1The Tasteful Agent: Measuring and Improving Taste in Long-Horizon Tasks有品味的智能体:长程任务中品味的度量与提升The Tasteful Agent: 長期タスクにおける「テイスト」の測定と改善111 UPVOTES · WENBO PAN ET AL. · MICROSOFT · ARXIV 2609.25804Microsoft researchers define an agent's taste as its ability to choose well at forks in long-horizon work, and release Taste-Bench to measure it. Questions are mined automatically from parallel attempts and detours in real trajectories, and the model must pick a direction without seeing what follows. The best frontier model answers 59.7 percent correctly, and a larger reasoning budget does not help.微软研究者把智能体在长程任务分岔点上做出正确选择的能力定义为「品味」,并发布基准 Taste-Bench 来衡量它。题目自动从同一任务的多次并行尝试以及单条轨迹内的绕路中挖掘而来,模型须在看不到后续结果的情况下选择方向。最强前沿模型仅答对 59.7%,且增加推理预算并不能提升准确率。マイクロソフトの研究者は、長期タスクの分岐点で良い選択ができる能力をエージェントの「テイスト」と定義し、それを測るベンチマーク Taste-Bench を公開した。設問は同一タスクの並行試行や1本の軌跡内の回り道から自動的に抽出され、モデルは分岐の先を見ずに方向を選ぶ。最高性能のフロンティアモデルでも正答率は 59.7% にとどまり、推論予算を増やしても精度は上がらなかった。
2GAE: Learning a Geometry-Native Latent Space for 3D-Consistent World GenerationGAE:为 3D 一致的世界生成学习几何原生潜空间GAE: 3D 一貫性のある世界生成に向けた幾何ネイティブ潜在空間の学習38 UPVOTES · JIAHAO LU ET AL. · ARC LAB, TENCENT · ARXIV 2609.24981Tencent's ARC Lab argues that 3D inconsistency in video generation is a representation problem, and reparameterizes a geometry foundation model's features into a compact latent decodable to appearance, depth, cameras and point maps. Holding the generator and training protocol fixed, swapping in this latent cuts FVD by 12.7 percent on RealEstate10K and 23.1 percent on DL3DV, and halves camera-trajectory error.腾讯 ARC Lab 认为,视频生成中的 3D 不一致既是建模问题,更是表征问题,于是把几何基础模型的特征重参数化为一个紧凑潜空间,可同时解码出外观、深度、相机位姿与点图。在生成器与训练流程保持不变的对照实验中,换用该潜空间后,RealEstate10K 与 DL3DV 上的 FVD 分别下降 12.7% 和 23.1%,相机轨迹误差减半。テンセントの ARC Lab は、映像生成における 3D の不整合はモデリングだけでなく表現の問題でもあると主張し、幾何基盤モデルの特徴量を、見え方・深度・カメラ・ポイントマップへ同時に復号できるコンパクトな潜在空間へと再パラメータ化した。生成器と学習手順を固定した比較で、この潜在空間に置き換えると FVD は RealEstate10K で 12.7%、DL3DV で 23.1% 低下し、カメラ軌跡の誤差は半減した。
3All-in-One Multilingual Scene Text Recognition with Script-aware Mixture-of-Experts一体化多语言场景文字识别:文种感知的混合专家模型スクリプト認識型 Mixture-of-Experts によるオールインワン多言語シーンテキスト認識35 UPVOTES · XINGSONG YE ET AL. · FUDAN UNIVERSITY · ARXIV 2609.24058Fudan University researchers built ScriptMoE, a scene text recognizer that shares one visual encoder and replaces the dense decoder with a sparse mixture of experts, routing each image to its top-2 script-aligned experts. It trains on TextMuSS-10M, a synthetic set spanning 10 scripts and 229 languages. Swapping it into PP-OCRv5 lifts multilingual F1 from 65.71 to 80.89, past the best VLM at far fewer parameters.复旦大学研究者提出 ScriptMoE 场景文字识别模型:共享单一视觉编码器,并用稀疏混合专家层替代稠密解码器,由图像级路由把每张图分派给最匹配的两个文种专家,另设共享专家吸收跨文种知识。训练数据为覆盖 10 种文字、229 种语言的合成数据集 TextMuSS-10M。仅把 PP-OCRv5 的识别器替换为 ScriptMoE,端到端多语言 F1 便从 65.71 升至 80.89,以远少的参数量略胜最佳视觉语言模型。復旦大学の研究者は、単一の視覚エンコーダを共有しつつ密なデコーダを疎な Mixture-of-Experts に置き換えたシーンテキスト認識モデル ScriptMoE を構築した。画像単位のルータが各画像を文字体系に対応した上位2つのエキスパートへ振り分ける。学習には10の文字体系と229言語をカバーする合成データセット TextMuSS-10M を用いる。PP-OCRv5 の認識器をこれに差し替えるだけで、多言語のエンドツーエンド F1 は 65.71 から 80.89 へ上がり、最良の VLM をわずかに上回った。
4onPanda: Efficient Annotation of On-Policy Alignment Data for LLMs and Agents via Token-Level CorrectiononPanda:以 token 级修正高效标注大模型与智能体的同策略对齐数据onPanda: トークン単位の修正による LLM・エージェント向けオンポリシー整合データの効率的アノテーション35 UPVOTES · LEI YANG ET AL. · STEPFUN · ARXIV 2609.24983StepFun presented onPanda, an interactive tool for annotating LLM alignment data and agent trajectories, built around token-level correction. The annotator finds the first inappropriate token, then picks a substitute from the model's own candidates or types a replacement; the system truncates everything after it and regenerates from the corrected prefix.StepFun 发布交互式标注工具 onPanda,用于标注大模型对齐数据与智能体轨迹,核心交互是 token 级修正。标注者在阅读模型回复时定位第一个不合适的 token,既可从模型自身的候选 token 中挑选替换,也可自由输入正确文本;系统随即截断其后全部内容,并从修正后的前缀继续生成。「定位—修正—续写」的循环反复进行,直至得到满意回复。StepFun は、LLM の整合データとエージェントの軌跡に注釈を付けるための対話型ツール onPanda を発表した。中核となる操作はトークン単位の修正で、注釈者は応答を読みながら最初の不適切なトークンを特定し、モデル自身の候補トークンから選ぶか、正しい文字列を自由に入力する。システムはそれ以降を切り捨て、修正後の接頭辞から生成を続ける。この「特定・修正・継続」のループを、満足のいく応答が得られるまで繰り返す。
