1Self-Retrospection Distillation: Turning Post-hoc Experiences into Prior Foresight自我回顾蒸馏:把事后经验转化为事前的预见自己回顧蒸留: 事後の経験を事前の予見に変える104 UPVOTES · HAOXIANG ZHANG ET AL. · SALESFORCE AI RESEARCH · ARXIV 2610.08077Salesforce AI Research proposes training agents to anticipate what a task requires before acting, rather than only from outcome rewards. The paper notes group-relative RLVR objectives lose their signal when every rollout earns the same reward, even though the trajectories still reveal how the agent failed. Its prospective learning setup uses hindsight to supervise foresight predictions made before acting.Salesforce AI Research 提出一种训练方式,让智能体在行动前就预判任务的要求,而不只是从最终结果的奖励中学习。论文指出,当一组采样轨迹拿到相同奖励时,组内相对的 RLVR 目标就失去了学习信号,尽管这些轨迹仍然揭示了智能体是怎么失败的。其“前瞻学习”方案用事后经验来监督智能体行动前做出的预见性判断。Salesforce AI Research は、結果報酬だけから学ぶのではなく、行動する前にタスクが何を要求しているかを予測させる学習法を提案した。論文は、同じグループの試行がすべて同一の報酬になると群内相対の RLVR 目的関数は学習信号を失う一方で、その軌跡自体はエージェントの失敗の仕方を物語っていると指摘する。提案する「予見学習」は、事後の経験を使って行動前の予測を教師信号として与える。
2Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments?Learn2Play Bench:大模型智能体在陌生环境中从经验学习的能力如何Learn2Play Bench: LLM エージェントは未知の環境で経験から学べるか88 UPVOTES · YIBO LI ET AL. · NATIONAL UNIVERSITY OF SINGAPORE · ARXIV 2610.08215Learn2Play Bench tests whether LLM agents learn from interaction, using a set of newly designed text-based games. The authors argue existing benchmarks confound learning from experience with reasoning from knowledge acquired in pretraining, because their tasks either state the rules in the instructions or are already familiar to the models. Because the games are new, agents have to infer the rules by playing.Learn2Play Bench 用一组全新设计的文本游戏,检验大模型智能体能否真正从交互中学习。作者认为,已有基准把“从交互中学习”和“用预训练已有知识推理”混为一谈,因为它们的任务要么在指令里写明了规则,要么模型早已熟悉。由于这些游戏是新设计的,智能体必须通过实际游玩来推断规则。Learn2Play Bench は、新たに設計したテキストベースのゲーム群を使い、LLM エージェントが相互作用から学習できるかを測る。著者らは、既存ベンチマークの課題は規則が指示文に明示されているかモデルが既に馴染んでいるため、経験による学習と事前学習済みの知識による推論を切り分けられていないと指摘する。ゲームが新規であるため、エージェントは遊びながら規則を推論しなければならない。
3UltraText Bench: A Comprehensive Bilingual Benchmark for Evaluating Visual Text Rendering in Image GenerationUltraText Bench:评估图像生成中视觉文字渲染的中英双语综合基准UltraText Bench: 画像生成における視覚テキスト描画を評価する二言語ベンチマーク82 UPVOTES · DEYUAN LIU ET AL. · WESTLAKE UNIVERSITY · ARXIV 2610.09823UltraText Bench measures how well image generators render dense visual text from prompts alone, in English and Chinese. It holds 432 human-reviewed prompts across 24 scene categories and three difficulty levels, split equally between the two languages, each giving exact strings for four to twelve text regions. The focus is sustained accuracy in demanding scenes, now that short-string rendering has improved.UltraText Bench 衡量图像生成模型仅凭提示词渲染密集视觉文字的能力,覆盖中英两种语言。基准包含 432 条经人工审核的提示词,分布在 24 类真实场景和三个难度等级,中英各占一半,每条都为 4 到 12 个文字区域给出确切字符串。随着短字符串渲染水平提升,评测重点转向复杂场景下的持续准确率。UltraText Bench は、画像生成モデルがプロンプトだけで密な視覚テキストをどこまで正しく描けるかを、英語と中国語で測る。人手で確認した 432 件のプロンプトが 24 の実世界シーン区分と三段階の難易度にわたり、英中で均等に配分され、各プロンプトは 4 から 12 のテキスト領域に対して正確な文字列を指定する。短い文字列の描画が改善した今、評価の主眼は難しい場面での精度の持続にある。
4From Traces to Agentic Worlds: Agentic Language World Models for Interactive Environment Simulation从交互轨迹到智能体世界:用于交互环境模拟的智能体式语言世界模型軌跡からエージェント世界へ: 対話環境シミュレーションのためのエージェント型言語世界モデル70 UPVOTES · QUANYU LONG ET AL. · NANYANG TECHNOLOGICAL UNIVERSITY SINGAPORE · ARXIV 2610.06100The paper proposes agentic language world modeling, in which a world model agent acts as the environment for a task agent instead of rebuilding an executable replica. Its Trace2Env framework is learning-free, for cases where the original system is unavailable but historical interaction traces remain, turning them into a reusable stateful simulation. The aim is cheaper training and evaluation of LLM agents.论文提出“智能体式语言世界建模”:不去重建可执行的环境副本,而是让一个世界模型智能体充当任务智能体所处的环境。其 Trace2Env 框架无需训练,面向原系统已无法访问但留有历史交互轨迹的场景,把这些轨迹重建为可复用、带状态的模拟环境。目标是降低训练和评测大模型智能体的成本。論文は、実行可能な環境の複製を作り直す代わりに、世界モデルのエージェント自身がタスクエージェントの環境として振る舞う「エージェント型言語世界モデル」を提案する。枠組みの Trace2Env は学習を必要とせず、元のシステムにはアクセスできないが過去の対話軌跡は残っている状況を想定し、その軌跡を再利用可能で状態を保つシミュレーションへ組み直す。狙いは LLM エージェントの学習と評価を安く済ませることにある。
