内容形态
论文与技术报告：对齐机制、人格可控性、评测方法与能力边界的新发现。
403 条精选近 30 天 403 条共收录 2,998 条
MIT研究团队在Nature发表论文，提出一个机器学习后处理层，从历史数据学习现有预报模型的错误并修正输出，将两周到六周范围的预报准确率翻倍。该模型在ECMWF的季节间预报竞赛中获第一名，首次在该时间范围内稳定超过气候学平均值，并显著改善洪水、寒潮等极端天气预测；模型开源、低成本、可附加于任意预报模型，肯尼亚气象部门已接洽用于改进季风季预报。
推荐理由：这个后处理层可附加于任意预报模型且成本低，肯尼亚气象部门已接洽落地，给出了从论文到实际应用的路径。
Fikri Alfaraby 发布 naughty-judge-replies，一套让 LLM judge 评测解析器出错的回复语料，覆盖 letter、yes-no、json-pass、json-score、grade 五种格式，定位类似 Big List of Naughty Strings。实测显示 promptfoo 0.124.1 factuality 有 4 次错读、closedqa 5 次错读，Opik 与 Inspect AI 的具体计数见表；错读原因包括把 'France)' 中的字母当类别、以末字符 'Y' 判 pass、取首个 JSON 对象及类型强转。
推荐理由：语料逐条实测了 promptfoo、Opik、Inspect AI 的 verdict 解析器，给出错读、猜测、拒绝的具体计数和成因。
一篇 arXiv 论文（arXiv:2610.18613）重新检验了自蒸馏方法 SDPO 与 OPSD 在代码、科学、工具使用和数学推理任务上的表现，发现其相对强化学习（RL）的收益不能稳定泛化到未见问题。作者认为收益主要来自过拟合或迁移既有推理行为，而非有效利用特权信息；自蒸馏梯度与直接优化期望回报的策略梯度对齐较弱。实验覆盖 Qwen3（1.7B-14B）和 OLMo-3-7B，结论是有效利用特权信息改进推理仍是开放问题，代码已开源。
推荐理由：论文在代码、数学等多任务上复测 SDPO 和 OPSD，指出其收益主要来自过拟合而非特权信息，并给出复现代码。
论文提出直接知识图谱交互框架 DKGI，让大语言模型智能体在完整节点与边文件上用 Python 代码自建图谱访问工具，交替执行 shell 搜索与文件检查。在覆盖三个域的基准数据集上，免训练的 DKGI 在每张图上超过最强已发表基线至少 6.7 Hit@1；消融显示多轮编程优于仅用 shell 或预定义图谱工具，轨迹显示智能体会修改代码以扩展搜索或修正错误。代码与数据已公开。
推荐理由：论文给出免训练的图谱搜索框架和跨三个域基准上至少 6.7 Hit@1 的提升，消融还拆解了多轮编程相对固定接口的收益。
论文提出 UniW(A)M，一个基于扩散 Transformer 的混合专家框架，统一动作条件世界建模与多种世界动作模型变体，以共享专家捕捉共同物理动态、原子能力专家跨接口复用。在 LIBERO、RoboTwin 2.0 及三个真实操作任务上，真实世界平均成功率达 88.3%，最强基线为 76.7%；WorldArena 上动作条件世界建模三项任务均领先；PAIR 路由将 OOD 成功率从 63.3% 提至 76.7%，且部署时主干冻结。论文正在 ICLR 2027 评审中，共 34 页。
推荐理由：论文统一了世界模型与世界动作模型的训练，真实操作任务成功率比最强基线高出 11.6 个百分点，并给出 PAIR 的 OOD 数据。
arXiv 论文提出 Steertuning 系统，让机器人从 5 条人类示教在 5 分钟内学会新任务。该系统先在 100 小时带密集标注的自我中心人类交互数据上预训练 400M 参数扩散策略，再对新任务仅做 2 分钟微调（2000 次更新），并在反向采样时用观测最接近部署环境的示教引导动作。在 12 个新环境的 12 项任务上达到 71% 成功率，数据、权重、代码和机器人视频将公开。
推荐理由：原文给出了从人类视频微调机器人策略的完整方法与量化结果，读者可以据此评估少样本示教方案的可行路径。
arXiv 论文提出 ARBITER，一个 35B MoE 智能体验证器，仅凭题面和源码判定候选程序正确性并生成反例作为可检验证据，基于 USACO 2026 构建了 USACO-JUDGE 评测集并用强化学习训练。训练将错误程序上的反例成功率从 40.61% 提升到 62.67%，USACO-JUDGE 二元判定准确率从 71.41% 提升到 87.41%，在代码选择与改进任务上均优于基线；IOI 2026 案例中 ARBITER 引导的改进使 GPT-OSS-120B 在官方提交限制下的期望分数超过金牌线。论文链接 https://arxiv.org/abs/2610.18760v1。