5One to More, More to One: Category-Aware Iterative Expert Training for Software Engineering Agents一生多,多归一:面向软件工程智能体的类别感知迭代专家训练One to More, More to One: ソフトウェア工学エージェントのためのカテゴリ認識型反復エキスパート訓練31 UPVOTES · JIE ZHAO ET AL. · ALIBABA · ARXIV 2609.23377Alibaba researchers target the category see-saw in repository-level software engineering, where pooled agentic reinforcement learning lifts some task categories while regressing others. They train per-category experts, then merge them into one deployable student by label-routed multi-teacher distillation. It resolves 58.04 percent on Pro-618 and 59.00 percent on SWE-bench Multilingual.阿里巴巴研究者针对仓库级软件工程中的「类别跷跷板」问题:混合式智能体强化学习往往在提升部分任务类别的同时让另一些类别退步。他们按类别训练专家模型,让长程强化学习与基于自身已验证成功轨迹的修复式微调交替进行,再通过按标签路由的多教师同策略蒸馏,将各专家整合为一个可部署的学生模型。最终模型在 Pro-618 上的解决率为 58.04%,在 SWE-bench Multilingual 上为 59.00%。アリババの研究者は、リポジトリ規模のソフトウェア工学で起きる「カテゴリのシーソー現象」に取り組んだ。一括したエージェント強化学習では、あるカテゴリが伸びる一方で別のカテゴリが後退してしまう。そこでカテゴリごとにエキスパートを訓練し、長期的な強化学習と、自ら検証済みの成功軌跡を使う修復的ファインチューニングを交互に行う。さらにラベルで振り分ける多教師オンポリシー蒸留で1つの学生モデルに統合した。最終モデルの解決率は Pro-618 で 58.04%、SWE-bench Multilingual で 59.00% となった。
2026-09-22 · TUESDAY · 13:10 PDT
1GameHorizon Suite: Multi-Horizon Data and Evaluation in GameplayGameHorizon 套件:游戏过程中的多时间尺度数据与评测GameHorizon Suite:ゲームプレイにおけるマルチホライズンのデータと評価110 UPVOTES · YIRAN WANG ET AL. · TENCENT · ARXIV 2609.25001Tencent introduces GameHorizon, a data and evaluation suite that measures gameplay ability at different time horizons. It pairs an automated pipeline for multi-horizon instruction annotation with 5,000 hours of AAA recordings from 21 games collected by 100 expert players, plus a benchmark with reproducible offline questions and stepwise online tests. The team evaluated 47 models over more than a million invocations.腾讯推出 GameHorizon,一套衡量模型在不同时间尺度上游戏能力的数据与评测套件。它包含可规模化的多时间尺度指令自动标注流水线、由 100 名专家玩家采集的 21 款游戏共 5,000 小时 3A 游戏录像,以及一个兼具可复现离线测题与逐步在线测试的基准。团队据此评测了 47 个模型,调用次数超过一百万次。テンセントは、異なる時間スケールでのゲームプレイ能力を測るデータ・評価スイート「GameHorizon」を発表した。マルチホライズンの指示文を自動付与するパイプラインに加え、100 人の熟練プレイヤーが収録した 21 タイトル・5,000 時間の AAA ゲーム映像、そして再現可能なオフライン設問と段階的なオンライン検証を備えたベンチマークで構成される。これを用いて 47 モデルを 100 万回超の呼び出しで評価した。
2Transferring the Intelligence of VLMs to Robotic Control将视觉语言模型的智能迁移到机器人控制VLM の知能をロボット制御へ転移する101 UPVOTES · MENG-HAO GUO ET AL. · ARXIV 2609.22966RoboDawn hands robot control to an agentic vision-language model through a compact set of discrete translation, rotation and gripper commands, closing the loop on visual observations. With no task-specific robot training it reaches 53.2 percent success on RoboTwin 2.0 C2R, rising to 73.6 percent with one in-context demonstration against 46.0 percent for the pi 0.5 baseline. It also runs on a real Franka arm.RoboDawn 用一组紧凑的离散平移、旋转与夹爪指令,把机器人控制交给具备智能体能力的视觉语言模型,让模型在闭环中观察、执行并根据结果调整。无需针对任务训练机器人,它在 RoboTwin 2.0 C2R 上的零样本成功率为 53.2%,加入一条上下文示范后升至 73.6%,高于 pi 0.5 基线的 46.0%。该框架同样可驱动真实的 Franka 机械臂。RoboDawn は、並進・回転・グリッパーの離散コマンドという小さな命令セットを介して、エージェント的な視覚言語モデルにロボット制御を委ねる。モデルは現在の視覚状態を観察して次の動作を決め、その結果を踏まえて判断を更新する閉ループで動く。ロボット向けの個別学習なしに RoboTwin 2.0 C2R で成功率 53.2%、文脈内の実演を 1 つ与えると 73.6% に達し、pi 0.5 ベースラインの 46.0% を上回った。実機の Franka アームにも適用できる。
3OmniEdu: Open Foundation Models for Learning and TeachingOmniEdu:面向学与教的开放基础模型OmniEdu:学習と指導のためのオープン基盤モデル66 UPVOTES · HAO LIANG ET AL. · PEKING UNIVERSITY · ARXIV 2609.23088OmniEdu is an open family of K-12 education models at 4B, 9B and 27B. Its instruction-tuning corpus draws on more than 100 educational and general sources organized around subject competence, curriculum grounding, diagnostic reasoning and pedagogical scaffolding, yielding 69,999 examples and 15.96M supervised response tokens. OmniEdu-27B reaches 63.12 percent exact match on K12-Bench and 86.95 percent on EDUMATH.OmniEdu 是一个面向 K-12 教学的开放基础模型家族,发布了 4B、9B 和 27B 三种规模。其指令微调语料取自 100 多个教育与通用来源,按学科能力、课程对齐、诊断推理和教学支架四类能力组织,共得到 69,999 条样本和 1,596 万个监督回答 token。OmniEdu-27B 在 K12-Bench 上取得 63.12% 的精确匹配率,在 EDUMATH 上为 86.95%。OmniEdu は K-12 教育向けのオープンな基盤モデル群で、4B・9B・27B の 3 規模が公開された。指示チューニング用コーパスは 100 を超える教育資料と一般の指示データを、教科の習熟、カリキュラムとの対応、つまずきの診断、教え方の足場かけという 4 つの能力軸で整理したもので、69,999 例・1,596 万の教師応答トークンからなる。OmniEdu-27B は K12-Bench で完全一致 63.12%、EDUMATH で 86.95% を記録した。
4Document Retrieval-Aware Chunking (D-RAC): Universal Retrieval-Aware Ingestion of Enterprise Documents via PDF Normalization and Multimodal Markdown ConversionD-RAC:通过 PDF 归一化与多模态 Markdown 转换实现企业文档的通用检索感知切分D-RAC:PDF 正規化とマルチモーダル Markdown 変換による企業文書の汎用的な検索指向チャンク化48 UPVOTES · UDAY ALLU ET AL. · YELLOW.AI · ARXIV 2609.24220Yellow.ai extends its retrieval-aware chunking to any document format by first normalizing input to PDF, then using one multimodal LLM pass to turn rendered pages into retrieval-optimized Markdown that keeps heading hierarchy and rewrites tables as self-contained prose. Chunk planning then runs over identifiers rather than text, cutting chunking-stage output tokens by 95.7 percent versus agentic chunking.Yellow.ai 把自家的检索感知切分框架扩展到任意文档格式:先将输入统一转换为 PDF,再用一次多模态大模型处理,把渲染后的页面转成面向检索优化的 Markdown,保留标题层级并把表格改写为可独立成立的叙述文字。随后的切分规划只处理标识符而非正文,使切分阶段的输出 token 相比智能体式切分减少 95.7%。Yellow.ai は、自社の検索指向チャンク化フレームワークをあらゆる文書形式に拡張した。まず入力を PDF に正規化し、次にマルチモーダル LLM の 1 パスで描画済みページを検索に最適化した Markdown へ変換する。見出しの階層を保ち、表は単体で意味が通る文章へ書き換える。チャンク計画は本文ではなく識別子の上で行われ、エージェント的なチャンク化に比べて出力トークンを 95.7% 削減した。