5TokenRouter: Efficient Serving System for Token-Level LLM RoutingTokenRouter:面向 token 级大模型路由的高效服务系统TokenRouter: トークン単位の LLM ルーティングを効率的に提供するサービングシステム60 UPVOTES · TIANYU FU ET AL. · TSINGHUA-NICS-EFC · ARXIV 2610.12242TokenRouter is a serving system for routing inference between language models at the token level. Session- and query-level routing is already common in production, while recent algorithmic work reports that finer token-level routing yields larger efficiency and quality gains. The authors argue current systems assume a single model and so hit severe step desynchronization and frequent batch admission problems.TokenRouter 是一个在 token 粒度上把推理请求路由到不同大模型的服务系统。会话级或查询级的粗粒度路由已在生产系统中普遍采用,而近期的算法研究表明,更细的 token 级路由能带来更大的效率和质量收益。作者指出,现有系统都假设只服务单一模型,因此会出现严重的步进不同步和频繁的批次准入问题。TokenRouter は、推論をトークン単位で複数の言語モデルに振り分けるサービングシステム。セッション単位やクエリ単位の粗い振り分けは既に実運用で広く使われており、近年のアルゴリズム研究はより細かいトークン単位の振り分けが効率と品質の双方で大きな利得を生むと報告している。著者らは、既存システムが単一モデルを前提とするため、ステップの同期ずれやバッチ受け入れの停滞が深刻になると指摘する。
2026-10-08 · THURSDAY · 13:15 PDT
1nanoMuse: An Open-Source Personal Agent for Every Device You OwnnanoMuse:覆盖你所有设备的开源个人智能体nanoMuse: 手元のあらゆる端末で動くオープンソースの個人エージェント81 UPVOTES · GUANGYI LIU ET AL. · ZHEJIANG UNIVERSITY · ARXIV 2610.08699A report from Zhejiang University argues the personal agent is a kind of software rather than a model, and offers nanoMuse as an open counterpart to Meta's Muse. It frames the category in five questions and three horizons, reading how Muse is assembled from accounts, devices, lasting memory and the standing to speak first. Muse itself is closed and runs in one vendor's cloud.浙江大学的这份报告主张,个人智能体是一类软件而非一个模型,并提出 nanoMuse 作为 Meta 的 Muse 的开源对应物。报告用五个问题和三个阶段来界定这一品类,并剖析 Muse 如何由账号、设备、长期记忆以及主动开口的权限组合而成。Muse 本身是封闭的,运行在单一厂商的云上。浙江大学の報告は、個人エージェントはモデルではなく一種のソフトウェアであると論じ、Meta の Muse に対するオープンな対応物として nanoMuse を示す。五つの問いと三つの段階でこの領域を定義し、Muse がアカウント、端末、持続する記憶、そして自ら話し出す裁量からどう組み立てられているかを読み解く。Muse 自体は閉じており、単一ベンダーのクラウドで動く。
2DecepEval: A Benchmark for Evaluating Deception in LLM AgentsDecepEval:评估大模型智能体欺骗行为的基准DecepEval: LLM エージェントの欺瞞を評価するベンチマーク64 UPVOTES · YIMING XU ET AL. · XI'AN JIAOTONG UNIVERSITY · ARXIV 2610.07967DecepEval is a benchmark for measuring deception in LLM agents, with 1,532 instances across 3 task families and 28 professional scenarios. Drawing on classical fraud theory, the authors propose an LLM Deception Diamond framework to characterize the conditions under which agents turn to deception. Earlier evaluations showed agents can deceive but tested isolated scenarios.DecepEval 是一个衡量大模型智能体欺骗行为的基准,包含 1532 个实例,覆盖 3 类任务和 28 种职业场景。作者借鉴经典舞弊理论,提出“大模型欺骗菱形”框架,用以刻画智能体更容易转向欺骗的条件。此前的评测虽已证明智能体会欺骗,但多局限于孤立场景。DecepEval は LLM エージェントの欺瞞を測るベンチマークで、3 つのタスク系統と 28 の職業的場面にまたがる 1,532 件の事例を収める。著者らは古典的な不正理論を踏まえ、エージェントが欺瞞に傾く条件を整理する「LLM 欺瞞ダイヤモンド」の枠組みを提案する。従来の評価もエージェントが欺けることは示していたが、場面が孤立していた。
3Questioning the Questions: Sustaining Self-Evolution in Reasoning Models质疑问题本身:让推理模型的自我进化持续下去問いを問い直す: 推論モデルの自己進化を持続させる63 UPVOTES · JINYUAN LI ET AL. · HUANG'S INTELLIGENCE LAB · ARXIV 2610.04299A study of self-evolving reasoning models traces why successive rounds of self-training collapse. Two faults recur in the questions models write for themselves: invalid questions grow more common each round, and answer-consistency filtering raises their share of the training data further. Existing diversity controls also leave repeated variants of the same math problems.一项针对自我进化推理模型的研究,追查了连续多轮自训练为何会导致性能崩塌。模型自己出的题目反复出现两类问题:无效题目随轮次增多,而基于答案一致性的过滤反而进一步提高了它们在训练数据中的占比;此外,现有的多样性控制手段仍会留下同一道数学题的重复变体。自己進化する推論モデルを調べた研究が、自己学習を繰り返すと性能が崩れる理由をたどった。モデルが自ら作る問題には二つの欠陥が繰り返し現れる。無効な問題はラウンドを経るごとに増え、答えの一貫性による絞り込みはその割合をさらに押し上げる。既存の多様性制御でも、同じ数学問題の言い換えが残ってしまう。
4GRACE: Generation-aware latent compression for efficient video generationGRACE:面向高效视频生成的生成感知隐空间压缩GRACE: 効率的な動画生成のための生成を意識した潜在圧縮62 UPVOTES · JIYOUNG KIM ET AL. · KAIST AI · ARXIV 2610.10524GRACE, from KAIST AI, compresses video-diffusion latents while keeping a pretrained Diffusion Transformer usable. Heavily compressed autoencoders cut token counts and speed generation up, but higher compression ratios hurt reconstruction, and the extra channels needed to recover it slow the transformer's convergence. The compressed latent also stops matching what the transformer was trained on.来自 KAIST AI 的 GRACE 在压缩视频扩散隐变量的同时,让预训练的扩散 Transformer 仍能继续使用。高倍压缩的自编码器可以减少词元数量、加快生成,但压缩率越高重建质量越差,而为补回质量所需的额外通道又会拖慢扩散 Transformer 的收敛。压缩后的隐变量也不再与该 Transformer 训练时所用的分布相符。KAIST AI の GRACE は、学習済みの Diffusion Transformer をそのまま使えるようにしたまま、動画拡散の潜在表現を圧縮する。強く圧縮したオートエンコーダはトークン数を減らし生成を速めるが、圧縮率を上げると再構成が劣化し、それを補うために増やしたチャンネルが Transformer の収束を遅らせる。圧縮後の潜在表現は、Transformer が学習した分布とも合わなくなる。
