AI Papers Daily

提出置信度引导的多智能体接力协作框架 MACR，动态转移推理权，在保持精度下大幅降低 token 开销

4B混合计算机使用智能体，通过五阶段课程与技能化数据生成，在OSWorld-Verified达66.0%同尺寸SOTA

联合配置头时间尺度与层输入敏感度，在不增加参数的情况下提升五种线性注意力架构的长上下文检索准确率

提出协作中心的多智能体演化框架，联合演化团队组织、交互规则与个体技能

MoLRSI通过工作流/架构优化与跨任务记忆递归改进搜索策略，抗生素命中率15.9%超专家流程

固定剪枝掩码，系统比较 MoE 专家替换算子与门控尺度，提出倾斜新手算子并揭示 trained-scale rule

分离中间候选提升与最终部署选择，用 Bayesian bootstrap Pareto 支持联合优化 Agent 质量与成本

用历史轨迹引导采集资源分配但不进入 agent 上下文，训练收益提升 2.33/1.60 pp

O3PD 在策略蒸馏中只复现教师 top-K token 排序，不拟合概率值，对温度不变并在数学推理上全面优于 OPD

用两阶段 SFT 加 RL 的极简 recipe，构建可复现的开放 Agent 基础模型，在多项 agentic 基准上达到前沿水平

在 LLM 智能体与工具之间嵌入 Lean 4 策略运行时，以形式化证明保证每次工具调用合规，并支持反馈或证明引导修复

构建知识仓库引导的多智能体递归自改进系统，无更强模型下将法律领域任务全对率最高提升至 55.0%

用自治 Agent 循环自动发现投机解码的算法与系统优化，单请求加速比提升 2.4 倍、批处理提升 2 倍

构建覆盖25个基准374k轨迹的omni-modal路由框架，证明学习路由器超最佳固定候选并提升效率8.82倍

从数据-条件-对齐-评估链剖析多模态理解如何提升可控视频生成质量

提出多代理框架IBI，通过单句隐式品牌注入提升生成式搜索中的品牌可见度，并构建IBIBench基准

用真实执行轨迹构建加权工具组合图，按需合成环境并生成可回放验证的长程跨域任务

提出 ARLoop，用滑动窗口深度注意力改进循环 Transformer，1.2B/0.5T 模型超过 Huginn-3.5B 并接近 Qwen3.5-2B

同时演化推荐模型代码和 Agent 编排，用过程质量反馈与 Thompson 采样在 64 个比较中全部优于现有自演化方法

将 LLM 推荐重构为用户-物品双 Profile 通信，用检索侧同质性门控和反思更新提升推荐准确率

提出 AMO，用固定推荐指令核心加学习追加策略，防止 prompt drift，提升多意图下 item 可见性

教师生成子任务监督，分层GRPO联合训练7B规划器与7B执行器，WebArena-Lite-v2达37.2%，超32B RL基线13.2个百分点

频繁上下文压缩与选择性读取，使长程/长输入任务无需长上下文，准确率基本持平且成本大降

单自回归 Transformer 统一重排/混排直接生成 slate，线上 GMV/u +2.63%、广告价值 +2.06%、复购 +2.03%，延迟降 13%

7B离线规划共享SID前缀，0.5B在线个性化补全，以38.9%更低延迟达到与7B相当HR@100

提出 MAEL 作为数据受限微调的稳定目标，拟合乘法 scaling law 并量化模型规模相对数据规模的计算效率优势

联合优化词表、时空编码、DPO 对齐与解码多样性，显著提升本地生活 query 推荐

提出控制需求披露时机的书籍推荐评测基准，揭示隐藏需求下智能体成功率从 0.975 跌至 0.283

系统梳理从原始ID到语义ID的演进，覆盖生成式与判别式应用并提供可动手的实践教程

提出过滤优先的 GPU 约束解码系统，先滤除非法 SID 再算 logits，召回与先打分几乎一致且延迟最高降 9.9×

把大模型微调为一次预测多 token 的 proposer，再以小模型或自身验证，取得 2.5–2.7× 解码加速

提出 Teacher-Evolution Self-Distillation，通过环境奖励优化自教师并自适应加权学生蒸馏，缓解 OPSD 训练停滞

从无标注用户历史自动生成证据支撑的 QA 监督，用于迭代优化记忆存储、检索与上下文构造

CodeSpecWeave 合成带相互依赖规格的任务并用 RL 训练编码代理，显著提升长程开发表现

提出覆盖、可比、组合三能力框架与三条统一路径，系统梳理多模态嵌入研究

DeFT-RAG 用自包含子问题分解、规则化状态跟踪和 QA 缓存复用，提升多跳 RAG 准确率并降低 LLM 调用成本

