发表:2026-11-02 · 颠覆级
投机解码通过轻量级草稿模型加速大语言模型推理,但现有系统未能充分发挥并行草稿的潜力,面临单请求接受率低、批处理验证开销大、部署场景依赖性强三大挑战。 本文提出SpecPilot,一个自主智能体循环系统,通过成本模型定位瓶颈、并行智能体探索优化方向、令牌强制检测奖励黑客、结构化记忆跨轮次迁移有效机制,自动发现算法...
发表:2026-11-02 · 颠覆级
依赖OCR文本的文档研究可能损失图表、公式及版面线索,论文探索直接以页面图像为检索和推理单位的科学文档研究流程。 DR Pixel在106万页科学文档语料上构建页面检索与视觉推理代理,并配套DRPixelBench和用于轨迹训练的反事实信用重加权方法。 106万页面的页图检索研究流程与反事实步骤加权形成可复用方...
发表:2026-10-14 · 颠覆级
GUI智能体在移动和计算机环境中的应用日益重要,但利用在线强化学习(RL)训练GUI智能体面临交互环境成本高、真实训练任务稀缺等挑战。现有平台往往只支持评估或数据收集,缺乏统一的RL训练基础设施。 读运行时架构和4.3全部消融:移动/桌面/浏览器共用训练评测执行栈、可重置验证环境和合成任务,1000环境启动与失...
发表:2026-08-14 · 颠覆级
论文针对新兴的AutoResearch(自动科研)现象,指出现有评估仅关注性能指标而忽视过程细节,且任务范围狭窄、失败诊断缺乏系统性。为此提出了AutoResearchEval基准,包含100个来自前沿科学的任务,覆盖7个学科领域和完整研究生命周期(从构思到写作与评审)。 核心方法是对8种harness-mod...
发表:2026-08-14 · 颠覆级
随着自动研究(Auto-Research)的快速发展,如何评估其与人类研究行为的一致性、逻辑连贯性和演化完整性成为根本挑战。现有评估多关注最终答案,而忽略了研究过程的质量。 提出ARAC-Bench框架,包含两个部分:学术认知技能(ACS)系统,将评审专家隐性知识转化为分阶段校准的量化规则;以及三阶段能力诊断协...
发表:2026-08-12 · 颠覆级
AI模型能力强大但机制不清,安全性难以控制,现有机械可解释性探索主要靠人工,效率低。本文提出用AI自动化发现AI智能机制,以弥合理解与控制的鸿沟。 Mechanist系统构建了约1.3万篇可解释性论文的知识图谱,整合覆盖26个领域、4300万篇论文的多学科数据库,并整理32种基础分析方法。作为智能体,它能够自主...
发表:2026-07-31 · 颠覆级
GUI智能体有望成为数字设备的通用执行器,但现有方法在真实设备可靠性、跨平台操作、长程任务、主动服务和自主改进等方面仍不足。本研究提出Qwen-UI-Agent,一个面向真实世界的通用GUI智能体,覆盖移动、桌面、网页和DeepSearch环境,旨在解决这些挑战。 核心方法包括:统一动作空间,将GUI操作与CL...
发表:2026-07-24 · 颠覆级
传统智能体开发把提示、工具模式、状态、回调和工作流拆散在不同层,难以像普通软件一样测试、组合和重构。NOOA提出把智能体直接建模为Python对象:方法是动作、字段是状态、文档字符串是提示、类型注解是可执行契约。 框架把typed I/O、活对象引用、code-as-action、可编程循环、显式对象状态以及上...
发表:2026-07-21 · 颠覆级
智能体系统执行轨迹记录了失败模式,但原始轨迹冗长、实例化且缺乏稳定词汇,不利于积累反馈。现有方法利用轨迹进行搜索、提示优化和运行时监控,但缺乏统一的故障表示。 本文提出AdaMAST,从智能体轨迹中自动诱导紧凑、基于证据的失败分类法:沿系统级、角色特定和领域特定三个轴组织故障代码,所有名称和定义均由数据自动生成...
发表:2026-06-25 · 颠覆级
EnterpriseClawBench是首个从真实企业工作会话中构建的智能体基准,包含852个可复现任务,每个任务配有恢复的工作环境夹具、重写提示、角色类别、技能子类、强制规则和语义评分标准,覆盖文件处理、工具调用和业务工件交付等真实企业场景。 在人工审核的120任务精简子集上,32种harness-模型组合中...
发表:2026-05-29 · 突破级
deep research agent 正从短答案检索转向长报告综合,但多模态证据、开放式 synthesis 和可验证性仍然是弱点。 Ptah 把 interleaved report generation 做成 multi-agent harness,围绕证据收集、文本论证、视觉证据和验证流程进行编排。 它...