5VepAgent: Bridging Causal-Transition via Tool-Augmented Reinforcement Learning for Video Event PredictionVepAgent:以工具增强强化学习衔接因果转变,预测视频中的事件VepAgent: ツール拡張型強化学習で因果的遷移を橋渡しし動画の出来事を予測する52 UPVOTES · QIUTONG CHEN ET AL. · UCSC-VLAA · ARXIV 2610.06293VepAgent is an agentic framework for video event prediction that pairs causal-transition reasoning with tool-augmented reinforcement learning. Multimodal LLMs lean on retrospective summarization and text-centric priors, which limits their ability to bridge causal transitions they never observed. Rather than projecting trajectories from past dependencies, the method models the logical progression explicitly.VepAgent 是一个用于视频事件预测的智能体框架,把因果转变推理与工具增强的强化学习结合起来。多模态大模型依赖事后总结和以文本为中心的先验,难以补上未被观察到的因果转变环节。与以往从历史依赖关系被动外推轨迹的做法不同,该方法显式地建模事件的逻辑推进。VepAgent は、因果的遷移の推論とツール拡張型の強化学習を組み合わせた、動画の出来事を予測するためのエージェント型フレームワークである。マルチモーダル LLM は事後的な要約とテキスト中心の事前知識に頼るため、観測されなかった因果的遷移を埋めるのが難しい。過去の依存関係から軌跡を受動的に外挿するのではなく、出来事の論理的な進行を明示的にモデル化する。
2026-10-07 · WEDNESDAY · 13:14 PDT
1TRACE: Rollout-Guided Quantization-Aware Training for FP4 Reinforcement Learning of MoE Language ModelsTRACE:以推演为引导的量化感知训练,用于 MoE 语言模型的 FP4 强化学习TRACE: MoE 言語モデルの FP4 強化学習に向けたロールアウト誘導型の量子化対応学習65 UPVOTES · XIN WANG ET AL. · QWEN · ARXIV 2610.07767Qwen researchers introduced TRACE, an FP4 quantization framework for RL post-training of Mixture-of-Experts language models. It lets rollout-side quantization outcomes guide FP4 rounding during training, shrinking the gap between the two execution paths, and caches mantissa and scale data selectively to limit overhead. On four large MoE models it matched BF16 rollout quality with rollouts up to 5.4x faster.Qwen 的研究者提出 TRACE,一套用于 MoE 语言模型强化学习后训练的 FP4 量化框架。它让推演阶段的量化结果来引导训练阶段的 FP4 取整,直接缩小两条执行路径之间的差异,并有选择地缓存尾数与缩放信息以控制额外开销。在四个大型 MoE 模型上,其效果可比拟 BF16 推演,推演速度最高提升 5.4 倍。Qwen の研究者は、MoE 言語モデルの強化学習による事後学習向けの FP4 量子化フレームワーク TRACE を提案した。ロールアウト側の量子化結果を使って学習側の FP4 丸めを導き、2 つの実行経路の差を直接縮めるとともに、仮数とスケール情報を選択的にキャッシュして追加負荷を抑える。4 つの大規模 MoE モデルで BF16 ロールアウトに匹敵する性能を保ちつつ、ロールアウトを最大 5.4 倍高速化した。
2EVISKILL: Grounding Skill Evolution in Replayable EvidenceEVISKILL:让技能演进建立在可重放的证据之上EVISKILL: 技能の進化を再実行可能な証拠に基づかせる36 UPVOTES · YAN ZHOU ET AL. · DEEP GROUP AT JILIN UNIVERSITY · ARXIV 2610.05030EVISKILL lets LLM agents refine reusable skills from experience without touching model weights, by organising execution observations into replayable evidence cards. Each edit is linked to the context that justifies it and checked by re-running that episode, so locally supported corrections are not thrown out with a rejected global revision. It was tested on three interactive benchmarks and six model backbones.EVISKILL 让大语言模型智能体无需改动模型权重,就能从交互经验中打磨可复用的技能,做法是把执行过程中的观察整理成可重放的证据卡片。每条修改建议都与支撑它的上下文相连,并通过重新执行该片段加以验证,因此局部得到支持的修正不会随着被整体否决的修订一起丢弃。该方法在三个交互式基准、六种模型底座上完成了测试。EVISKILL は、実行時の観測を再実行可能な証拠カードとして整理することで、LLM エージェントがモデルの重みを更新せずに再利用可能な技能を経験から磨けるようにする。各編集案はその根拠となる文脈に紐づけられ、該当エピソードを再実行して検証されるため、全体としては却下された改訂に含まれる妥当な修正が一緒に捨てられない。3 つの対話型ベンチマークと 6 種類のモデルで評価した。
3In-Distribution Forcing for Long Video Generation at Test TimeIn-Distribution Forcing:在推理阶段实现长视频生成In-Distribution Forcing: テスト時に長尺動画を生成する手法35 UPVOTES · JEONGWOO SHIN ET AL. · SEOUL NATIONAL UNIVERSITY · ARXIV 2610.03120A Seoul National University team proposed In-Distribution Forcing, a test-time method that extends short-horizon autoregressive video diffusion models to minute-scale clips. It traces long-video drift to a KV-provenance problem, where cached key-value entries themselves go out of distribution, and fixes it by caching each chunk without attending to earlier entries. Drift fell in benchmarks and a user study.首尔国立大学的研究者提出 In-Distribution Forcing,这是一种推理阶段的方法,可把只擅长短片段的自回归视频扩散模型扩展到分钟级长度。他们把长视频的漂移归因于键值来源问题,即缓存中的键值项本身偏离了训练分布,并用自缓存加以解决:每个片段在缓存时都不去注意更早的键值项。在基准测试和用户研究中,漂移均有所减少。ソウル大学校の研究者は、短尺向けの自己回帰型動画拡散モデルを分単位の長さまで拡張するテスト時手法 In-Distribution Forcing を提案した。長尺動画のドリフトの原因を、キャッシュされた KV 自体が学習分布から外れる「KV の出自」問題として特定し、各チャンクを以前の KV を参照せずにキャッシュするセルフキャッシュで対処する。ベンチマークとユーザー調査の双方でドリフトが減少した。