5VideoGen-Agent: Reinforcing Video Generation AgentsVideoGen-Agent:用强化学习训练视频生成智能体VideoGen-Agent:強化学習で鍛える動画生成エージェント33 UPVOTES · BINXU LI ET AL. · PRINCETON UNIVERSITY · ARXIV 2609.24997VideoGen-Agent is a multimodal agent trained with multitask agentic reinforcement learning to coordinate augmentation, generation and verification tools across turns. On VABench, a held-out set of 600 prompts covering procedural knowledge, identity, physical consistency and multi-shot structure, it lifts its base text-to-video generator from 56.5 to 75.6, and to 86.1 once the generation tools are upgraded.VideoGen-Agent 是一个多模态智能体,通过多任务智能体强化学习训练,在多轮交互中协调增强、生成与校验工具。在包含 600 条留出提示、覆盖流程性知识、身份保持、物理一致性与多镜头结构的 VABench 上,它把所用的文生视频基座从 56.5 分提升到 75.6 分;更换更强的生成工具后可达 86.1 分。VideoGen-Agent は、マルチタスクのエージェント強化学習で訓練されたマルチモーダルエージェントで、プロンプト拡張・生成・検証のツールを複数ターンにわたって使い分ける。手順知識、人物や物体の同一性の保持、物理的な一貫性、複数ショット構成を含む 600 件の未知プロンプト集 VABench では、土台となる text-to-video モデルの 56.5 点を 75.6 点へ引き上げ、生成ツールを上位版に差し替えると 86.1 点に達した。
2026-09-21 · MONDAY · 13:10 PDT
1CodeMidas: Scaling Agentic Coding RL Environments from Code ItselfCodeMidas:从代码本身扩展智能体编程强化学习环境CodeMidas:コード自体からエージェント型コーディングの強化学習環境を拡張する83 UPVOTES · BOWEN YE ET AL. · XIAOMI MIMO · ARXIV 2609.22068CodeMidas turns functionality already implemented in open-source codebases into executable RL environments for coding agents, using source code as its only task-specific input. Agents write behavioral specs and execution-grounded tests, then filter tasks through repeated rollouts, yielding 5,545 tasks from 3,185 repos in 23 languages; GRPO training lifted MiMo-V2.5 on all five benchmarks, by 17% on ProgramBench.CodeMidas 将开源代码库中已实现的功能转化为可执行的编程智能体强化学习环境,且仅以源代码作为任务专属输入。智能体先编写行为规范和基于原代码执行的测试,再通过执行检查和多次求解采样筛选任务,最终从覆盖 23 种编程语言的 3,185 个代码库中得到 5,545 个训练任务;用 GRPO 训练后,MiMo-V2.5 在全部五个基准上均有提升,其中 ProgramBench 提高 17%。CodeMidas は、オープンソースのコードベースに実装済みの機能を、コーディングエージェント向けの実行可能な強化学習環境に変換する。タスク固有の入力はソースコードのみだ。エージェントが振る舞いの仕様と元コードの実行に基づくテストを作成し、実行チェックと繰り返しの解答試行でタスクを選別する。23 言語・3,185 のコードベースから 5,545 の訓練タスクを構築し、GRPO で訓練した MiMo-V2.5 は 5 つのベンチマークすべてで向上し、ProgramBench では 17% 伸びた。
2IntBMoE: Integrating Block-Level Conditioning into Expert Composition for Full-Participation Mixture-of-ExpertsIntBMoE:将块级条件融入专家组合,实现全员参与的混合专家模型IntBMoE:ブロック単位の条件付けをエキスパート合成に統合した全員参加型の混合エキスパート33 UPVOTES · RAN CHENG ET AL. · ARXIV 2609.21346IntBMoE is a mixture-of-experts design in which every expert contributes to each token while compute and memory stay bounded. A hypernetwork merges each layer's expert pool into composed experts drawn from a small learned codebook of blocks, and a router sends each token to only a few blocks. It beat sparse and dense MoE baselines on image classification and lifted click-through 2.4% in AMap's recommender.IntBMoE 是一种混合专家架构,让每个专家都能为每个 token 贡献知识,同时控制计算和内存开销。每层由轻量超网络把全部专家基底合并成组合专家,这些专家取自一个小型可学习的块码本,路由器只把每个 token 发往少数几个块。它在图像分类上优于稀疏和稠密 MoE 基线,并已全面部署于高德地图的生成式推荐系统,线上 A/B 测试中 UVCTR 相对提升 2.4%。IntBMoE は、すべてのエキスパートが各トークンに寄与しつつ、計算量とメモリを抑える混合エキスパート(MoE)の設計だ。各層で軽量なハイパーネットワークがエキスパート群を合成エキスパートに統合し、それらは学習済みの小さなブロックのコードブックから作られる。ルーターは各トークンを少数のブロックにだけ送る。画像分類で疎・密の MoE ベースラインを上回り、高徳地図(AMap)の生成型推薦システムに全面導入され、オンライン A/B テストで UVCTR が相対 2.4% 向上した。
3OmniVChat: Synthesizing, Benchmarking, and Training for Native Audio-Visual DialogueOmniVChat:原生音视频对话的数据合成、基准评测与训练OmniVChat:ネイティブな音声・映像対話のための合成、ベンチマーク、学習29 UPVOTES · HAOLIN HE ET AL. · QWEN · ARXIV 2609.21465OmniVChat, from Qwen, defines native audio-visual dialogue: an omni model takes a user's audio and video directly, with no text question, captions or speech recognition, and replies in text. The team built OmniVChat-Studio, a multi-agent dialogue synthesizer, plus a five-category benchmark and an RL reward for correctness, efficiency and style that improved Qwen3-Omni-Instruct, even on human-recorded tests.来自 Qwen 团队的 OmniVChat 定义了原生音视频对话任务:全模态模型直接接收用户的音频和视频并以文本回复,无需单独的文本问题、外部字幕或语音识别。团队构建了合成单轮与多轮对话的多智能体数据引擎 OmniVChat-Studio、覆盖五类能力的评测基准,以及兼顾回答正确性、效率和风格的强化学习奖励;用它训练的 Qwen3-Omni-Instruct 在合成与真人录制的测试上均有提升。Qwen チームの OmniVChat は、オムニモデルがユーザーの音声と映像を直接受け取り、テキストの質問や外部の字幕、音声認識を介さずにテキストで返答する「ネイティブな音声・映像対話」を定義した。単発・複数ターンの対話を合成するマルチエージェント型データエンジン OmniVChat-Studio、5 つの能力カテゴリーを測るベンチマーク、正確さ・効率・文体を同時に狙う強化学習の報酬設計を用意し、これで訓練した Qwen3-Omni-Instruct は合成と実録の両方のテストで性能が向上した。
