不改模型也能提分:StateM 用运行时治理把终端智能体推到95.3%
StateM 把长程智能体的执行过程拆解为持久状态、阶段上下文和可检查的状态转移,在不修改模型权重的情况下显著提升 Terminal-Bench 2.1 成绩。研究还显示,同一套运行时与规则可以迁移到不同模型,并降低高分运行成本。
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StateM 把长程智能体的执行过程拆解为持久状态、阶段上下文和可检查的状态转移,在不修改模型权重的情况下显著提升 Terminal-Bench 2.1 成绩。研究还显示,同一套运行时与规则可以迁移到不同模型,并降低高分运行成本。
阅读全文UI-Mate提出了一套环境驱动的GUI智能体训练流程,并引入基于上下文示范的任务执行机制。其27B模型在OSWorld-Verified上取得77.0%的成绩,展示了开放权重电脑操作智能体的进展。
阅读全文Large Discovery Model 将生成模型与贝叶斯非参数奖励代理结合起来,让 AI 不只提出候选方案,还能根据实验结果和不确定性决定下一步搜索方向。
阅读全文DeepMind团队联合研究者重新设计矩阵乘法指数优化问题,并引入机器学习算法与AlphaEvolve进行搜索,将当前上界从2.371339推进至2.371177。
阅读全文RAG 投毒攻击可能让模型在错误信息面前表现得更加自信,传统基于困惑度和一致性的检测因此容易失效。论文提出 D-SCAN,通过监测生成过程中的文档级注意力熵变化识别潜在攻击。
阅读全文SPARGen 尝试用一个原生多模态生成模型处理多类空间任务,将三维重建、稠密对应和空间推理都转化为由指令驱动的生成问题。它的价值不在于单点任务刷新纪录,而在于让不同空间监督共同塑造同一套表示。
阅读全文OpenAI 正在 macOS 版 ChatGPT 桌面应用中引入 Computer History,让 ChatGPT 和 Codex 能参考用户近期的点击、输入和应用活动。它不像 Windows Recall 那样保存截图,但仍把个人电脑使用痕迹推向了更敏感的 AI 记忆场景。
阅读全文一篇安全研究文章追踪了“token brokers”的兴起:他们从创业公司手中收购未用完的 AI API 额度,再以折扣形式转卖给其他买家。这个市场让推理额度开始具备“准货币”属性,也给云厂商、模型公司和合规团队带来新风险。
阅读全文LiveAnimate 试图解决一个长期矛盾:扩散式人像动画质量高,但生成太慢、记忆开销也会随时长膨胀。该工作把 14B 级视频 DiT 改造成可实时流式推理的系统,并兼顾长序列稳定性。
阅读全文UniSwap 面向说话视频中的身份替换任务,尝试在一个音视频扩散 Transformer 内同时迁移人物外观与声音音色。它的重点不只是生成效果,而是让换脸、换声、口型、动作和时序在流式场景中保持一致。
阅读全文StateFlow 提出一种以“持久3D世界状态”为核心的生成式预演框架,用于电影、游戏、建筑和城市设计等场景。它不再把视频一次性生成完,而是先构建可编辑世界,再围绕状态演化和相机访问进行迭代。
阅读全文一篇新论文把“能否始终不跑题、不自相矛盾”变成了可自动评测的任务。NCP-Bench 显示,即便语言表现很强的模型,在长轮次互动里也很容易失守。
阅读全文VibeLifeBench 试图补上智能体评测中的一个空白:真实生活任务不是一次性问答,而是持续数周、环境不断变化、规则经常没有明说的长期协作。
阅读全文UniMoMo 提出一种后训练压缩框架,把已训练的大型推荐 MoE 模型转换为更小的标准 MoE。它以专家在校准数据上的功能相似性和路由流量为依据,在尽量保持推荐效果的同时降低推理开销。
阅读全文Ex-Omni-2D试图解决一个关键问题:现有能听会说的多模态对话模型,往往缺少“视觉存在感”。它把文本、个性化语音和参考条件下的视频生成整合到同一套对话流程中。
阅读全文一项来自真实图像创作产品的数据研究指出,多轮图像编辑中的“下一步建议”必须看懂当前画面,而不能只依赖聊天文本。论文提出三阶段框架,通过人工意图构建、用户点击反馈强化学习和视觉校验器,显著提升了建议的可用性与一致性。
阅读全文Ouroboros 将智能体的工具、提示词、上下文组装和核心实现纳入可演化范围,并通过经过审查的提交把改进变成后续运行时的一部分。论文称其在 Terminal-Bench 2.1、OSWorld-Verified 和 CL-Bench 上刷新了多项结果。
阅读全文这篇论文提出 U-OPSD:只利用模型自身多次生成结果的一致性来构造伪答案,并在分歧样本上进行自蒸馏。实验显示,该方法在数学推理基准上可稳定提升 Qwen3 等模型表现,并能匹敌或超过带真值监督的方法。
阅读全文SPOT 针对大模型 On-Policy Distillation 中“只看教师局部概率”的不足,提出稀疏探测与结果校准机制。它用有限预算挑选关键位置,再用验证器评分的后续生成结果来重塑蒸馏目标。
阅读全文这篇技术报告提出一种训练期可解释语言模型路线:不是在模型训练后再解释黑箱,而是把可解释性作为训练目标的一部分。其代表模型 Steerling-8B 试图在生成结果、输入 token、概念与训练数据之间建立可追溯关系。
阅读全文这篇工作把“记忆”当成小型工具型代理的补课机制:先从强教师的成功轨迹里提炼结构化经验,再按不同粒度注入给学生模型。核心不是再训练,而是用层级记忆提升小模型完成工具调用任务的成功率。
阅读全文