4From Evidence to Action: How Tool-Using Agents Fail从证据到行动:工具使用型智能体如何失败証拠から行動へ: ツールを使うエージェントはどこで失敗するか34 UPVOTES · HONGZHAN LIN ET AL. · NATIONAL UNIVERSITY OF SINGAPORE · ARXIV 2610.07753A study of tool-using agents finds that correct outcomes often rest on evidence the agent never actually established. Across ten model-harness configurations, strong judgment on static action questions coexisted with much weaker interactive execution: agents stopped investigating too early or acted before the required evidence existed. The authors release SafeActBench, 656 cases across six operational domains.一项针对工具使用型智能体的研究发现,看似正确的结果往往建立在智能体从未真正取得的证据之上。在十种模型与执行环境的组合中,智能体在静态的行动判断题上表现不错,但在实际交互执行时明显更弱:它们或过早结束调查,或在必要证据尚未成立时就动手。作者同时发布了 SafeActBench,涵盖六个运维领域的 656 个案例。ツールを使うエージェントを調べた研究によると、正しい結果であっても、その根拠となる証拠をエージェントが実際には確立していない場合が多い。10 種類のモデルとハーネスの組み合わせでは、静的な行動判断は得意でも対話的な実行は大幅に弱く、調査を早々に打ち切る、必要な証拠が整う前に行動するという失敗が見られた。著者らは 6 つの運用領域にわたる 656 件の事例からなる SafeActBench を公開した。
5LMBuild: Evaluating LLM Agents for Generating Buildable and Functional StructuresLMBuild:评估大模型智能体能否生成可建造且能用的结构LMBuild: 組み立て可能で機能する構造物を生成する LLM エージェントの評価32 UPVOTES · JIATENG LIU ET AL. · UNIVERSITY OF ILLINOIS AT URBANA-CHAMPAIGN · ARXIV 2610.04292LMBuild is a benchmark that asks whether LLM agents can design 3D objects that can be assembled and actually work, not just look right. Objects are part decompositions with joints, materials and assembly order, scored on structural soundness, functional affordance, design quality and physical realization. Across 30 systems, soundness was no longer the bottleneck for frontier models, but function and operability were.LMBuild 是一个基准测试,考察大模型智能体能否设计出真正可以组装并发挥作用的三维物体,而不只是外形好看。物体被表示为带有连接件、材料和装配顺序的零件分解结构,并按结构稳固性、功能可用性、设计质量和物理可实现性打分。在 30 个系统上的评测显示,前沿模型的瓶颈已不在结构稳固性,而在功能与可操作性。LMBuild は、LLM エージェントが見た目だけでなく実際に組み立てられて機能する 3D 物体を設計できるかを問うベンチマークである。物体は接合部、材料、組立順序を伴う部品分解として表現され、構造的健全性、機能的アフォーダンス、設計品質、物理的実現性の観点で採点される。30 のシステムを評価した結果、先端モデルではもはや健全性ではなく機能と操作性が課題だった。
2026-10-06 · TUESDAY · 13:12 PDT
1Native Action-Prior Learning from Videos for World Action Models面向世界动作模型的视频原生动作先验学习世界行動モデルのための動画からのネイティブ行動事前学習79 UPVOTES · ZHAOCHONG AN ET AL. · META · ARXIV 2610.03391NAVA-WAM pretrains a robot action policy directly on observation-only video, instead of first learning visual representations that must later be adapted for control or inferring latent actions that must be grounded to robot commands. The work targets the main limit on world action models, the need for action-annotated robot trajectories.NAVA-WAM 直接在仅含观察画面的视频上预训练机器人动作策略,而不是先学习此后还须适配控制的视觉表征,也不是先推断随后再对齐到机器人指令的潜在动作。该研究针对的是制约世界动作模型的主要瓶颈:对带动作标注的机器人轨迹的依赖。NAVA-WAM は、観測のみの動画からロボットの行動方針を直接事前学習する。制御向けに後から適応させる必要がある視覚表現を先に学ぶ方式や、ロボット命令へ接地させる潜在行動を推定する方式とは異なる。狙いは、世界行動モデルの最大の制約である行動注釈付きロボット軌跡の必要性を外すことにある。
2Science or Slop?: Benchmarking and Mitigating Scientific Slop in AI-Generated Papers是科学还是垃圾?AI 生成论文中科学垃圾的基准测试与缓解科学かスロップか: AI 生成論文における科学的スロップのベンチマークと緩和54 UPVOTES · YERIM OH ET AL. · SEOUL NATIONAL UNIVERSITY · ARXIV 2610.00531The authors argue that AI-written papers fail in ways token-based detectors miss: each part looks plausible while the scientific reasoning connecting the parts breaks down. They define six measures across structure, argument and artifacts, and build SciSlopBench from 390 AI-generated papers, mostly in computer science.作者认为,AI 撰写的论文存在基于词元的检测器无法发现的缺陷:各部分单看都说得通,但贯穿各部分的科学推理却站不住脚。他们在结构、论证和产出物三个方面定义了六项指标,并用 390 篇以计算机科学为主的 AI 生成论文构建了 SciSlopBench。著者らは、AI が書いた論文には、トークン単位の検出器では見抜けない破綻があると論じる。各部分はもっともらしく見えるのに、それらをつなぐ科学的推論が崩れているという。構造・論証・成果物の三つの観点で六つの指標を定め、主に計算機科学分野の AI 生成論文 390 本から SciSlopBench を構築した。