提出用置信度/熵辅助轨迹偏好区分同等正确推理，提升小模型自改进与跨任务迁移

用 coding model 自动迭代优化机器人 agent harness，无需更新策略权重，大幅提升跨场景成功率

用经验飞轮、分级学习与桌面-网页联合强化学习，训练出开源SOTA的计算机使用代理模型族

CREDO 用中间证据恢复局部监督，改进 GRPO 在时序知识图谱问答中的信用分配，提升 MultiTQ/TimelineKGQA 准确率

提出统一 agentic 推荐框架，通过动态反思树定位失败并生成可复用修复策略，实现无参数更新的自进化推荐

提出 Session Success Rate (SSR)，用人类标注会话训练可解释模型区分点击与放弃中的成功/失败，在线实验灵敏度约为 Sessions per User 的 2.5 倍

提出 ISA-Distill，按学生状态的事实可恢复性加权 fact-use 与 evidence-seeking 双视图反馈，纠正 teacher 特权信息偏差

用 VectorDB 元数据中的语义描述符构成隐式图，以积累证据动态选择检索方向，无需显式图或查询改写

提出 CADRE 框架，用冻结三专家加可训练 Verifier 做选择性辩论，并以成功经验回放 GRPO 优化后蒸馏到轻量学生模型

提出三层架构（Main、Coordinator、Subagents）的通用长时程智能体运行时，支持人机共享工件与持久状态，多个基准上超越主流框架

提出嵌套双循环递归改进框架 CUA-Master，结合开放世界数据与自催化传播，显著提升 GUI 智能体性能。

从真实购物行为回溯构造评价链，三阶段训练生成式奖励模型，在线提升淘宝购物 Agent 有效协助率与满意度

首个开源端到端多模态深度研究代理，直接检索渲染页面图像并引入反事实信用重加权训练，超越 OCR 基线

提出 HERO，通过异构教师路由和多样性物品 rollout 缓解生成式推荐中 on-policy distillation 的流行度偏差

提出 BLACKSWAN：对每个会改变环境的动作，先预测效果、再生成可测试的怀疑并验证，执行前主动寻找反驳证据

把带指令查询拆为主题与多个类型化子句，逐项用小型 judge 输出概率并相乘，零样本提升指令遵循重排效果

MUSE 构建多教师+学生自探索候选池，用 Rank-Gain 效用筛选并对比蒸馏，让 LLM 推荐器学到真正有益的偏好推理

用 flow matching 学共享速度场，将静态 LLM 物品嵌入渐进适配前序行为目标，实现无 ID 长尾序列推荐

用机制假设组织推荐算法搜索，在16个设置上平均NDCG@5相对初始模型提升8.48%

用两参数 sinh 压缩网格替代固定查找表，端到端 KL 搜索参数，3-4bit 量化误差显著低于 NF/BOF/INT

将推理策略写成可复用蓝图并跨任务搜索积累，在 30 个基准上以 39% 更低成本匹配最强基线

系统评估微调预处理对LLM生成式推荐效用与公平性的影响，并验证目录约束解码与提示增强的有效性

将多目标效用写入SID末级并引导beam search，降低高价值候选被剪枝

在蒸馏前用学生前缀 RLVR 微调教师，提升其对学生在策略轨迹的监督可靠性，无需改变蒸馏目标

通过双层递归自博弈，用技能撤除下的任务可学习性作奖励，实现零技能部署并全面超越基线

将多智能体提示拆分为共享协调器提示与专属执行器提示，并分别按角色更新，可稳定提升现有提示优化器效果

提出HALO-Arena与HALO-8K，以人类细粒度诊断评估主动Agent是否、何时、多大程度干预，发现过度主动占拒绝主因

拆分数值偏差与策略滞后，提出 DLC 校正，稳定异步采样下 LLM 在线策略训练

在两层线性网络上证明随机舍入 SGD 预测误差上下界，给出精度、模型规模与训练时间的 compute-optimal scaling 法则

用保真度分级的 SFT-DPO-GRPO 对齐人类反馈，训练紧凑个性化 query 改写模型并显著缓解意图漂移

用离散 Flow Matching 对稀疏关键事件和浏览深度建模，生成随机用户浏览轨迹，在三个数据集上取得最优分布拟合

零样本多变量时序基础模型，联合建模序列交互与异构协变量，精度与推理效率显著领先

用 LLM 将地图出行行为与画像推理为有序自然语言 query，再用 GRPO 双层 credit assignment 对齐后续服务交互

用打乱推理步骤顺序而非改变信息内容的因果奖励，缓解结果奖励无法保证 CoT 因果贡献的问题

用 item-space on-policy distillation 把生成式 LLM 排序偏好蒸馏到单 token 决策重排器，8B 超 27B 教师且快 24.5 倍