4Designer-RSI: Evolving Procedural Memory from User Traffic for Agentic Graphic DesignDesigner-RSI:从用户流量中演化程序性记忆,用于智能体平面设计Designer-RSI:ユーザートラフィックから手続き的記憶を進化させるエージェント型グラフィックデザイン19 UPVOTES · HONGYANG DU ET AL. · ADOBE · ARXIV 2609.22086Designer-RSI lets a frozen frontier model that operates professional design software through more than 230 tools improve from real use by growing an external memory of natural-language design procedures instead of updating weights. Over five rounds on 1,406 real user briefs, the skill bank grew from 76 to 139 skills and Claude Sonnet 4's execution success on GenEval2 rose from 72.7% to 99.3%, with no human labels.Designer-RSI 让一个参数冻结的前沿模型通过 230 多种工具操作专业设计软件,并借助外部的自然语言程序性记忆从实际使用中持续改进,而无需更新权重。在 1,406 份真实用户需求上进行五轮迭代后,技能库从 76 项增至 139 项,Claude Sonnet 4 在 GenEval2 上的执行成功率从 72.7% 升至 99.3%,全程无需人工标注。Designer-RSI では、重みを固定した最先端モデルが 230 以上のツールでプロ向けデザインソフトを操作し、自然言語で書かれた外部の手続き的記憶を育てることで、重みを更新せずに実際の利用から改善していく。実際のユーザーの依頼 1,406 件で 5 ラウンド回した結果、スキルは 76 から 139 に増え、Claude Sonnet 4 の GenEval2 での実行成功率は 72.7% から 99.3% に上がった。人手によるラベルは使っていない。
5BI-Agent and BI-Bench: Towards Automating End-to-End Business IntelligenceBI-Agent 与 BI-Bench:迈向端到端商业智能自动化BI-Agent と BI-Bench:エンドツーエンドのビジネスインテリジェンス自動化に向けて12 UPVOTES · CHUXUAN HU ET AL. · MICROSOFT RESEARCH · ARXIV 2609.20886Microsoft Research built BI-Bench from question-answer pairs in real business intelligence dashboards to test whether LLMs can answer BI questions end to end, without users first preparing tables, transforms and joins. Frontier LLMs scored below 50%. Its tool-augmented BI-Agent, which splits the work into search, join and transform steps, gained up to 40 points; a post-trained version gained up to 30.微软研究院从真实商业智能(BI)仪表板中提取问答对,构建了 BI-Bench,用于测试大模型能否在用户无需先选表、转换数据和建立关联的情况下端到端回答 BI 问题。前沿大模型的准确率不足 50%。其工具增强的 BI-Agent 将流程拆分为检索、关联、转换等子任务,准确率最多提升 40 个百分点,经 SFT 与强化学习后训练的版本最多带来 30 个百分点的提升。マイクロソフト・リサーチは、実際のビジネスインテリジェンス(BI)ダッシュボードから質問と正解の組を抽出して BI-Bench を構築し、ユーザーが表の選択やデータ変換、結合の設定をしなくても LLM が BI の質問に端から端まで答えられるかを検証した。最先端の LLM でも正答率は 50% 未満だった。検索・結合・変換などの工程に分けて処理するツール拡張型の BI-Agent は最大 40 ポイント、事後学習版は最大 30 ポイントの向上を示した。
2026-09-19 · SATURDAY · 13:09 PDT
1Verifiable Social Reasoning for LLM Assistants面向大语言模型助手的可验证社交推理LLM アシスタントのための検証可能な社会的推論33 UPVOTES · AMIR TAUBENFELD ET AL. · GOOGLE · ARXIV 2609.17496Google's Fuse is a multi-agent simulation that tests how LLM assistants reason about social situations relayed by a user: an agent with a hidden motive interacts with others, then the user asks the assistant to infer the motive, yielding verifiable ground truth. Across 12 LLMs, user relaying and biased framing hurt accuracy, and longer chats did not always help. Fuse and its 21k-example dataset are open-source.谷歌的 Fuse 是一个多智能体模拟框架,用于检验大语言模型助手如何推理由用户转述的社交情境:一个怀有隐藏动机的智能体与其他智能体互动,随后用户请助手推断该动机,从而得到可验证的标准答案。在 12 个大模型上,经用户转述和带偏向的叙述都会降低准确率,而更长的对话并不总能带来帮助。Fuse 及其包含 2.1 万个样例的数据集已开源。Google の Fuse は、ユーザーを介して伝えられる対人関係の状況を LLM アシスタントがどう推論するかを検証するマルチエージェント・シミュレーションだ。隠れた動機を持つエージェントが他のエージェントとやり取りし、その後ユーザーがアシスタントに動機を推測させるため、検証可能な正解が得られる。12 の LLM では、ユーザーを介することや偏った語り方が精度を下げ、会話を長くしても必ずしも改善しなかった。Fuse と 2 万 1,000 件のデータセットはオープンソースで公開されている。
2RetireOPD: Self-Retiring On-Policy Distillation for Agentic Reinforcement LearningRetireOPD:面向智能体强化学习的自退役在策略蒸馏RetireOPD:エージェント強化学習のための自己引退型オンポリシー蒸留26 UPVOTES · YAN YU ET AL. · ARXIV 2609.20784RetireOPD trains multi-turn agents with reinforcement learning plus on-policy distillation from a skill-conditioned teacher, which the student retires on its own once their gap stops shrinking and it reaches a target share of the teacher's success. On 1.5B to 7B Qwen2.5 models, it lifted ALFWorld success over an RL baseline by 14.1% to 18.8% and WebShop accuracy by 11.8% to 19.0%, beating its teacher every time.RetireOPD 在多轮智能体的强化学习中加入来自技能条件教师的在策略蒸馏,当学生与教师的差距不再缩小、且成功率达到教师的目标比例时,学生会自行“退役”这位教师。在 1.5B 到 7B 的 Qwen2.5 模型上,它相对强化学习基线将 ALFWorld 成功率提高 14.1% 至 18.8%,将 WebShop 准确率提高 11.8% 至 19.0%,并且每次都超过了自己的教师。RetireOPD は、マルチターンのエージェントを強化学習で訓練する際に、スキルを条件とする教師からのオンポリシー蒸留を組み合わせ、教師との差が縮まらなくなり成功率が教師の目標割合に達すると、生徒が自らその教師を「引退」させる。1.5B から 7B の Qwen2.5 モデルで、RL のベースラインに比べ ALFWorld の成功率を 14.1〜18.8%、WebShop の正答率を 11.8〜19.0% 高め、いずれの設定でも自らの教師を上回った。