3HyperBrowseComp: A Multilingual and Multimodal Stress Test for Web-Browsing AgentsHyperBrowseComp:面向网页浏览智能体的多语言多模态压力测试HyperBrowseComp: ウェブ閲覧エージェント向け多言語・マルチモーダル耐性試験53 UPVOTES · ALHAM FIKRI AJI ET AL. · MOHAMED BIN ZAYED UNIVERSITY OF ARTIFICIAL INTELLIGENCE · ARXIV 2610.03574HyperBrowseComp is a browsing benchmark of 423 hand-written, human-validated questions in 13 languages, each with a concise and publicly verifiable answer. Reaching those answers requires obscure evidence, multi-step clue chains, or reading videos, scanned documents, images and maps. Questions that models could answer without internet access were filtered out.HyperBrowseComp 是一个网页浏览基准,包含 13 种语言、423 道人工撰写并经人工校验的题目,每题都有简短且可公开验证的答案。要找到答案,需要挖掘冷僻证据、沿多步线索追查,或读取视频、扫描文档、图片和地图。那些模型在断网情况下也能回答的题目已被剔除。HyperBrowseComp は、13 言語で人手により作成・検証された 423 問から成るウェブ閲覧ベンチマーク。各問には簡潔で公開検証可能な答えがある。解答には、埋もれた証拠の発見、多段の手がかりの追跡、あるいは動画・スキャン文書・画像・地図の読み取りが必要となる。インターネットなしでモデルが答えられる問題は除外された。
4Pivot-SD: Efficient Self-Distillation for Masked Diffusion Language ModelsPivot-SD:掩码扩散语言模型的高效自蒸馏Pivot-SD: マスク拡散言語モデルのための効率的な自己蒸留53 UPVOTES · SEO HYUN KIM ET AL. · ARXIV 2610.03665Masked diffusion language models face their own credit-assignment problem: a few commitments made during denoising sharply reduce uncertainty over the remaining masked positions and shape much of the response. Pivot-SD is a self-distillation method that trains on those decisive commitments rather than on final text or whole denoising steps.掩码扩散语言模型面临自身特有的信用分配难题:去噪过程中少数几次确定性选择会大幅降低其余被掩码位置的不确定性,并在很大程度上决定最终回答。Pivot-SD 是一种自蒸馏方法,训练信号取自这些关键选择,而非最终文本或整个去噪步骤。マスク拡散言語モデルには独自の信用割り当ての課題がある。ノイズ除去の途中でなされる少数の確定が、残るマスク位置の不確実性を大きく減らし、応答の多くを決めてしまう。Pivot-SD は、最終的な文章や各ノイズ除去ステップ全体ではなく、この決定的な確定を学習対象とする自己蒸留の手法である。
5PDE-JEPA: Predictive Representation Learning of Latent Dynamics Modeling for Parametric PDEsPDE-JEPA:面向参数化偏微分方程的潜在动力学预测式表示学习PDE-JEPA: パラメトリック偏微分方程式の潜在ダイナミクスに対する予測的表現学習52 UPVOTES · ZHENTAO TAN ET AL. · ZHEJIANG UNIVERSITY · ARXIV 2609.34715PDE-JEPA applies predictive representation pretraining to parametric partial differential equations, in place of the reconstruction objectives that have dominated the area. The authors find that predictive representations preserve rich physical information, but that this advantage alone does not deliver accurate field evolution.PDE-JEPA 将预测式表示预训练用于参数化偏微分方程,替代该领域长期主导的重建式目标。作者发现,预测式表示保留了丰富的物理信息,但仅凭这一优势并不足以准确推演物理场的演化。PDE-JEPA は、この分野で主流だった再構成型の目的関数に代えて、予測的な表現の事前学習をパラメトリック偏微分方程式に適用する。著者らは、予測的表現が豊富な物理情報を保つ一方、その利点だけでは物理場の正確な時間発展は得られないと報告している。
2026-10-05 · MONDAY · 13:12 PDT
1RealCompanion: Benchmarking Human Understanding from Reasoning over Longitudinal Real-World ConversationsRealCompanion:以长期真实对话推理衡量对人的理解RealCompanion: 長期にわたる実世界の会話からの推論で人物理解を測る134 UPVOTES · ARMAN BEHNAM ET AL. · QUIS LAB · ARXIV 2610.01780Quis Lab releases a benchmark built from ten real relationships with an AI companion: 27,218 messages spanning up to 120 days. Alongside the conversations it ships four derived files - a profile, a persona, a chat ground truth and a question set - each citing the messages it rests on. Because real records are private, existing benchmarks invent the person and settle in advance what matters.Quis Lab 发布了一个基准,取材于十段与 AI 伴侣的真实关系:27,218 条消息,跨度最长 120 天。除对话本身外,还附带四份派生文件——人物档案、人格设定、聊天标准答案和问题集,每份都标注其依据的消息。由于真实记录涉及隐私,现有基准往往自行编造人物,并预先设定什么才算重要。Quis Lab が、AI コンパニオンとの実在する10組の関係から作ったベンチマークを公開した。期間は最長120日、メッセージ数は27,218件。会話本体に加えて、プロフィール、ペルソナ、チャットの正解、質問集という4つの派生ファイルが付き、いずれも根拠となるメッセージを明示する。実際の記録は私的なものであるため、既存のベンチマークは人物を作り出し、何が重要かを前もって決めてしまっていた。
2Scaling Trajectories for Complex Tasks through Recursive Self-Rewrite通过递归自重写扩展复杂任务的训练轨迹再帰的セルフリライトによる複雑タスクの軌跡スケーリング76 UPVOTES · ZONGXIA LI ET AL. · TENCENT HUNYUAN · ARXIV 2610.02826Tencent Hunyuan proposes Recursive Self-Rewrite, which uses one base model, Qwen-3.8-27B, to find solutions under varied specialized harnesses and then rebuild them as training trajectories that run under a general harness. A planner extracts procedures into runbooks, a critic screens for verifier and solution leakage and guides recursive revision, and an executor follows qualified runbooks in fresh sandboxes.腾讯混元提出递归自重写(RSR):用同一个基座模型 Qwen-3.8-27B 在各类专用脚手架下找到成功解法,再将其重建为可在通用脚手架下运行的训练轨迹。其中规划器把流程提炼为操作手册,评审器筛查验证器泄漏与答案泄漏并引导递归修订,执行器则在全新沙箱中按合格手册执行。テンセント混元が Recursive Self-Rewrite(RSR)を提案した。単一のベースモデル Qwen-3.8-27B を使い、さまざまな専用ハーネス下で成功する解法を見つけ、それを汎用ハーネスで動く学習用の軌跡として再構成する。プランナーが手順をランブックに書き出し、クリティックが検証器や解答の漏れを調べて再帰的な修正を導き、エグゼキュータが合格したランブックを新しいサンドボックスで実行する。