提出 ACCT，将源模型 KV 稀疏转换为目标模型可直接消费的状态，削减 75% KV 仍匹配原性能

提出支持决策模型分支请求的推理引擎，通过扁平化执行和ForkAttention实现精确且高效的批量决策

提出 Pairwise Coordination Policy 协调多智能体共享有限人类注意力时的提问时机与排序，成本接近最优

统一代码/CLI、无障碍语义AX与GUI视觉三通道，让智体灵活选择组合，在OSWorld 2.0上取得最高分

用 LAID 匿名 ID 编码与多尺度 VQ pattern codebook，从高基数身份序列中提取可泛化行为模式，提升风险/电商预测。

提出层级树结构索引器对KV cache递归压缩，使注意力总成本随序列长度亚线性增长，实现次二次方缩放

在 DPO 中为每个比较样本引入可学习可靠性权重，自动降权翻转/噪声偏好，几乎无额外计算成本

KITE将长期对话记忆检索变成受控主题索引上的可检查决策过程，LoCoMo/LongMemEval-S准确率93.5%/86.0%，仅约1.6k tokens

比较六类工具检索结构，发现多工具完整检索需标注数据或30+次LLM调用，零训练/单次调用结构近乎失效

复用 EMA 教师-学生位移替代 Muon 动量缓冲，在自蒸馏微调中省显存并提升准确率

提出潜在稀疏注意力 LSA，通过可学习层次聚类实现超长上下文亚二次注意力且保持精度

提出训练无关的 RangeSWA，通过滑动窗口+远程块摘要+动态检索缓解连续扩散语言模型长文本生成的重复与漂移

提出 SecPO 损失与对抗训练管线，将 Qwen3.6-27B 在 AgentDojo 上的提示注入 ASR 从 78.8% 降至 8.8%，且无良性性能损失。