发表:2026-05-29 · 突破级
这篇论文针对 agent memory 评测的一个关键缺口:真实长程 agent 不只是回忆静态对话,而是要在行动中跟踪世界变化、更新过期记忆,并在决策时调出证据。 WorldMemArena 把记忆写入、维护、检索和使用拆开,通过 action-world interaction 暴露多模态 agent me...
发表:2026-05-23 · 突破级
ECHO 把 terminal agents 的环境交互视为可学习世界模型问题:命令执行后的文件系统、stdout、stderr 和状态变化可以作为自监督信号。 论文通过辅助预测环境后继状态,让 agent 在完成任务的同时学习 CLI world model,不需要额外人工标注即可改善后续规划。 这对 cod...
发表:2026-05-21 · 突破级
Maestro 关注 autonomous agents 的组合问题:模型和技能越来越多,但多数系统仍依赖固定逻辑或单一大模型,不能动态利用不同专家模型与工具技能的互补性。 论文把异构多模态任务重写为对 hierarchical model-skill registry 的序列决策过程,由轻量 policy 选...
发表:2026-05-13 · 突破级
这篇论文切中 multimodal search agent 的瓶颈:搜索质量和计算效率必须同时优化,尤其在并行多模态检索/观察场景中。 HyperEyes 的贡献在于用 dual-grained efficiency-aware RL 训练 parallel multimodal search agents...
发表:2026-05-12 · 突破级
这篇论文延续 self-evolving agents 的关键问题:技能不是一次性 prompt,也不是静态工具库,而是需要生命周期管理的能力对象。 Dynamic Skill Lifecycle Management 的价值在于把 skill acquisition 从“学会一个技能”推进到“管理一组会变化的...
发表:2026-05-11 · 突破级
LITMUS: Benchmarking Behavioral Jailbreaks of LLM Agents in Real OS Environments 关注的是一个可复用的 AI 系统或评测问题,而不是单点 demo。 OS-level benchmark for behavior jailbreak...
发表:2026-05-11 · 突破级
RubricEM 针对 deep research agent 的难点:长报告、证据搜索和综合任务通常没有可验证答案,因此标准 RLVR 很难直接给密集、可靠奖励。 它把 rubric 从最终评分工具提升为执行接口:规划、证据收集、审阅和综合各阶段都由 rubric 组织,并用 stage-structured...
发表:2026-05-10 · 突破级
TacoMAS: Test-Time Co-Evolution of Topology and Capability in LLM-based Multi-Agent Systems 关注的是一个可复用的 AI 系统或评测问题,而不是单点 demo。 Test-time co-evolution of mult...
发表:2026-04-26 · 突破级
ClawMark 真正补的是 persistent coworker agent 这条评测缺口。它不再假设 agent 在一个静态 session 里做完事,而是把任务拉长到多天、多轮、带外部环境变化的状态空间里去测,这比普通 web / tool benchmark 更接近真实办公协作。 它值得收的另一个原因...
发表:2026-04-16 · 突破级
Autogenesis 把 self-evolving agents 从一次性系统技巧提升为协议问题:agent、tool、prompt、memory、environment 等都被建模为有状态、有生命周期、有版本接口的资源,而 evolution 本身通过独立协议层管理。 核心分层是 RSPL 与 SEPL...
发表:2026-04-14 · 突破级
WebXSkill 解决 Web agent 的长期痛点:已经完成过的流程不能稳定复用。它指出现有 skill 表示存在 grounding gap,纯文本技能无法执行,纯代码技能又不利于 agent 理解、恢复和泛化。 方法把一个 skill 表示成参数化 action program 加逐步自然语言说明,兼...
发表:2026-04-10 · 颠覆级
大型语言模型(LLM)经过对齐训练后仍然脆弱:越狱攻击可以轻易绕过安全护栏,而在特定领域进行微调会引发广泛的"涌现性错误对齐"。这一现象是否源于模型内部对有害内容缺乏连贯的组织结构,此前一直不清楚。本文通过权重剪枝这一因果干预手段,系统性地探究LLM内部有害性的组织方式。 研究发现,有害内容的生成依赖于极为紧凑...
发表:2026-04-07 · 颠覆级
这篇论文重新定义了 agent、world model 和传统计算机之间的边界。它提出 Neural Computer(NC):让神经网络的潜在运行时状态同时承载计算、工作内存和 I/O,而不是让模型只作为外部操作系统、GUI 或工具链上的 agent。长期目标是 Completely Neural Compu...