3On-Policy Parameter Update Direction Underlies Generalization in LLM Post-Training在线策略的参数更新方向是大模型后训练泛化能力的根源LLM の事後学習における汎化を支えるのはオンポリシーのパラメータ更新方向69 UPVOTES · SHUFAN SHEN ET AL. · UCAS · ARXIV 2609.36659Earlier work treated the parameter update behaviour of on-policy post-training as a byproduct of the method. This paper asks instead whether one specific on-policy update behaviour can serve as an optimization principle that improves generalization in other paradigms, supervised fine-tuning among them, and reports that supervised fine-tuning updates parameters along consistent directions.以往研究把在线策略后训练中的参数更新行为仅视为训练过程的副产物。本文转而追问:是否存在某一特定的在线策略更新行为,可以作为优化原则,用来提升监督微调等其他范式的泛化能力;文中指出,监督微调会沿着一致的方向更新参数。これまでの研究は、オンポリシーな事後学習に現れるパラメータ更新の挙動を手法の副産物として扱ってきた。本論文は代わりに、特定のオンポリシー更新挙動を最適化の原則として取り出し、教師ありファインチューニングなど他の枠組みの汎化を高められるかを問い、教師ありファインチューニングはパラメータを一貫した方向に更新すると報告している。
4World Action Modeling with Progressive Visual Planning以渐进式视觉规划构建世界动作模型漸進的な視覚プランニングによる世界行動モデリング64 UPVOTES · FEI ZHANG ET AL. · META · ARXIV 2610.02508Meta presents ProWAM, a world action model for robot control that predicts actions together with an ordered sequence of sparse visual sub-goals. World action models usually struggle over long horizons because generating dense video rollouts is inefficient, while predicting a single future frame says nothing about how to progress toward the goal.Meta 提出 ProWAM:一种用于机器人控制的世界动作模型,在预测动作的同时输出一串有序的稀疏视觉子目标。世界动作模型在长时程任务上通常表现吃力,因为生成密集的视频推演效率太低;而只预测单帧未来画面,又无法说明如何一步步接近目标。Meta が ProWAM を発表した。ロボット制御向けの世界行動モデルで、行動と、順序付けられた疎な視覚サブゴール列を同時に予測する。世界行動モデルは長い時間幅で苦戦しがちだ。密な動画のロールアウト生成は効率が悪く、未来の1フレームだけを予測しても目標へどう近づくかは分からない。
5SimuVerity: Benchmarking Agents for Engineering-Grade Simulink Model GenerationSimuVerity:面向工程级 Simulink 模型生成的智能体基准SimuVerity: 技術水準の Simulink モデル生成をエージェントで測るベンチマーク31 UPVOTES · RUIQI ZHANG ET AL. · XI'AN JIAOTONG UNIVERSITY · ARXIV 2610.02304SimuVerity is a benchmark of 101 text-to-executable Simulink model-generation tasks across ten engineering domains. Each task grounds its specification in executable-system profiles and four families of native simulation scenarios, and a hierarchical evaluator checks delivery, executability and engineering qualification before scoring. Existing benchmarks mostly ask only whether a model runs or matches a reference.SimuVerity 是一个基准,包含覆盖十个工程领域的 101 项“文本到可执行 Simulink 模型”生成任务。每项任务都以可执行系统配置和四类原生仿真场景来锚定规格;分层评测器先检查交付、可执行性和工程资格,再进行打分。现有基准多数只看模型能否运行,或是否接近参考模型。SimuVerity は、10の工学分野にまたがる「テキストから実行可能な Simulink モデルへ」の生成課題101件を集めたベンチマーク。各課題は実行可能なシステム・プロファイルと4系統のネイティブなシミュレーション・シナリオで仕様を裏付け、階層的な評価器が成果物の提出、実行可能性、工学的な適格性を確かめてから採点する。既存のベンチマークは、モデルが動くか、参照モデルに似ているかを見るだけのものが多い。
2026-10-03 · SATURDAY · 13:09 PDT
1GraphForge: Training Working Agents with Graph-Anchored Workspace SynthesisGraphForge:以证据图锚定工作区合成来训练实干型智能体GraphForge: グラフに基づくワークスペース合成で実務エージェントを訓練する83 UPVOTES · QISHENG SU ET AL. · UNIVERSITY OF SCIENCE AND TECHNOLOGY OF CHINA · ARXIV 2609.38923GraphForge synthesizes agent training tasks from workspaces of real files, building an evidence graph over their relations so the task statement and its rubrics stay anchored to the files needed to verify them. A revision agent repairs both against the originals before trajectories are collected. Fine-tuning Qwen3.6-27B on 2,169 trajectories raised GDPVal by 65.7 points.GraphForge 从由真实文件组成的工作区中合成智能体训练任务,并在文件关系上构建证据图,使任务描述与评分细则都锚定在验证所需的文件上。采集轨迹前,修订智能体会对照原始文件修复两者。用 2,169 条轨迹微调 Qwen3.6-27B 后,GDPVal 提高了 65.7 分。GraphForgeは実ファイルからなるワークスペースからエージェントの訓練タスクを合成し、ファイル間の関係から証拠グラフを構築することで、タスク記述と評価ルーブリックを検証に必要なファイルに紐づける。軌跡の収集前に、修正エージェントが元ファイルと照らして両者を直す。2,169件の軌跡でQwen3.6-27Bを微調整すると、GDPValは65.7ポイント向上した。