在Agentic检索中，把文档编译为声明-证据叶子可让命中token省91%、平均省38%，盈亏平衡充分率仅2%

TSBPO 用树结构采样与更新统一解决交互式语言智能体训练的采样、延迟信用分配和多 token 损失聚合

提出执行导向的多国贸易谈判基准 TradeWar 和自适应智能体 TACTIC，用结算结果驱动跨轮策略优化

用局部结论的序列不确定性估计可靠性，为搜索/不搜索决策构建过程奖励，在 GRPO 中提升搜索效率与准确率

将 token 预测顺序通过异步流图编码进单步并行语言模型，实现高质量一步生成

黑盒教师下用逐步独立查询蒸馏推理，无需 CoT，14/16 对比最优

构建参考无关的多模态协同编码基准 Co-Design Bench，评估 10 个模型端点，最强模型完全满足率仅 26.4%

用原子替换规则构建负载度量，测出 GPT-4o mini 在 95% 正确率下约 37-38 条规则的指令容量

提出 LOWN 解码方法，每步自适应决定是否处理图像，平均省 65% 解码 FLOPs 而保留 99.6% 分数

并行调用多类编辑器、为候选附验证记录并用 VLM 列表式评判，提升成功率并降低 judge 调用

提出人类参与的多智能体组织方法，让学习者与专门Agent协作维护可修订能力计划，实现连贯自适应学习

AWM将未知环境探索与假设检验转化为可被Lean形式化的代数模型，能证明不可达性与最优界

提出 EnvOS 框架，在执行前认证环境变化、任务可解性和评分器，执行后基于存档证据复核判决，可靠评估动态环境中的计算机使用智能体

LLM 构建可执行决策图，System One 模型 + 确定性遍历将准确率从 57.3% 提升至 90.8%

用注册锚定记忆图解决知识图谱中同一关系表面形式不同导致的历史碎片化问题，提升跨期实体对齐与证据积累

让编码智能体自动创建机器人仿真环境，构建 RoboWorld 基准并利用特权教师等方法提升前沿模型在 RL 任务上的表现

用 MCTS 将子图探索转为树搜索，结合 LLM 引导节点筛选，在 WebQSP 上 Hits@1 达 78.88% 并提升效率

提出价值索引记忆与局部遍历检索，分离内容与地址，验证有状态检索比无状态更易学习

用 415 个最小可行实验评估六款前沿模型的研究判断，发现智能体的实验排序未能显著优于简单基线

提出模板化多语言安全数据增强流水线，发布60语言MSafeTemp语料并揭示英语评估会误判多语言安全

提出 Assess→Decide→Respond 框架，用显式安全决策 token 和自验证奖励训练多轮防御模型，在 14 个基准上取得最强多轮安全性

提出STRATA基准与ART分阶段范式，暴露并显著缩小LLM在时序临床假设检验中的证据-结论差距

合并多密钥为虚拟密钥并结合无记忆指数竞速，使LLM水印在投机解码下保持无失真且检测率提升

用逐层剖析剖面在固定预算下分配 RoPE 维度，提升语言模型验证损失并支持 MLA 高效部署

证明Neural Thickets的推理增益可仅凭冻结模型输出logit随机偏置、验证集选择与投票复现

ClinGeX智能体组合105个可执行临床基因组技能，留出基准一致性71.7%，远超最强对比45.7%

揭示解码长度预测中的系统误差主导性，推导出所有基于预填充的方法必须遵守的统计界限

提出银行客服对话代理评估基准，除最终记录外检查必需步骤执行与未请求变更，暴露仅看结果的假阳性

提出 REALCLI 双模式基准，统一评估 CLI Agent 任务执行与协作质量，揭示前沿模型协作能力严重不足

固定任务、仅变化用户人设，发现 CUA 任务完成率平均下降 36%

从测度视角揭示基准评估两大失败模式：难度分布错配与覆盖空洞，并提出诊断指标及 BenchFill 重写算法

发现检索头在多模态模型中保持稀疏且跨模态共享，通过排序目标训练注意力可提升文档检索 Recall@1 6.03 点

提出轻量辅助预处理器 PreView，为冻结 GUI 定位模型生成局部放大视图与候选特定视觉/文本提示，无需微调提升定位准确率。

推出 AdShot 基准：823 对广告镜头选择评测，发现架构优先于规模且模型有内容偏好

审计 Ollama 与 Hugging Face 量化模型发现 2.3% 低比特小模型功能失效，并证明校准可修复

在可执行能力固定时，MCP与CLI的接口表示差异显著改变智能体动作选择、失败恢复与成本，DART可修复实现层失败

用训练日志中的奖励方差与准确率动态刷新任务池，实现零外部数据的多模态递归自改进

引入主动 ask 动作的流式视频理解基准，评估模型在视频与用户不确定性下的提问与回答策略

提出 Soft-MTP，通过一行代码改动移除标准 MTP 训练中的噪声残差梯度，只保留 KL 自蒸馏信号，全面提升性能与推理加速

通过量化/剪枝构造弱化模型，利用强弱对比信号进行在线策略自蒸馏，无需外部教师

提出 ILE 股权投资基准，用冻结信息集与财务依赖图评估 AI 代理研究、预测与投资表现

让批量语义相关向量查询在同一线程协作遍历图索引，每页只读一次、所有查询共享打分，显著减少 I/O 与距离计算

提出 IDM，在 DMD 中显式匹配生成器 EMA 特征的均值与逐坐标标准差，提升少步文生图长文本渲染

将预训练、SFT、RL 统一为单一似然训练目标，把 RL 视作对模型生成分布的最大似然拟合

证明基于“好视图”的 JEPA 可跨模态对齐表征，且比 next-token 高效 42 倍

提出一个编码器与统一 schema 的全模态解析器，将文档、图像、音频、视频解析为带时空定位的结构化记录

用LoRA微调Qwen3-Reranker-4B蒸馏27B决策模型，预测答案引擎引用份额，性能与教师差异不显著

CORAL 用可调用的记忆管理与上下文重置工具，让 Agent 自主 checkpoint 并跨 episode 做 RL，GAIA 上 8B 达 42.8% 且 token 成本少 6-7 倍