3Reflect, Revise, Reuse: Training-Free Skill Evolution for GUI Agents反思、修订、复用:面向 GUI 智能体的免训练技能演化振り返り、修正し、再利用する:GUI エージェントのための学習不要なスキル進化25 UPVOTES · BOFAN CHEN ET AL. · ARXIV 2609.17653EvoSkill-GUI lets GUI agents improve skills during deployment without training: each skill is a multi-file package of plans, backup localization, recovery rules and past failures, updated in a reflect-revise-reuse loop where an isolated critic diagnoses failed runs and the executor edits specific skill files. It lifted several base models by up to 16.2% on MobileWorld, 6.0% on AndroidWorld and 10.5% on OSWorld.EvoSkill-GUI 让 GUI 智能体无需训练即可在部署过程中改进技能:每项技能都是一个多文件包,包含执行计划、备用定位、故障恢复规则和失败案例,并通过“反思-修订-复用”循环持续更新,由隔离的评审模块诊断失败轨迹,再由执行器修改具体的技能文件。它在 MobileWorld、AndroidWorld 和 OSWorld 上为多个基础模型分别带来最高 16.2%、6.0% 和 10.5% 的提升。EvoSkill-GUI は、GUI エージェントが追加学習なしに運用中にスキルを改善できるようにする枠組みだ。各スキルは実行計画、代替の位置特定、障害からの復旧ルール、失敗事例をまとめた複数ファイルのパッケージで、「振り返り・修正・再利用」のループで更新され、隔離された批評役が失敗した軌跡を診断し、実行役が特定のスキルファイルを編集する。MobileWorld、AndroidWorld、OSWorld で複数のベースモデルの成績を最大でそれぞれ 16.2%、6.0%、10.5% 向上させた。
4Self-Evolving Search Index自我演化的搜索索引自己進化する検索インデックス25 UPVOTES · SANGAM LEE ET AL. · ARXIV 2609.19656SELF-INDEX lets a search index adapt to its retrieval environment without human help: an Optimizer diagnoses retrieval shortfalls, revises the responsible index keys and validates each change, while a Query Simulator probes demands beyond existing queries. It beat prior index optimization methods across corpora and retrievers, and the gains carried over to search agents and agent memory systems.SELF-INDEX 让搜索索引无需人工干预即可适应其检索环境:优化器诊断检索不足,修订相关的索引键并逐一验证每项修改,查询模拟器则探索现有查询之外的需求。在多种语料和检索器上,它都优于现有的索引优化方法,其收益还延伸到了搜索智能体和智能体记忆系统。SELF-INDEX は、検索インデックスが人手を介さずに検索環境へ適応できるようにする枠組みだ。Optimizer が検索の不足を診断して原因となるインデックスキーを修正し、各修正を検証する一方、Query Simulator が既存のクエリを超えた需要を探る。多様なコーパスと検索器で既存のインデックス最適化手法を上回り、その効果は検索エージェントやエージェントの記憶システムにも及んだ。
5Video DeltaNet: A Video-Native Hybrid Attention for Livestream Video GenerationVideo DeltaNet:面向直播视频生成的视频原生混合注意力Video DeltaNet:ライブ配信向け動画生成のための動画ネイティブなハイブリッド注意機構23 UPVOTES · HAOCHENG XI ET AL. · ARXIV 2609.20744Video DeltaNet speeds up video diffusion by pairing local Softmax attention with a bidirectional linear memory updated once per frame, and a staged teacher-alignment recipe adds the new path to pretrained models. Built on MiniMax H3 with eight-step distillation and an optimized SGLang stack, it denoises a 14.3-second 768p video in 6.70 seconds on eight Nvidia B200 GPUs, 14.5x faster than the 50-step dense baseline.Video DeltaNet 将局部 Softmax 注意力与每帧只更新一次的双向线性记忆相结合,以加速视频扩散模型,并通过分阶段的教师对齐方法把这一新路径引入预训练模型。基于 MiniMax H3 构建的版本结合八步蒸馏和优化后的 SGLang 服务栈,在八块英伟达 B200 GPU 上用 6.70 秒完成一段 14.3 秒 768p 视频的去噪,比 50 步的稠密基线快 14.5 倍。Video DeltaNet は、局所的な Softmax 注意と、フレームごとに 1 回だけ更新する双方向の線形メモリを組み合わせて動画拡散モデルを高速化し、段階的な教師整合の手法で新しい経路を事前学習済みモデルに組み込む。MiniMax H3 上に構築し、8 ステップの蒸留と最適化した SGLang の推論基盤を組み合わせた版は、14.3 秒・768p の動画のノイズ除去を 8 基の NVIDIA B200 GPU で 6.70 秒で終え、50 ステップの密な注意のベースラインより 14.5 倍速い。
2026-09-18 · FRIDAY · 13:12 PDT
1DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache CompressionDeepSeek-V4.1-Flash:挑战 KV 缓存压缩的极限DeepSeek-V4.1-Flash:KV キャッシュ圧縮の限界に挑む53 UPVOTES · DEEPSEEK-AI ET AL. · DEEPSEEK · ARXIV 2609.19969DeepSeek's technical report introduces DeepSeek-V4.1-Flash, a multimodal mixture-of-experts model with 552B backbone parameters and contexts of up to one million tokens. Cross-layer KV cache reuse and FP4 caching cut its in-HBM KV cache to 890 bytes per token, about a quarter of DeepSeek-V4-Flash's, and the model activates 16B parameters per token when decoding and 8B during prefill.DeepSeek 的技术报告介绍了 DeepSeek-V4.1-Flash,这是一款多模态混合专家模型,主干参数量为 552B,支持最长 100 万 token 的上下文。借助跨层 KV 缓存复用与 FP4 缓存,其常驻 HBM 的 KV 缓存降至每 token 890 字节,约为 DeepSeek-V4-Flash 的四分之一;模型在解码时每个 token 激活 16B 参数,在预填充阶段仅激活 8B。DeepSeek の技術報告は、主幹パラメータ 552B、最大 100 万トークンの文脈に対応するマルチモーダルの混合エキスパートモデル DeepSeek-V4.1-Flash を紹介している。層をまたぐ KV キャッシュの再利用と FP4 キャッシュにより、HBM に常駐する KV キャッシュはトークンあたり 890 バイトと DeepSeek-V4-Flash の約 4 分の 1 に縮小し、デコード時はトークンごとに 16B、プリフィル時は 8B のパラメータのみを活性化する。
2SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent HarnessSoL-Pi:递归扩展自动研究循环,构建高效的智能体运行框架SoL-Pi:自動研究ループの再帰的スケーリングによる効率的なエージェントハーネス42 UPVOTES · HAOZHE LIU ET AL. · NVIDIA · ARXIV 2609.20519NVIDIA researchers ran auto-research loops across many environments to improve coding-agent harnesses, keeping four mechanisms for action execution, context compaction, observation handling and delegated reading. On the 51-task EdgeBench, the resulting SoL-Pi harness matched the Pi harness with GPT-5.6 Sol and Opus 5 while cutting token traffic by 44.7 to 49.0 percent and API cost by about a third.NVIDIA 研究人员在大量环境中运行自动研究循环来改进编程智能体的运行框架(harness),最终保留了涵盖动作执行、上下文压缩、观测处理和委托阅读的四种机制。在包含 51 项任务的 EdgeBench 上,由此得到的 SoL-Pi 在 GPT-5.6 Sol 与 Opus 5 上的表现与 Pi 相当,同时将 token 流量减少 44.7% 至 49.0%,API 成本降低约三分之一。NVIDIA の研究者は、多数の環境で自動研究ループを回してコーディングエージェントのハーネスを改良し、行動実行、コンテキスト圧縮、観測の処理、委任読み取りにわたる 4 つの仕組みを残した。51 タスクの EdgeBench で、こうして得た SoL-Pi は GPT-5.6 Sol と Opus 5 において Pi と同等の性能を示しつつ、トークン通信量を 44.7〜49.0% 削減し、API コストを約 3 分の 1 減らした。
3VC-Attention: Value Smoothing and Softmax Casting for Low-bit AttentionVC-Attention:面向低比特注意力的值平滑与 Softmax 转换VC-Attention:低ビット注意機構のための値平滑化と Softmax キャスト35 UPVOTES · XINGYANG LI ET AL. · NUNCHUX AI · ARXIV 2609.15810VC-Attention is a training-free low-bit attention method for video diffusion transformers that tackles both accuracy loss from value outliers and the softmax bottleneck. It clusters value tokens so each hardware block quantizes well and maps scores straight to FP8 probability codes with one fused multiply-add, speeding the attention kernel 1.46x to 1.59x over BF16 FlashAttention-4 on Blackwell and Hopper GPUs.VC-Attention 是一种面向视频扩散 Transformer、无需训练的低比特注意力方法,同时解决值异常值造成的精度损失和 softmax 瓶颈。它通过聚类重排值 token,使每个硬件块都便于量化,并用一次融合乘加将分数直接映射为 FP8 概率编码,在 Blackwell 与 Hopper GPU 上使注意力内核比 BF16 FlashAttention-4 快 1.46 至 1.59 倍。VC-Attention は、動画生成用の拡散 Transformer 向けに学習不要の低ビット注意計算を実現する手法で、値の外れ値による精度低下と softmax のボトルネックの両方に対処する。値トークンをクラスタリングしてハードウェアのブロックごとに量子化しやすく並べ替え、1 回の融合積和演算でスコアを FP8 の確率コードへ直接変換することで、Blackwell と Hopper の GPU 上で注意カーネルを BF16 の FlashAttention-4 より 1.46〜1.59 倍高速化した。
4EvolveTrade: Experience-Driven Policy Refinement for Self-Evolving LLM Trading AgentsEvolveTrade:基于经验的策略优化,打造自我进化的 LLM 交易智能体EvolveTrade:経験に基づく方策改善による自己進化型 LLM トレーディングエージェント31 UPVOTES · SEHEE KIM ET AL. · KAIST AI · ARXIV 2609.17632Researchers at KAIST AI propose EvolveTrade, which treats a trading agent's system prompt as a policy that a separate Policy Agent rewrites after each interval using past decision traces and realized portfolio returns, with the backbone LLM kept fixed. Across several market regimes and two LLM backbones, the evolved policies improved Sharpe ratio and cumulative return over fixed-policy baselines in most settings.KAIST AI 的研究人员提出 EvolveTrade,将交易智能体的系统提示词视为一种策略,由单独的 Policy Agent 在每个更新周期后依据过往决策轨迹和实际投资组合收益加以改写,而底层 LLM 保持不变。在多种市场行情和两种 LLM 骨干模型上,进化后的策略在大多数设定中都比固定策略基线取得了更高的夏普比率和累计收益。KAIST AI の研究者は、トレーディングエージェントのシステムプロンプトを方策とみなし、別の Policy Agent が各更新期間の後に過去の意思決定の軌跡と実現したポートフォリオ収益をもとに書き換える EvolveTrade を提案した。基盤の LLM は固定したままとする。複数の相場局面と 2 種類の LLM で、進化した方策は大半の設定で固定方策のベースラインよりシャープレシオと累積リターンを改善した。
5Zing-0.5: Toward Playable Worlds with Real-Time Joint Action and Text ControlZing-0.5:以实时联合动作与文本控制迈向可玩世界Zing-0.5:リアルタイムの行動・テキスト同時制御によるプレイ可能な世界へ29 UPVOTES · MINGYANG CHEN ET AL. · ARXIV 2609.17909Zing-0.5 is a 5B-parameter autoregressive world model built for playability, letting users explore a generated world with the keyboard while steering events through live text prompts. It streams 832x480 video at 24 frames per second using four-step generation, at an estimated server cost of about 0.009 dollars per stream-minute, and the team is releasing the weights, inference code and an SGLang serving stack.Zing-0.5 是一款面向可玩性的 50 亿参数自回归世界模型,用户可用键盘探索生成的世界,同时通过实时文本指令引导事件发展。它采用四步生成,以每秒 24 帧的速度流式输出 832x480 视频,估算服务器成本约为每路流每分钟 0.009 美元;团队同时公开了模型权重、推理代码和基于 SGLang 的服务实现。Zing-0.5 はプレイ可能性を重視した 50 億パラメータの自己回帰型世界モデルで、ユーザーはキーボードで生成された世界を探索しながら、リアルタイムのテキスト指示で出来事を操作できる。4 ステップ生成により 832x480 の映像を毎秒 24 フレームでストリーミングし、推定サーバー費用はストリーム 1 分あたり約 0.009 ドルで、モデルの重み、推論コード、SGLang ベースの配信実装も公開している。
2026-09-17 · THURSDAY · 13:07 PDT
1Continual Learning Mechanisms Compose for Long-Horizon Memorization持续学习机制可组合以支撑长程记忆継続学習の各機構は組み合わせることで長期記憶を支える294 UPVOTES · ZHEYUAN ZHANG ET AL. · JOHNS HOPKINS UNIVERSITY · ARXIV 2609.06986The authors introduce long-horizon memorization, a setting where a model learns 100 query-answer tasks through continual fine-tuning without keeping earlier examples or receiving task identifiers at inference. No single continual learning mechanism they evaluate holds retention across that horizon. Combining mechanisms that address different sources of forgetting does better than any one alone.作者提出长程记忆这一设定:模型通过持续微调依次学习 100 个问答任务,既不保留此前的训练样本,推理时也不获得任务标识。实验中没有任何单一的持续学习机制能在该跨度上维持良好的记忆保持率。将针对不同遗忘来源的机制组合起来,效果优于其中任何一种单独使用。著者らは長期記憶という設定を提示する。モデルは 100 個の質問応答タスクを継続的なファインチューニングで順に学習し、その際に過去の訓練事例を保持せず、推論時にタスク識別子も与えられない。評価したどの継続学習機構も、単独ではこの長さにわたる保持を維持できなかった。忘却の異なる原因に対処する機構を組み合わせると、単独で用いるどの手法よりも良い結果が得られた。