推荐理由：论文给出了反例生成与判定准确率在训练前后的具体数字，可据此评估这类可验证反馈验证器的实际提升幅度。
论文提出 CarryOn，一个面向对象的上下文运行时，把长程 Agent 的上下文围绕可复用任务对象组织，而非依赖交互历史。跨折（fold）维护 carrier 记录并按证据与环境检查修订受影响记录；在 OSWorld 2.0 与 BrowseComp-Plus 上分别提升 5.8% 和 7.0%，token 总量减少 51.9% 和 22.9%。
推荐理由：论文给出在 OSWorld 2.0 和 BrowseComp-Plus 上的涨分与 token 节省数据，可用于评估按任务对象组织上下文这条路线的收益。
Xinyi Wang 等在 arXiv 发布 SEAR（Self-Evolving Agentic Robotics）框架与基准，语言模型智能体通过编写控制代码并在真实与仿真任务中保留有效经验实现自我进化。框架含 code-as-policy、agent-as-policy、auto-research 三种模式，基准覆盖 7 个前沿模型、330 个仿真任务与 5 个真机任务、累计超四年智能体运行时间。主要发现包括任务更难时延长会话更划算、控制代码与共享例程可跨任务和模拟器迁移而任务特定方案不能、真机上智能体设计的练习与新颖人类设计场景存在性能差距，且纯文本模型可媲美可比多模态模型；基准与代码库已开放。
推荐理由：该基准专门设计对照组区分真实学习与重复尝试和运气，并给出跨模拟器与真机迁移的实测发现，方法可复用。
论文提出混合推理 Agent 框架 HybridAgents，用 HybridLink 在统一生成过程中于潜在推理与文本交互间动态切换，并以连续工作记忆跨多轮保存混合上下文。配套 HybridSFT 与 HybridRL 后训练算法，在 3 个模型规模、11 个基准上较前沿 LLM Agent 与 Agent 框架平均提升 10.4%，同时 token 减少 35.5%-54.7%、推理提速 1.8x-2.6x、成本节省 2.7x-3.7x，代码与数据已开源。
推荐理由：论文同时给出统一架构、后训练算法和在 11 个基准上的量化对比，读者可以直接查看 10.4% 提升与成本节省数据的来源。
论文提出 DoubtLess，一种免训练的对比解码方法，用小推理模型分别以简洁和冗长两种提示读取大模型的思维链，将两者 logit 之差按强度缩放后加到大模型每步的 logits 上，引导其生成更短的 CoT。在竞赛数学、研究生级科学和竞赛编程等七个基准上，DoubtLess 将 Qwen3-32B 的 CoT 缩短 31% 而准确率不变，优于五个推理时基线；在自调试编码智能体中每轮思考 token 减少 20%，任务性能不变，还能泛化到另外两个模型家族，并与基于训练的压缩方法叠加使用。行为分析显示其减少重复检查，token 节省大多来自正确答案首次出现在 CoT 之后。代码已开源。
推荐理由：方法无需训练即可压缩推理模型的思维链，并给出七个基准上的量化结果，可与其他推理时压缩手段比较迁移。
论文提出 Tev-Gym 数据集与 PPRS 奖励整形方法，用 1170 个带渐进可验证奖励的任务环境训练出 Tev-27B。该方法把任务进度转成逐步密集奖励，Tev-27B 在 ALE-CM 上 Pass@5 匹敌 GPT-6 Astra 与 Claude Opus 5，并在 Terminal-Bench 3.0/4.0 上超过 GLM 5.2 和 Gemini 3.7 Flash。
推荐理由：论文给出可验证的渐进奖励构造方法，用逐级奖励把长程任务变得可训练，还开源了 1170 个任务环境。
研究者发布 AXIS-Bench 并系统研究演示质量在 VLA 预训练中的用法，基于 5000 条自然次优人类演示和 24 个目标任务，在三个 VLA 内匹配演示与训练预算。结果显示感知方法的片段级条件化在普通行为克隆之外提升平均成功率，条件化偏好 episode 标签而过滤偏好 chunk 标签（因模型而异），恒定标签微调可进一步提升条件化预训练后的平均成功率；真实世界实验中仿真预训练把成功率从 9.6% 提到 31.7%。该基准基于众包仿真演示构建，记录物体与接触状态以便在共享轨迹上重算质量标签，轨迹可回放并支持工作区对齐渲染与自定义真实目标任务。论文：https://arxiv.org/abs/2610.18869v1
推荐理由：论文用 5000 条次优人类演示和 24 个目标任务，系统比较演示质量在 VLA 预训练中的用法，并放出可复算质量标签的 AXIS-Bench。