提出契约治理的 AgenticDS 框架，用 typed object 约束 LLM 决策并验证约束，显著提升数据集搜索与下游训练效果

通过多路由聚合与路由偏好驱动的专家输入混合，在固定专家预算下提升稀疏 MoE 选路与表达能力

结合可测试规则分解与确定性交互工具，显著提升 LLM Agent 网页可访问性审计召回并保持高精度

提出 token 级自适应 on-policy 自蒸馏，用多教师池+多数投票+KL 为每个 token 选教师，数学推理最高提升+5.9

将 LLM 引导搜索抽象为 select/spawn 序列决策，统一评估高召回检索与 deep research 策略

在RLVR中插入教师纠正轨迹并施加token级KL监督，大幅提升困难推理任务的学习效率与最终表现

提出前缀可执行性评估协议，量化工具调用轨迹每一步的可执行性，揭示仅看最终成功的盲区

用定理证明 RLVR 中 pass@1 增益必然伴随 pass@k 下降，并给出精确权衡边界与诊断方法

将验证视为动态证据收集与评估，统一在线离线、跨平台 CUA 任务完成验证，提升一致性并更强拒绝误报

用信息增益奖励训练LLM进行自适应信息收集，在低计算成本下超越BED基线并跨域迁移

用 AI 原生引擎与八个专用对抗智能体，从提示词端到端生成可玩 2D 游戏项目

全自动从真实 URL 重建可重置 Web 环境，构建 244 个网站并微调模型显著提升多项 agent 成功率

提出 WorkFactory 框架，通过信息级规划与探针执行修复构建可执行职业任务，训练 WorkPilot 系列显著提升专业工作基准

用离线反推编辑决策训练9B策略，在统一工具环境中逼近Claude Opus 5且token减少33倍

提出 Glance，给生成器加轻量决策适配器和指针头，共享一次 prefill 对候选段落打分，免去独立重排模型

只用高分歧文档对的少量 LLM 判断学习多路检索融合权重，以约 30 次调用逼近 SOTA 零样本 LLM 重排效果

通过多路径SID、五维容量扩展和统一价值引导生成与判别，快手广告生成式推荐实现3.07%收入提升

证明 WN 训练增益主要来自有效学习率轨迹，提出 AIR 调度，在 128B MoE 预训练上比 cosine 降损约 0.01

用查询感知压缩模型蒸馏分级 chunk 相关性替代 gold-chunk 标注，发布 9B/0.6B 模型并刷新多基准 SOTA

用在线 RL 训练解耦的规划与接地 UI Agent，结合稠密/终局奖励与 GiGPPO，使 8B 模型在真实 iOS 任务上接近或超越 Gemini

以结果校准的 capability license 融合 LLM Agent 与数值模型，在线收入提升 15.35%

提出情节记忆+结构化关系记忆的混合存储，并通过离线聚类整合压缩16%以上记忆且性能几乎不降

让多智能体在 RL 中联合学习任务与校准置信度，并在交接与最终输出传递该信号，提升协作准确率与可靠性

提出覆盖感知 RAG 流水线，通过子问题分解、覆盖矩阵估计和贪心选择提升证据覆盖，并发现检索覆盖提升未必带来答案覆盖提升

用三阶段训练将每个候选段落压成4个gist token，在TREC/BEIR上以约14倍加速逼近全文本重排效果

冻结模型权重与可执行 harness，以六类类型化知识模块的原子编辑+验证门控，使广告 Agent 离线动作一致性平均提升 29.7%

在不更新 LLM 参数的前提下，用 C–T–R 知识单元和双隐私记忆实现推荐 Agent 的联邦协作

用 GPT 式序列模型学习用户门店互动，以 last-token 隐藏向量作为冻结用户表示接入排序，双场景显著提升收入与转化

利用 GR 解码中注意力渐进聚焦与跨步排名一致性，PFA 通过共享重要性排名和几何预算缩减，加速长序列生成式推荐

用固定检索器构造可检索 query 监督，并以 RRF 融合排名反馈优化 query 生成器

融合协同信号对齐粗粒度 SID 与分层自适应蒸馏，提升多模态生成推荐的粗路由命中与排序

在淘宝异构候选集上统一生成多业务排序列表，结合反馈监督与广告debias塔，在线GMV提升2.10%

提出校准多教师在线蒸馏（C-MOPD）与动态 MoE 执行优化，四域能力整合分数达 0.9988 并实现 2.86 倍步骤加速

用多分类域分类器估计密度比，训练混合加权奖励模型，在无倾向分下提升广告离线策略选择可靠性