2AI for Games in the Foundation Model Era基础模型时代的游戏 AI基盤モデル時代のゲーム AI113 UPVOTES · MENG LUO ET AL. · NATIONAL UNIVERSITY OF SINGAPORE · ARXIV 2609.16679This survey maps how foundation models and learned game-world models are being applied across the game lifecycle. It sorts the literature into six roles defined by what the AI output is used for, from playing and acting to modeling players and evaluating artifacts. The authors argue these strands developed separately, obscuring which capabilities transfer between games and engines.这篇综述梳理了基础模型与学习得到的游戏世界模型在游戏全生命周期中的应用方式。文章按 AI 输出的直接用途将相关文献归为六类角色,涵盖从游玩与行动,到玩家建模与成果评估。作者指出这些方向此前基本各自发展,使人难以判断哪些能力可在不同游戏与引擎之间迁移。本サーベイは、基盤モデルと学習済みのゲーム世界モデルがゲーム開発の全工程でどのように使われているかを整理する。AI の出力が何に使われるかに基づき、プレイや行動から、プレイヤーのモデル化、成果物の評価までを六つの役割に分類した。著者らは、これらの流れが別々に発展してきたため、どの能力がゲームやエンジンをまたいで転移するのかが見えにくくなっていると論じている。
3StepAudio 3 Realtime Technical ReportStepAudio 3 Realtime 技术报告StepAudio 3 Realtime テクニカルレポート99 UPVOTES · BIN LIN ET AL. · STEPFUN · ARXIV 2609.14005StepFun describes StepAudio 3 Realtime, an audio-language foundation model organized around a continuous listen-converse-think-act loop. A duplex component models both audio streams together to handle pauses, backchannels and interruptions. A Think-While-Speaking scheme runs private reasoning in parallel with spoken delivery to keep deliberation from adding latency.StepFun 介绍了 StepAudio 3 Realtime,这是一个围绕「聆听—对话—思考—行动」连续循环构建的音频语言基础模型。其双工组件对双向音频流进行联合建模,以处理停顿、附和与打断。「边说边想」机制让内部推理与语音输出并行进行,从而避免深度思考带来额外延迟。StepFun は、聞く・話す・考える・行動するという連続的なループを軸に構成した音声言語基盤モデル StepAudio 3 Realtime を報告した。二重通信を担う構成要素が双方の音声ストリームをまとめてモデル化し、沈黙や相づち、割り込みに対応する。Think-While-Speaking の仕組みでは内部的な推論を発話と並行して走らせ、熟考が遅延につながらないようにしている。
4LimiX-2: A Contextual Mechanism Network Towards General Structured-Data IntelligenceLimiX-2:面向通用结构化数据智能的情境机制网络LimiX-2: 汎用的な構造化データ知能に向けた文脈メカニズムネットワーク87 UPVOTES · XINGXUAN ZHANG ET AL. · STABLE AI · ARXIV 2609.17488LimiX-2 scales the LimiX family along the authors' previously published scaling laws, using Contextual Mechanism Networks pretrained with context-conditional masked modeling. Instead of centering on predicting a target from context as conventional tabular prior-fitted networks do, it is built around learning the joint distribution of features and labels given the context.LimiX-2 依照作者此前提出的缩放律,对 LimiX 系列在模型与数据规模上做了扩展,采用情境机制网络并以情境条件掩码建模进行预训练。与传统表格型先验拟合网络以「由情境预测目标」为核心不同,该模型围绕在给定情境下学习特征与标签的联合分布来构建。LimiX-2 は、著者らが以前示したスケーリング則に沿って LimiX シリーズのモデルとデータの規模を拡張したもので、文脈メカニズムネットワークを用い、文脈条件付きマスク付きモデリングで事前学習される。従来の表形式データ向け事前適合ネットワークのように文脈から目標値を予測することを中心に置くのではなく、文脈が与えられた下での特徴量とラベルの同時分布を学ぶ設計になっている。
5ScienceIDE: Turning World's Scientific Codebase into Agent Learnable EnvironmentsScienceIDE:将全球科学代码库转化为智能体可学习的环境ScienceIDE: 世界の科学コード資産をエージェントが学習できる環境に変える69 UPVOTES · HEJIA GENG ET AL. · PHAI LABS · ARXIV 2609.19134ScienceIDE is infrastructure for converting scientific code repositories into programmable environments that agents can learn in. Guided by expert-defined cases and acceptance criteria, agents turn a repository into an executable environment. The authors call the target problem a scientific experience bottleneck, created by fragmented toolchains and implicit domain conventions.ScienceIDE 是一套基础设施,用于把科学代码仓库转化为智能体可在其中学习的可编程环境。在专家定义的科研案例与验收标准指引下,智能体将仓库改造为可执行的环境。作者把所要解决的问题称为「科学经验瓶颈」,其根源在于工具链碎片化与隐性的领域惯例。ScienceIDE は、科学分野のコードリポジトリを、エージェントが学習できるプログラム可能な環境へ変換するための基盤である。専門家が定めた科学的な課題例と受け入れ基準に導かれ、エージェントがリポジトリを実行可能な環境へと作り替える。著者らは、断片化したツールチェーンと暗黙の分野的慣習によって生じるこの課題を、科学的経験のボトルネックと呼んでいる。
2026-09-14 · MONDAY · 01:10 PDT
1Benchmark Radar: A Living Database and Search Engine for AI Benchmarks and EvaluationBenchmark Radar:AI 基准测试与评估的动态数据库及搜索引擎Benchmark Radar: AI ベンチマークと評価のための継続更新型データベース兼検索エンジン43 UPVOTES · KOUTIAN WU ET AL. · CARNEGIE MELLON UNIVERSITY · ARXIV 2609.11115Benchmark Radar is a living database and search engine for AI benchmarks, covering LLM evaluation, agentic and tool-use tests, coding, reasoning, safety and domain-specific evaluations. It pairs daily discovery of benchmark papers, repositories, datasets and releases with a searchable catalog. It aims to help users locate datasets and code and understand the settings behind reported scores.Benchmark Radar 是一个持续更新的 AI 基准数据库与搜索引擎,覆盖大模型评测、智能体与工具调用基准、编程、推理、安全以及特定领域评测。系统将每日发现的基准论文、代码仓库、数据集和版本发布与可检索的基准目录相结合。其目标是帮助用户找到基准数据集与代码,并理解已报告分数背后的评测设置。Benchmark Radar は、LLM 評価、エージェントやツール利用のベンチマーク、コーディング、推論、安全性、特定分野の評価までを網羅する、継続的に更新される AI ベンチマークのデータベース兼検索エンジン。ベンチマーク関連の論文、リポジトリ、データセット、リリースを毎日収集し、検索可能なカタログと組み合わせる。データセットやコードの所在、報告されたスコアの評価設定を把握しやすくすることを狙う。