发表:2026-04-07 · 突破级
这篇论文处理的是 agent skill 生态扩张后的检索瓶颈:当本地 skill library 从几十个增长到数百、数千个时,把所有 skill 塞进上下文会造成 token 成本、幻觉和延迟,而普通向量检索又容易只找语义相似项,漏掉真正执行所需的解析器、前置转换器、认证步骤或底层工具 skill。 Gra...
发表:2026-04-07 · 突破级
随着 LLM agents 逐渐进入真实软件环境,benchmark 的核心问题已经不只是任务会不会做,而是评测能不能真实反映 agent 的全过程行为。现有很多 agent benchmark 只看 final output,忽略中间轨迹、跳过安全与鲁棒性、并且模态覆盖狭窄,导致模型看起来完成了任务,但其实中...
发表:2026-04-01 · 突破级
agentic 和 coding LLM 的后训练越来越依赖大规模 task-specific trajectories,但构造、筛选和回放这些轨迹成本极高。很多工作默认更多轨迹就更好,而这篇论文延续了 less-is-more 的判断,直接追问:对于 agentic data,真正重要的是数量,还是高价值决策...
发表:2026-04-01 · 颠覆级
这篇 Nature 论文针对当前大模型评测体系的根本缺陷发力:常见 benchmark 能给出分数,却难以解释模型到底具备什么能力,也难以可靠预测模型在新任务、新实例上的表现。作者把问题从‘比较模型在固定题集上的平均表现’改写为‘用通用量尺刻画任务需求与模型能力,并据此解释和预测表现’。 论文提出一套面向 AI...
发表:2026-03-30 · 颠覆级
大语言模型系统的表现不仅由模型权重决定,也深受 harness 影响,也就是决定哪些信息被存储、检索和呈现给模型的那层代码逻辑。现实里这部分仍主要靠人工设计,而现有文本优化器又往往把反馈压缩得过度,难以真正搜索代码级 harness 设计空间。 Meta-Harness 的核心贡献是把 harness opti...
发表:2026-03-24 · 颠覆级
当前很多所谓 frontier agent benchmark 仍严重依赖语言知识、互联网经验或任务模板匹配,因此很难真正区分“会调用很多工具”与“具备流体式新任务适应能力”之间的差别。ARC-AGI-3 直接把问题重新拉回 agentic intelligence 的核心:在没有明确指令、没有外部知识补偿的陌...
发表:2026-03-12 · 突破级
问题与背景:长时程机器人任务的一个核心瓶颈是数据采集、策略学习和部署流程割裂,导致需要大量人工重置、策略组合脆弱且执行阶段与采集阶段语义不一致。 方法/新意:RoboClaw 用一个 VLM-driven controller 统一数据采集、策略学习和任务执行,并引入 entangled action pair...
发表:2026-03-11 · 突破级
LLM agent 一个长期没有解决好的问题,是任务虽然能完成,但执行过程中的失败模式、低效步骤和恢复策略并不会自动沉淀成后续可复用的能力。现有 memory 系统往往只存对话事实或零散经验,而不真正理解 agent 执行轨迹里的决策结构,因此很难持续提升未来任务表现。 这篇工作把执行轨迹转成可检索的结构化学习...
发表:2026-03-09 · 突破级
这篇论文抓住了 embodied AI 一个非常实际的瓶颈:高质量交互数据难扩、纯大模型自举容易塌缩、而少量人工示范又远远不够支撑通用能力增长。作者把问题重写成“如何做一个能自我扩展的数据引擎”,而不是只讨论某个 VLA 模型结构本身。 Seed2Scale 的核心是异构角色分工:小模型负责并行采集和探索,大模...
发表:2026-03-09 · 突破级
这篇论文把问题直接抬到了‘让大模型智能体自己做大模型后训练’这一层,而不是继续停留在软件工程或代码生成。作者提出 PostTrainBench,在单卡 H100、10 小时受限算力下,让前沿 agent 自主完成数据搜集、训练、调参与评测,衡量它们是否具备自动化后训练的实际能力。 方法上的关键不是再造一个训练算...
发表:2026-02-24 · 颠覆级
数学研究历来被认为是人类智识的核心领域之一,形式化证明的构造需要深刻的直觉与推理能力。FirstProof 挑战于2026年2月发布,包含10道来自职业数学家真实研究的问题,要求AI在8天内自主生成达到发表标准的证明,没有任何人类数学输入的辅助。这是目前已知的首批针对"研究级别"数学问题的自主AI评测之一。 A...