Thinker Team（Ubtech）发布统一多模态世界模型 Thinker-WM，通过共享的 Unified Dynamics Transformer 联合建模并生成 RGB、度量深度和机器人动作。同一套参数化支持视频-动作联合生成、世界预测、策略推理、逆动力学等多种功能；训练数据约含 2 万小时第一视角视频、1 万小时真机数据和 1 千小时仿真数据，其中约 4 千小时真机数据带对齐深度监督。模型在 EWMBench、WorldOlympiad 和 WorldArena 上排名第一，消融实验验证了动作条件化、几何交互与多功能训练的收益。论文链接 https://arxiv.org/abs/2610.18447v1。
推荐理由：论文把外观、几何和动作放进共享动态表示统一建模，并列出在 EWMBench 等三个评测上的具体排名与训练数据构成。
论文提出 Autonomous Science Bench，包含六项基于已发表生物学、化学和材料科学实验的预算制设计-构建-测试-学习任务，智能体需选择实验批次、获取真实实验室测量结果并交付预测模型。评测设发现与学习两个校准门槛，八种智能体-模型配置共 144 次试验中最好成绩为 67% 通过率，最难任务 24 次仅 3 次成功；部分智能体排名准确但发现的设计少，另一些则相反。版本 0.1 的任务、实验室运行时和公开排行榜已发布。
推荐理由：基准用真实实验室测量而非仿真，双门槛设计能区分发现与学习两类失败，八种配置的实测结果已给出。
论文提出 TextualRL，一种免梯度的强化学习框架，通过修订引导 LLM 智能体行为的文本上下文来适应任务反馈，而不改变模型参数。其核心机制包括以同任务的一组 rollout 为单位的 Groupwise Policy Critique、跨组证据审查提案的 Cross-Group Policy Update，以及由留出验证奖励决定是否采纳的有界文本补丁。在六个基准上对五个目标智能体的评测中，GPT-5.5 和 Qwen3.8-27B 的测试准确率较基座模型平均分别提升 24.4 和 15.3 个百分点。
推荐理由：原文给出了框架机制与六个基准上的分组对比数据，读者可以据此评估这种免梯度上下文更新方法是否值得复现。
arXiv 论文 arXiv:2610.18407 为掩码扩散语言模型引入贯穿深度、可自适应路由的多残差流。双流使验证集重建困惑度较标准残差连接降低 5.71%，外部语料平均降低 5.13%。因果干预显示可见与掩码位置自发形成不同路由模式，角色条件路由训练可恢复双流一半的验证收益，该机制在更大模型规模上同样成立。
推荐理由：论文给出多残差流扩散语言模型的具体改动和 5.71% 困惑度下降数据，并解释了双流分工的机制来源。
arXiv 论文（2610.18408）发现间接提示词注入的线性探针标准评测可被非模型特征通过，仅凭对话位置和文本长度就达到 0.91-0.98 AUROC。作者将无注入对话和形似注入的无害文本作为匹配负样本加入训练数据，在六个开源模型上，默认阈值下对无注入对话的误报率从 41-80% 降至 4-27%，对无害形似文本从 92-98% 降至 3-16%，同时在正常流量阈值下仍能检出中位数 95% 骗过智能体的攻击（不加数据为 91%）。在新应用中误报保持低位，但检出率取决于模型和阈值设定；同一数据也帮助纯文本过滤器。
推荐理由：论文指出注入探针评测可被对话位置和文本长度骗过，并给出用匹配负样本把误报率大幅压低的数据。
arXiv 论文（arXiv:2610.18424）对 15 个语言模型智能体进行了 1,049 场循环赛谈判，发现知道哪一方持有 $100 资金可解释转移金额方差的 47%，而知道请求方仅解释 2%。文中显示最不亏的持有方是拒绝首次请求的一方，其首轮拒绝率与总亏损排序的相关系数为 -0.73；用几乎无拒绝的说服语料微调 Qwen3-8B 使其作为持有方给出资金从 12% 升到 84%，把两个从不亏损的持有方蒸馏进 4B 学生模型则将亏损从 95% 降到 1%。作者建议对持有资源的智能体评测应测试其持有角色表现，包括说服微调之后。
推荐理由：论文给出多智能体谈判中持有方角色对结果的主导性量化证据，并提示对持有资源的 Agent 评测应纳入持有角色与说服微调后的表现。
Hoang Pham 在 arXiv 发表论文（arXiv:2610.18427），提出 Randomized Block Curation（RBC），用随机实验衡量智能体自写 playbook 中各条经验对任务成功的实际影响。将相关经验分组后，在练习任务上随机决定每块是否纳入提示词，用有无某块的成功率差值估计其效果，只保留有效块。跨 2 个记忆系统、3 个模型和 3 个基准，RBC 平均成功率达 66.9，高于全量 playbook 的 55.5、无 playbook 的 54.1 和靠智能体自行判断筛选的 53.8。论文还指出同一流程写出的 playbook 可能有效也可能比无 playbook 低最多 69.6 分，因此需并行维护多个 playbook 并选用在新鲜练习集上表现最佳者。
推荐理由：论文给出量化实验设计，用随机对照衡量 playbook 条目对任务成功率的真实贡献，数字齐全可复现。