2SAS: Simple Attention Sparsification via End-to-End Optimization of Context RankingSAS:通过端到端优化上下文排序实现简单的注意力稀疏化SAS: コンテキスト順位付けのエンドツーエンド最適化によるシンプルな注意スパース化41 UPVOTES · ZHIWEI LI ET AL. · TENCENT HUNYUAN · ARXIV 2609.13141Tencent Hunyuan researchers present SAS, a post-training method that cuts the quadratic attention cost of pretrained Transformers by picking a small set of tokens or blocks for each query. Existing trainable selectors apply hard Top-K selection that blocks gradients from the language modeling loss, so they usually distill dense attention patterns instead. SAS optimizes the context ranking end to end.腾讯混元的研究者提出 SAS,这是一种训练后注意力稀疏化方法,通过为每个查询只选取少量 token 或块,降低预训练 Transformer 的二次方注意力开销。现有可训练方法采用硬 Top-K 选择,会阻断来自语言建模损失的梯度,因而通常只能蒸馏稠密注意力分布。SAS 则对上下文排序进行端到端优化。Tencent Hunyuan の研究チームが、クエリごとに少数のトークンやブロックだけを選び、事前学習済み Transformer の二次的な注意計算コストを削減する後訓練手法 SAS を提案した。既存の学習可能な手法はハードな Top-K 選択を用いるため言語モデリング損失からの勾配が遮断され、密な注意分布の蒸留に頼るのが一般的だった。SAS はコンテキストの順位付けをエンドツーエンドで最適化する。
3Breaking the Vision-Action Shortcut: Latent Interface Training for Generalizable Robotics Foundation Models打破视觉-动作捷径:面向可泛化机器人基础模型的潜在接口训练視覚と行動のショートカットを断つ: 汎化可能なロボット基盤モデルのための潜在インターフェース訓練37 UPVOTES · JIANMAN LIN ET AL. · NATIONAL UNIVERSITY OF SINGAPORE · ARXIV 2609.12641Latent Interface Training aims to keep robot foundation models reliable under visual distribution shifts. Policies built on pretrained visual features can exploit task-irrelevant cues that correlate with demonstrated actions, a shortcut that breaks when those correlations change. The method constrains how visual information is used for action generation while preserving task-relevant spatial detail.潜在接口训练(Latent Interface Training)旨在让机器人基础模型在视觉分布偏移下依然可靠。基于预训练视觉特征学习动作的模型,可能利用与示范动作相关、却与任务无关的视觉线索,一旦这种相关性改变,捷径就会失效。该方法约束视觉信息用于动作生成的方式,同时保留与任务相关的空间信息。Latent Interface Training は、視覚的な分布シフトの下でもロボット基盤モデルの信頼性を保つことを目指す手法。事前学習済みの視覚特徴から行動を学ぶモデルは、デモの行動と相関するタスク無関係な視覚手がかりに頼りがちで、その相関が変わると破綻する。本手法は、視覚情報が行動生成に使われる仕方を制約しつつ、タスクに必要な空間情報は保持する。
4COBRA-Skills: Contextual Bandit-Guided Evolution for Agent Skill OptimizationCOBRA-Skills:基于上下文老虎机引导进化的智能体技能优化COBRA-Skills: エージェントのスキル最適化のための文脈付きバンディット誘導型進化24 UPVOTES · PINGCHEN LU ET AL. · CHINESE UNIVERSITY OF HONG KONG, SHENZHEN · ARXIV 2609.11682COBRA-Skills optimizes the reusable skills LLM agents distill from prior tasks, a job existing methods often handle with costly execution-based evaluation and substantial task data. It casts skill optimization as budgeted sequential optimization over an evolving candidate space. A contextual bandit directs evaluations to promising or informative candidates, while evidence-grounded evolution refines the skills.COBRA-Skills 用于优化大模型智能体从以往任务中提炼出的可复用技能,而现有方法在这方面往往依赖高成本的执行式评估和大量任务数据。它把技能优化表述为在动态演化候选空间上的预算受限序贯优化。上下文老虎机负责把评估分配给有潜力或信息量大的候选,基于证据的进化则持续改进技能。COBRA-Skills は、LLM エージェントが過去のタスクから抽出する再利用可能なスキルを最適化するフレームワーク。既存手法の多くは、この作業で高コストな実行ベースの評価と大量のタスクデータに頼っている。スキル最適化を動的に変化する候補空間上での予算制約付き逐次最適化として定式化し、文脈付きバンディットが有望または情報量の多い候補に評価を振り向け、根拠に基づく進化がスキルを磨き続ける。
5PLC-DPO: Posterior Label Correction in Noisy and Ambiguous Preference OptimizationPLC-DPO:含噪与模糊偏好优化中的后验标签校正PLC-DPO: ノイズや曖昧さを含む選好最適化における事後ラベル補正22 UPVOTES · BORYEONG CHO ET AL. · KAIST AI · ARXIV 2608.30597KAIST AI researchers propose PLC-DPO, a version of Direct Preference Optimization built for preference data with reversed, weak or ambiguous labels. Standard DPO assumes every observed preference is reliable, so noisy pairs can cause harmful policy updates. PLC-DPO routes each pair's training signal as a clean, flipped or tied case, using the calibrated policy-reference margin as online evidence for the correction.KAIST AI 的研究者提出 PLC-DPO,这是一种面向含有反转、弱或模糊标签的偏好数据的直接偏好优化(DPO)变体。标准 DPO 假设所有观测到的偏好都可靠,噪声样本对因而可能导致有害的策略更新。PLC-DPO 将每个样本对的训练信号分流为干净、翻转或平局三种情形,并以校准后的策略与参考模型间的间隔作为在线证据来执行校正。KAIST AI の研究チームが、反転した、弱い、あるいは曖昧なラベルを含む選好データ向けに直接選好最適化(DPO)を改良した PLC-DPO を提案した。標準的な DPO は観測された選好がすべて信頼できると仮定するため、ノイズを含むペアが有害な方策更新を招きうる。PLC-DPO は各ペアの学習信号を正常、反転、引き分けのいずれかに振り分け、較正済みの方策と参照モデルのマージンをオンラインの証拠として補正を行う。