯的空间证据链,解决工具增强智能体证据获取目标模糊及语义不一致问题。
该论文提出凭证保留证据传输(WPET)框架,旨在解决 LLM-Agent 技能在上下文变更后复用时的信任与授权问题。框架定义了可废止的复用声称(WRC),将历史证据的适用性判定与真实性区分,并制定了条件保留结果及三值适用性标准。 文章强调 WPET 是一种规范学科而非已实现的验证器,仅贡献形式化问题陈述、设计义务及报告协议,未提供经验性优越性证明或通用 agent 安全证明。
现有联邦 LoRA 方法保留主奇异方向导致响应误差无界,本文提出 RASA 框架解决矩阵最优截断与接收方需求不匹配问题。 RASA 利用对角输入二阶矩执行无中心化 PCA,在 DomainNet-100 上将准确率提升 3.23 个百分点,SuperNI 任务 ROUGE-L 最高提升 8.33。 该框架支持资源、任务和数据异构场景下的高效模型微调,具有即插即用特性。
研究者推出原生权重编辑方法族 HypoLoop,利用实验反馈动态调整参数修正策略。 在涵盖 22 个科学任务的实验中,该方法在 Burgers 数据集上将误差降低 58.80% 至 47.72%,并显著提升了 DIODE 的预测精度。 该方法证明了实验证据能有效塑造模型更新问题本身。
提示词条件化 SDF 让 LLM 相信 prompt 中的虚假事实,其信念深度随训练事实数量呈对数线性增长。该方法成本较低,结合 RL 减少虚假事实口述率在部分评测中接近 SDF。 小模型在常规蜜罐系统提示中常已表现出对 prompt 事实的相信,导致对齐审计实验结果为负面。
VL-DE 提出基于插入机制的变长多模态生成框架,无需填充或显式长度建模即可处理任意状态空间数据。 该框架利用生成器的加性形式开发高阶采样器,并在布局和分子生成任务中验证了有效性。
跨模态框架 MyoECG 通过从心脏磁共振(CMR)向 12 导联心电图(ECG)蒸馏知识,实现仅凭心电图进行心肌病变检测与分型。该模型在 UK Biobank 等 7 个独立数据集的 180 万份 ECG 上验证,检测 AUROC 达 0.800-0.974,优于 5 个预训练 ECG 基础模型。
STRM通过简化状态和统一更新提升了TRM性能。 该模型在Sudoku-Extreme和PPBench上分别比TRM高3.8和8.4分。 它在ARC-AGI-1和2上比已发布的TRM结果分别高5.4和0.5分。
提出无训练判别器 Vanguard,使 2B 模型在 Web、移动端及具身任务上准确率不低于 8B 目标模型,并在 Mind2Web 和 EB-ALFRED 上显著更优。
人类在环的 MLE Agents 在大规模搜索排序器上自主提出并评估模型变更,单次战役运行 1,097 个实验并采纳 325 个,接受率达 29.6%。 该智能体采用并行训练和校准目标来解决反馈延迟与离线指标失准问题,最佳模型在 A/B 测试中使搜索量增加 0.23%,且多探索了人工直觉未涉及的架构变更。
Toaster 通过组合两个线性记忆层并引入激活函数,构建了两层非线性记忆架构,利用目标传播机制更新隐层状态。 在 C4 和 PG19 数据集上,Toaster 的困惑度在所有测试尺寸(0.2B-1.6B)均优于 KDA 并匹敌或优于注意力基线,最大模型三试准确率 51.84%。 在 20K token 长度外推中表现稳定,且比 Titans 快 2.8-5.5 倍,提升了长序列处理效率。
研究人员提出多智能体框架 EVA-RSI,通过构建固定代理考试实现对视频评估器的递归自我改进,无需人工标注即可提供监督信号。 基于 Qwen3-VL-8B 模型,EVA-RSI 在平滑度维度取得最大增益,并在 21 个测试模型中于公共基准动态子集上取得最高分数。 作为强化学习奖励,该评估器提升了生成视频的运动质量并获得了人类偏好。
研究提出三层基准协议,利用 11 个数据集验证智能体生成的协变量,发现 xAI 的 GrokBot 工作区队友在文本及组合特征下于 6/11 和 7/11 数据集中获得更高的 RATE 比率。 协议包含检索合法性过滤、基于 RATE 的异质性验证及编码器合法性检查。研究显示编码器选择显著影响异质性信号,且时间过滤仅能保证检索合法性,无法消除编码器中记忆的未来事实泄露风险。
提出 GUARD 方法,在不改变已部署预测器权重的前提下,通过检索估计校正量并利用部署匹配标签数据学习,解决冻结多模态模型遭遇缺失模态时的校正问题。 基于可交换性假设,GUARD 利用保形风险控制将损失增加超过预设容差概率限制在预设水平,在 9 个冻结模型-数据集对实验中优于盲目校正。 该方法避免了盲目校正常超支的危害预算,保留了大部分校正收益,适用于无法再训练权重的实际部署场景。