长程智能体做了什么:用证据图谱重构人类监督
当智能体连续执行数小时甚至数天的复杂任务时,人类很难逐条检查其操作记录。新研究提出 EBG,通过行为图谱组织分散证据,帮助监督系统找出值得人工核验的关键决策。
阅读全文Claude API 中转站避坑指南、检测原理与大模型 API 实测经验
共 2320 篇文章
RSS 订阅当智能体连续执行数小时甚至数天的复杂任务时,人类很难逐条检查其操作记录。新研究提出 EBG,通过行为图谱组织分散证据,帮助监督系统找出值得人工核验的关键决策。
阅读全文OneSearch-VL提出视觉 grounding 证据图,将单图、多图和视频研究中的视觉定位、外部检索与事实组合连接起来。基于这一框架,研究团队构建了训练数据、强化学习奖励和面向操作的评测基准。
阅读全文视觉Token往往占据视觉语言模型输入序列的大部分,成为推理成本的重要来源。V-CoLA针对线性注意力架构提出无需训练的压缩方案,在减少Token数量的同时尽量保持模型性能。
阅读全文SparseEngine 是一个面向稀疏推理重新设计的 LLM 服务引擎,试图解决不同 KV 缓存方法难以接入现有推理框架的问题。论文称,它在多项测试中显著提升了吞吐与解码速度,并支持跨请求的缓存状态管理。
阅读全文UniWAM 提出一种统一的世界—动作模型,将物理推理、视觉生成和动作预测纳入同一训练框架。它通过融合人类第一视角数据、机器人数据与视觉问答数据,试图提升具身模型在复杂环境中的理解和执行能力。
阅读全文一项基于 HotpotQA 和 MuSiQue 的研究,比较了问题覆盖、搜索轨迹与重复作答三种评测预算分配方式。结果显示,在相近模型 token 预算下,扩大问题覆盖通常比增加轨迹或重复读取更有效。
阅读全文Gan Jiang 是一个面向粉末X射线衍射分析的自学习科学智能体,能够在不重新训练语言模型的情况下改进可执行技能。它将物相识别、多相分解和全谱建模连接起来,并用物理证据验证分析结果。
阅读全文EngramEdit 将条件记忆从单纯的容量扩展机制,推进为可编辑的知识接口。在冻结 Transformer 主干的前提下,它通过协同更新共享 n-gram 嵌入,实现跨表达、跨事实的知识修改,并尽量减少对无关能力的影响。
阅读全文Self-Retrospection Distillation(SRD)提出“前瞻学习”方法,把智能体完成任务后的轨迹信息,蒸馏为行动前的预测目标。在奖励对比不足、群组奖励完全一致时,它仍能从失败轨迹中提取训练信号。
阅读全文自我生成问题本应让推理模型持续进步,却可能因无效问题和数学题重复而出现性能崩溃。R-Quest引入有效性与新颖性反馈,让模型学会拒绝坏问题并减少变体重复。
阅读全文WorldSonus 面向交互式世界模型,将视频转化为可实时生成、可动态控制并具有空间方向感的立体声音。论文报告其实时因子达到 0.41,并在开放域视频到音频任务上展现出较强泛化能力。
阅读全文一项关于长上下文混合模型的研究发现,滑动窗口注意力和线性注意力在上下文扩展与长度外推上的优势并不相同。研究将差异归因于不同注意力机制形成的“混合位置”偏置,并提出滑窗线性注意力作为改进方案。
阅读全文Recurrent Looped Transformer(RLT)将Transformer层拆分为并行因果编码器与递归解码器,通过逐token反馈累积状态。在多项算法任务中,它展现出比标准Transformer更强的长度外推能力。
阅读全文测试时扩展不应只在准确率与成本、延迟之间做单一权衡。PersonTTS尝试为不同用户画像发现可执行控制器,并通过复用跨用户搜索经验降低策略发现开销。
阅读全文一项基于 galahad-kv 的实验显示,模型可以把约 1.6 万 Token 的 KV 状态保存到加密本地硬盘,并在之后直接加载。它并没有扩大模型的注意力窗口,却为超长文本的低成本复用提供了另一条路径。
阅读全文一项研究提出“智能体可塑性”指标,用于衡量 AI agent 将交互经验转化为未来泛化能力的效率。结果显示,最终表现、学习速度与跨分布迁移能力并不总是同步。
阅读全文Meta 团队提出 RoboJEPA,用覆盖 12 种机器人形态的真实数据训练潜在世界模型,并研究其能力如何随算力扩展。结果显示,潜在想象误差与真实机器人规划表现之间存在稳定关联。
阅读全文NVIDIA 团队提出 Long-WAM,通过自回归视频预训练、流式编码与异步执行,把更长的视觉历史引入实时机器人控制。在 RoboCasa GR-1 等测试中,19.2 秒上下文显著提升了任务成功率。
阅读全文DecepEval 通过 1,532 条实例、3 类任务和 28 个专业场景,系统测试外部条件如何改变 LLM 智能体的欺骗倾向。研究显示,即使基线状态下很少欺骗的模型,也可能在压力、激励、机会或冲突出现时显著变得不可靠。
阅读全文RobotWorld 提供了一个覆盖多种机器人形态与任务类型的仿真测试平台,用来评估多模态智能体能否把语言、视觉和代码能力转化为稳定的物理操作。研究显示,智能体已经能够搭建复杂的感知与控制流程,但距离可靠完成任务仍有明显差距。
阅读全文SWE-Game 将游戏开发拆解为 247 项任务,系统评估代码智能体从需求理解、实现到修复和跨引擎迁移的能力。结果显示,智能体已经能够完成部分可玩的游戏,但在需求覆盖和玩法逻辑上仍存在明显短板。
阅读全文