2World Observer: Joint Actor-Observer Generation for Persistent World ModelingWorld Observer:面向持续世界建模的行动者与观察者联合生成World Observer: 永続的な世界モデリングのための行為者・観測者の同時生成71 UPVOTES · HYUNWOOK CHOI ET AL. · KAIST AI · ARXIV 2610.02162World Observer separates observing from acting in a video world model, generating an agent-centric view alongside panoramic observers that watch chosen regions of the scene. Objects that leave the actor's view keep evolving in an observer, so their updated states appear on re-entry. The paper adds world-space metrics and a benchmark for out-of-view dynamics.World Observer 在视频世界模型中把观察与行动解耦:生成以智能体为中心的视角的同时,还生成若干全景观察者来盯住场景中选定的区域。离开行动者视野的物体会在观察者中继续演化,重新进入视野时便带着更新后的状态。论文还给出了世界坐标系下的度量指标和一个视野外动态的基准。World Observerは映像世界モデルで観測と行動を切り離し、エージェント中心の視点と、場面内の選んだ領域を見張る全景観測者を同時に生成する。行為者の視界から外れた物体も観測者の中で変化し続けるため、再び視界に入ると更新後の状態が現れる。論文は世界座標系での評価指標と、視界外のダイナミクスを測るベンチマークも示している。
3A Missing Piece for Trustworthy AI Reviewers: From Benchmarking Rhetorical Robustness to SciCore Review可信 AI 审稿人缺失的一环:从修辞稳健性基准到 SciCore 审稿信頼できるAI査読者に欠けていた一片: 修辞的ロバスト性のベンチマークからSciCoreレビューへ70 UPVOTES · CHENGUANG WANG ET AL. · ARXIV 2609.39027AI reviewers can score the same science differently depending on wording. This work defines rhetorical robustness as stability across content-preserving rewrites plus discrimination across papers, and a benchmark of 1,260 manuscript versions exposes false robustness where low rewrite sensitivity comes with score collapse. The proposed SciCore reviewer blends a whole-manuscript judgment with an extracted science core.AI 审稿人可能因措辞不同而对同一科学内容给出不同判断,因此这项工作把修辞稳健性定义为:在保持内容的改写下保持稳定,同时仍能区分不同论文。RobustReview 基准包含 1,260 个稿件版本,揭示出一种虚假稳健:改写敏感度低的同时,论文之间的评分也趋于塌缩。论文提出的 SciCore 审稿人,把整篇稿件的判断与基于抽取出的科学内核的判断取平均。AI査読者は同じ科学的内容でも言い回しによって判断が変わりうるため、本研究は修辞的ロバスト性を、内容を保った書き換えへの安定性と論文間の識別性の両立として定義する。1,260通りの原稿版から成るベンチマークRobustReviewは、書き換えへの感度が低い一方で論文間のスコアが潰れる「見かけのロバスト性」を暴き出した。提案手法SciCoreは、原稿全体に対する判断と、抽出した科学的中核に基づく判断を平均する査読者である。
4Transformers Stop Thinking Too Early, and a Tiny LoRA Fixes ItTransformer 过早停止思考,一个微小的 LoRA 就能修正Transformerは早々に考えるのをやめる、そして小さなLoRAがそれを直す62 UPVOTES · ZEHAO JIN ET AL. · ARXIV 2609.36585Pretrained transformers use little of their depth to follow chains of references in context: thirteen base models reliably follow only 1.4 to 3.6 lines. A task-trained rank-8 LoRA at a single early layer extends that computation with all model weights frozen, taking Qwen3-8B from 15.5 percent to 99 percent exact accuracy on 24-line chains.预训练 Transformer 只用到很少的深度来追踪上下文中的引用链:十三个基座模型稳定追踪的长度仅为 1.4 到 3.6 行。在某个靠前的层上训练一个秩为 8 的任务专用 LoRA,就能在全部模型权重冻结的情况下延长这一计算,使 Qwen3-8B 在 24 行链上的精确准确率从 15.5% 升至 99%。事前学習済みTransformerは、文脈中の参照の連鎖を追うのに自らの深さをほとんど使っておらず、13種のベースモデルが確実に追えるのは1.4〜3.6行にとどまる。前方の一層に課題特化のrank-8 LoRAを学習させると、モデル重みをすべて凍結したまま計算を伸ばせ、Qwen3-8Bは24行の連鎖で厳密正解率が15.5%から99%へ上がった。
5E-MoE: Enhanced Mixture-of-Experts for Non-Factorized Diffusion Language ModelsE-MoE:用于非分解式扩散语言模型的增强型混合专家E-MoE: 非分解型拡散言語モデルのための強化版Mixture-of-Experts57 UPVOTES · ARSENY IVANOV ET AL. · ARXIV 2609.37533Masked diffusion language models usually factorize their reverse process over positions, capping sample quality in the few-step regime where diffusion beats autoregressive decoding on speed. E-MoE rebuilds that process as a mixture of factorized distributions over a discrete latent from an MoE backbone's routing decisions, adding no active parameters.掩码扩散语言模型通常把反向过程在各个位置上做分解,而这恰好限制了少步生成下的样本质量,正是在这一区间扩散才在速度上胜过自回归解码。E-MoE 改为把反向过程构造成一组分解分布的混合,其依据是 MoE 主干路由决策给出的离散隐变量,且不增加激活参数。マスク拡散言語モデルは通常、逆過程を位置ごとに分解するが、これが少ステップ領域での生成品質を抑え込む。拡散が自己回帰デコードに速度で勝るのはまさにその領域だ。E-MoEは代わりに、MoEバックボーンの経路選択が与える離散潜在変数のもとで、逆過程を分解済み分布の混合として構成し、活性パラメータを増やさない。
2026-10-02 · FRIDAY · 13:13 PDT
1OneStreamer: Unifying Perception, Memory, and Proactive Response in Streaming Video InteractionOneStreamer:在流式视频交互中统一感知、记忆与主动响应OneStreamer: ストリーミング動画対話における知覚・記憶・能動的応答の統合144 UPVOTES · XIANGYU ZENG ET AL. · NANJING UNIVERSITY · ARXIV 2610.01762OneStreamer is a streaming video model that learns to record evidence and to answer through one shared proactive generation process. Its hierarchical caption memory writes time-grounded detail captions and summaries of finished events, which later serve as reusable context so the model never revisits past visual features. The 4B version leads all eight evaluated benchmarks.OneStreamer 是一个流式视频模型,用同一套主动生成过程同时学习记录证据与作答。它的分层字幕记忆会写下带时间标记的细节描述和已结束事件的摘要,之后作为可复用的上下文,使模型无需回看历史视觉特征。4B 版本在所评测的八个基准上全部领先,训练数据来自新构建的百万条流式交互数据集。OneStreamerは、証拠の記録と応答を一つの能動的な生成過程で同時に学習するストリーミング動画モデル。階層的キャプション記憶が時刻に紐づいた詳細説明と完了したイベントの要約を書き残し、それが後から再利用可能な文脈となるため、過去の視覚特徴を読み直す必要がない。4B版は評価した八つのベンチマークすべてで最良となった。
