WebFovea:当模型判断正确,网页点击却错了
WebFovea 在 WebRetriever Challenge 2026 中取得第二名,并指出视觉网页智能体的瓶颈不只在模型推理,也在模型与浏览器之间的执行链路。通过修复解析、执行、反馈和观察环节,同一模型的隐藏集成绩从 31.0 提升至 57.0。
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WebFovea 在 WebRetriever Challenge 2026 中取得第二名,并指出视觉网页智能体的瓶颈不只在模型推理,也在模型与浏览器之间的执行链路。通过修复解析、执行、反馈和观察环节,同一模型的隐藏集成绩从 31.0 提升至 57.0。
阅读全文UltraText Bench针对图像生成模型中的密集视觉文本,提供覆盖中英文、多区域和多难度的评测框架。结果显示,文字清晰度、内容准确性与空间布局并不总是同步提升。
阅读全文QuadTok提出一种基于层次化四叉树的视觉Tokenizer,让图像中复杂区域获得更多表示容量,同时以更粗粒度编码平坦区域。该结构还为自回归图像生成提供了天然的空间组织方式。
阅读全文NAVER AI Lab 提出 DLoop,通过连续执行多个草稿阶段,再一次性验证累积的候选 token,减少目标模型前向计算。在保持无损解码的同时,该方法在多种草稿模型和推测解码方案上带来 5% 至 41% 的墙钟加速提升。
阅读全文TRACE针对MoE语言模型强化学习中的训练路径与Rollout路径不一致问题,用Rollout侧量化结果反向指导训练侧FP4舍入,并通过缓存机制控制额外开销。实验显示,该方法在保持接近BF16 Rollout效果的同时,最高可带来5.4倍Rollout加速。
阅读全文UNREAL提出一种基于冻结大语言模型内部表示的证据选择机制,试图用同一套模块连接语料库检索与长上下文推理。在大规模Wikipedia检索和超长上下文测试中,该方法均取得明显改进。
阅读全文SlimWise 针对 MoE 服务中预填充与解码阶段的不同特性,提出“全模型预填充、剪枝模型解码”的推理方案。该方法复用全模型生成的 KV cache,在 Qwen3.6-35B-A3B 上以 50% 专家剪枝实现最高 1.81 倍解码吞吐提升。
阅读全文微软研究院等团队提出 DiVeR,通过动作表示的分散程度识别轨迹中的关键决策状态,并据此改进 VLA 模型的测试时动作筛选。该方法无需逐步标注或额外环境交互,即可提升机器人任务成功率。
阅读全文NeMo-DCR 面向训练集群与 rollout 集群之间的权重同步,只传输发生变化的参数,并保证接收端与完整检查点加载结果逐位一致。在 1 万亿参数、3% 元素变化的测试中,同步时间从 87.5 分钟降至 2.5 分钟。
阅读全文传统级联式语音助手通常要等用户说完、模型完成判断后,才开始调用外部工具。新研究让系统根据流式语音识别的中间结果提前猜测工具请求,并在后台执行,以减少最终回答的等待时间。
阅读全文网页智能体必须读取第三方页面,却也因此容易受到隐藏指令的操纵。AdvSim2Real在冻结的网页世界模型中,让任务课程、攻击者与智能体共同演化,提升能力与抗注入能力。
阅读全文MiniCorp 将企业内部的多智能体协作与外部市场环境连接起来,试图解决真实企业数据稀缺、隐私受限且缺少反事实记录的问题。它不仅模拟公司运行,还持续生成可回放、可比较的长期经营数据。
阅读全文GUI-HARVEST不更新模型权重,而是围绕模型构建的执行框架持续迭代。它通过截图、动作轨迹和重复运行结果定位故障,并将经过验证的发现转化为可复用的代码修改。
阅读全文一项新基准不再只凭视觉观感评价视频世界模型,而是直接测量其中可观察的物理关系。对8个视频生成模型的测试显示,当前模型在跨物理领域的一致性仍然有限。
阅读全文一项针对软件工程智能体的研究显示,良性监督微调虽然会削弱模型后门,但后续强化学习可能保留甚至放大残余恶意行为。研究还提出 PersistBD,说明攻击者能够有意提高后门穿越开发者后训练流程的持久性。
阅读全文HERMES 提出 Dev-Primitives,将代码、测试和配置等仓库组件与驻留式语言模型绑定,使它们能够理解自身实现、彼此通信并参与修改。实验显示,合理设计智能体运行框架,可能比单纯扩大模型规模更有效率。
阅读全文这项研究提出“个人智能体介导推荐”,让平台推荐系统先生成候选排序,再由掌握跨平台用户历史的个人智能体进行调整。研究同时发布 MediateRec 基准和 PAMO 方法,探索智能体何时应纠偏、何时应相信平台。
阅读全文工具调用代理即使最终达到正确结果,也不代表它曾经基于充分证据采取行动。SafeActBench 的研究显示,代理的主要风险往往发生在真正执行之前,以及多步工作流的依赖管理阶段。
阅读全文科学智能体能力提升后,固定基准容易被“刷穿”。AutoSciBench尝试自动生成并迭代科学任务,让评测集根据模型暴露出的捷径和失败模式持续更新。
阅读全文机器人真实执行动作时,常会受到摩擦、回差、负载变化和机械磨损影响,导致动作偏离视觉语言动作模型的指令。来自浦项科技大学的研究提出一种无需任务标签或奖励的在线自补偿方法,并用 RoboStress 系统测试 VLA 的抗执行误差能力。
阅读全文