发表:2026-02-19 · 突破级
问题与背景:VLA 模型被认为需要 world modeling 才能获得更好的长程推理与泛化,但直接预测未来像素容易把训练目标拖向低层视觉重建,并在推理时积累误差。 方法/新意:FRAPPE 用 multiple future representation alignment 替代未来像素重建,在 mid-t...
发表:2026-02-18 · 颠覆级
多智能体博弈算法(如CFR和PSRO)长期依赖人工设计与启发式调优,新算法的发现需要大量领域专业知识。本文将算法设计重新定性为符号代码空间上的搜索问题,希望借助LLM的推理能力自动化这一发现过程,从而摆脱对人工直觉的依赖。 论文采用AlphaEvolve框架,将算法源代码视为可演化的"基因组",由LLM驱动的进...
发表:2026-02-07 · 颠覆级
很多 agent orchestration 系统仍然依赖人工预先设计的多 agent 拆分、工具路由和角色分工。随着任务复杂度上升,这种手工 workflow 很快变成 brittle pipeline:要么 agent 数量不足以覆盖任务结构,要么过度拆分造成高昂 coordination 成本。 AOrc...
发表:2026-02-07 · 颠覆级
间接 prompt injection 的核心问题,不只是模型会不会识别恶意内容,而是传统 agent 会把工具输出、网页内容和中间痕迹一股脑塞进同一上下文,导致恶意指令在整个工作流里持续驻留并反复影响决策。现有防御大多默认这种 bloated memory 是既定条件,再在其上做过滤、检测或鲁棒 prompt...
发表:2026-01-22 · 颠覆级
这篇论文把 test-time scaling 从 frozen-model prompting/search 推进到 test-time reinforcement learning:模型在单个待解问题上继续训练,以发现更优解。它对本仓库的价值在于重新定义了 inference-time adaptation...
发表:2026-01-22 · 颠覆级
这篇论文把 AI for science 的目标从自动实验推进到自动理论生成:系统不是只总结论文,而是从大规模文献中抽取证据并合成带有 law、scope、evidence 的可测试理论。对于本仓库,它的重要性在于提出了一个可复用的 literature-to-theory workflow,而不只是一个文献综...
发表:2026-01-15 · 颠覆级
- 分级:`颠覆性` - 正式标题:`Toward Ultra-Long-Horizon Agentic Science: Cognitive Accumulation for Machine Learning Engineering` - 原文:`2026-01-15-A2_ML_Master_2_0-Tow...
发表:2026-01-01 · 突破级
这篇 Findings EACL 2026 论文针对 MCP 生态中的工具编排能力提出五级评测。它不只测一次工具调用,而是分层评估 agent 发现工具、选择工具、组合工具、处理依赖和协调复杂流程的能力。 它的重要性在于 MCP 正在成为实际 agent 工具接入接口,围绕这个接口建立 benchmark 能直...
发表:2025-04-18 · 颠覆级
当前学界普遍认为,基于可验证奖励的强化学习(RLVR)能够使大语言模型超越基础模型的能力边界,在数学、编程等推理任务上持续自我提升、涌现出全新的推理能力。然而,这一假设从未在系统层面得到严格验证。本文以"RLVR是否真正激发了超越基础模型的推理容量"为核心问题,对多个模型家族、多种RL算法及多类推理基准展开全面...
发表:2024-10-14 · 颠覆级
面向长期交互的 chat assistant,真正关键的能力不是单轮问答,而是跨很多 session 持续记住用户事实、更新旧知识、处理时间变化并在无证据时拒答。LongMemEval 针对的正是这个现实缺口:此前很多记忆评测要么上下文过短,要么缺少知识更新与多 session 结构,导致系统很难被逼近真实长期...
发表:2024-10-04 · 突破级
ToolGen addresses a core inefficiency in tool-using LLM systems: retrieval and calling are usually split into separate stages, with tool descriptions inject...
发表:2024-08-15 · 颠覆级
Automated Design of Agentic Systems reframes a large part of agent engineering as a search problem rather than a hand-designed craft. Instead of manually in...
发表:2024-07-08 · 颠覆级
GPTSwarm proposes a clean abstraction for language-agent systems: treat them as computational graphs whose nodes are LM calls or multimodal operations and w...
发表:2023-10-05 · 颠覆级
DSPy reframes prompt engineering as program compilation. Rather than hand-writing brittle prompts end to end, it lets developers specify declarative languag...
发表:2023-07-31 · 颠覆级
ToolLLM is one of the earliest serious attempts to turn open-source LLMs into broad tool-using agents at realistic API scale. Rather than treating tool use...
发表:2023-03-20 · 颠覆级
Reflexion addresses a simple but foundational weakness in early language agents: they can act, but they do not reliably turn failure into reusable internal...