2RSIGame: Autonomous Agentic Game Development with Recursive Self-improvementRSIGame:具备递归自我改进的自主智能体游戏开发RSIGame: 再帰的自己改善による自律エージェント型ゲーム開発78 UPVOTES · WENYI WU ET AL. · RSIGAME · ARXIV 2609.39045RSIGame builds a game and then keeps improving it, pairing a local explore-diagnose-improve loop over the running build with a global loop that preserves the best checkpoint and watches for saturation or regression. Successful development experience is folded back into the generator through training, which lifts Qwen3.8-27B to 61.38 on Godot and 58.53 on Phaser across 140 GameCraft-Bench tasks.RSIGame 先生成游戏,再持续改进:本地循环在可运行的版本上探索、诊断并基于证据修改,由一份不断累积的检查清单指导;全局循环保留最优检查点,并监测长周期开发中的性能饱和或退化。成功的开发经验还会通过训练回灌到生成器中,在 140 项 GameCraft-Bench 任务上把 Qwen3.8-27B 推到 Godot 61.38、Phaser 58.53。RSIGameはゲームを生成した後も改善を続ける。ローカルのループが動作するゲームを探索し、問題を診断して根拠に基づき修正し、グローバルのループが最良のチェックポイントを保持して長期開発での停滞や後退を監視する。成功した開発経験は学習を通じて生成器へ還元され、140件のGameCraft-Bench課題でQwen3.8-27BをGodot 61.38、Phaser 58.53まで押し上げた。
3EVOKE: Eliciting World Knowledge in Agents for Transferable Decision-MakingEVOKE:激发智能体的世界知识以实现可迁移决策EVOKE: 転移可能な意思決定のためにエージェントの世界知識を引き出す70 UPVOTES · YUHAN GUO ET AL. · SHANGHAI JIAO TONG UNIVERSITY · ARXIV 2609.38334EVOKE is a post-training method that pushes an LLM agent to surface world knowledge it already holds instead of training a separate world model. It freezes the environment state and interaction history, then ranks the same candidate actions under alternative goals, so a policy leaning on contextual habits cannot order them correctly. The authors report better transfer across three backbones.EVOKE 是一种后训练方法,目标是让 LLM 智能体把预训练中已习得的世界知识调动出来,而不是额外训练一个世界模型。它固定环境状态与交互历史,让模型在不同目标下对同一组候选动作排序,依赖表层语境习惯的策略就无法排对。作者报告该方法在三种基座模型上都改善了对未见环境的迁移。EVOKEは、別個の世界モデルを学習させるのではなく、LLMエージェントが事前学習で既に内在化した世界知識を引き出させる事後学習の手法。環境の状態と対話履歴を固定したまま、同じ候補行動を異なる目標の下で順位付けさせるため、文脈上の癖に頼る方針では正しく並べられない。著者らは三つの基盤モデルで未知環境への転移が改善したと報告する。
4Beyond Memory: Harnessing Long-Horizon Agents with Explicit Belief States超越记忆:用显式信念状态驾驭长程智能体記憶を超えて: 明示的な信念状態で長期タスクのエージェントを導く67 UPVOTES · YU LUO ET AL. · ALIBABA · ARXIV 2610.01415PoS is an inference-time framework that hands a long-horizon agent an explicit belief state - an estimate of the current world plus the task requirements still unresolved - and maintains it as the work proceeds. It validates that belief for consistency and watches for belief trapping, where the agent keeps acting without progress, then tailors recovery to the pattern. It leads all four benchmarks on three backbones.PoS 是一个推理期框架,为长程智能体构建并持续维护显式的信念状态:既包含对当前世界状态的估计,也包含尚未完成的任务要求。它校验信念的一致性并监测“信念困局”——智能体不断行动却没有实质进展——再按困局类型和未完成要求的类型定制恢复策略。在四个基准、三种基座模型上均取得最佳整体表现。PoSは、長期タスクのエージェントに明示的な信念状態を与え、作業の進行に合わせて維持し続ける推論時のフレームワーク。信念には現在の世界状態の推定と未解決のタスク要件が含まれる。整合性を検証し、行動を続けても目標に近づかない信念の罠を検知して、その型に応じた復帰策を取る。四つのベンチマークと三つの基盤モデルすべてで最良の総合成績を示した。
5Thinking Outside the Box: Can Language Models Rely on External Guidance Selectively?跳出框架思考:语言模型能否有选择地依赖外部指导?枠の外で考える: 言語モデルは外部の助言を選択的に頼れるか61 UPVOTES · MINGHAN WANG ET AL. · SOUTHERN UNIVERSITY OF SCIENCE AND TECHNOLOGY · ARXIV 2609.39578Box^2-Bench holds the model and task fixed while varying how reliable the supplied workflow is, isolating whether a model can take useful guidance and override bad guidance. Frontier models benefit from reliable workflows but stay vulnerable when the guidance misleads. Training on deliberately bad workflows helps: counterfactual fine-tuning improves robustness, outcome-based RL favors helpful ones.Box^2-Bench 固定模型与任务,只改变所提供工作流的可靠程度,以此单独考察模型能否吸收有用的指导、又推翻不可靠的指导。前沿模型能从可靠的工作流中获益,但在指导具有误导性时依然脆弱。用刻意做坏的工作流来训练是有效的:反事实微调提升稳健性,基于结果的强化学习则让模型更愿意采用有帮助的工作流。Box^2-Benchはモデルと課題を固定したまま、与えるワークフローの信頼度だけを変え、有用な助言を取り入れつつ不適切な助言を退けられるかを切り分けて測る。最先端モデルは信頼できるワークフローから利益を得るが、助言が誤っている場合には依然として脆い。意図的に質の悪いワークフローでの学習は有効で、反事実的な微調整は頑健性を高め、結果報酬による強化学習は有用なワークフローの活用に傾ける。