RecRSI 用短训练+probe全排序NDCG@10试炼筛选LLM候选训练编辑，再full retrain最优编辑，大幅提升自进化效率与效果

提出无监督跨段落检索预训练框架 xPRT，利用文档内跨段落信号，在 MTEB 上平均超越最强基线 3.2%

零标注下用异构 proposer–solver 协同进化同时优化搜索智能体准确率与工具调用效率

复用上游排序计算，为每个用户-物品对生成个性化历史嵌入，提升下游序列推荐质量

用持久化 typed banks 与固定大小 workspace 解耦证据/推理缩放，10K 历史下 NE +0.19%、前向 GFLOP -69.6%

用多日期事件结果联合监督证据搜索与概率报告，显著降低 Brier 分数并提升准确率

拟合统一缩放律发现完整BPTT优于截断，两圈循环用27%少参数和8%多计算达到更低验证损失

提出 SARL：训练时自评估搜索轨迹并据此修订，配合双重奖励，无推理开销地内化搜索状态意识

提出TTME：不更新权重，通过外部记忆持续沉淀经验指导后续发现，性能优于TTT且算力降八成以上

AdaPRA 用自适应 rubrics 的过程奖励智能体审计并纠正数据科学 agent 的中间过程错误，显著提升排行榜百分位

审计8模型4基准显示高推理努力常丢失低努力已解任务且过度支出；基于验证的阶梯式升级能匹配或超过固定最高努力并降本

提出 h1，一个只靠高效 Lean 接口与验证反馈自反思的简单 agent 循环，在形式定理证明达到 SOTA 并追上复杂工作流

HaMo 将轨迹蒸馏为策略经验卡供即时检索，并以经验条件持续学习目标实现快慢协同，提升长程 Agent 的保留与迁移能力。

提出 MPO，组合 turn 级 GAE 与均值保持的 token 级信用分配，并用 turn 级重要性采样更新策略，在搜索/工具/自动化任务上全面超越 PPO/VAPO/SAO

提出 DTCA，按去噪 token 置信度增益估计贡献并分组，用于扩散语言模型 RL 的 token 级信用分配。

将 outcome RL 的 pass@1 提升分解为完成、可靠与可达，发现主要改善完成和稳定性，很少带来新能力

通过配对延续与重复执行构建搜索价值评估基准，分离搜索增益与生成噪声

提出 Fin-SD，以学生自定位错误并生成提示、截断错误前缀进行事后自蒸馏，无需外部教师即可提升多步推理

训练策略会带上训练 harness 的偏好，部署收益可分解为接口天花板减策略偏差，固定模型评估接口会混淆两者

用 4B 世界模型预测 ML 程序终端输出并以置信度门控执行，使 MLE Agent 在少执行下获得更高分数

证明 MoE 通道选择用 top-k 即可，无需离线校准阈值；并提出基于模型权重的三值草图+低秩恢复读取器，以 17.8% 读取量保持 98.1% 精度

提出工具感知联合调度框架TAO，融合工具就绪度、缓存信用与token占用进行动态规划调度，显著降低延迟和TTFT

将已验证任务进展作为在线状态与离线监督，从跨应用长程任务中学习可复用操作

提出MERLIN，用段内keys的一/二阶矩恢复query-段对齐的均值与方差，提升多状态线性注意力聚合路由

SimpleLoRIF 将低秩梯度归因扩至百万级数据，过滤梯度对齐不安全的样本，攻击成功率最高降22%

用任务策展与成功轨迹检索过滤噪声失败，提升 reflective prompt optimizer 性能，多基准最高超 GEPA 20.7%

通过环境感知调度任务与环境的 rollout 批次，提升 Agent 强化学习样本效率

在无共享目标的交易Agent群体中量化通信带来的过度收敛与语言复用，并提出以无同伴基线衡量羊群效应

通过离线图置换制造结构局部性，用 SIMD 整数压缩器快速解压 HNSW 邻接表，压缩率最高 52.7% 且延迟近零损失

用Gram-Schmidt移除Muon更新径向分量，权重范数最多√t增长，长期困惑度更低并加速LLM预训练约15%

将 RAG 分块形式化为问答证据效用最大化的监督组合优化，非重叠用 DP 精确解，重叠用贪心近似解

构建可控团队决策环境，量化并训练多智能体在分布式关键信息下的沟通与检索能力

训练无关的证据交付层，将检索页面重建为结构完整的证据单元，文本/截图/Agentic RAG 提升 5-6 点准确率

揭示无监督RLVR多数投票自奖励的集体不稳定性，解释训练任务数增加导致模型答案趋同崩塌

四域基准显示现有 Agent 记忆方法准确率仅约 33%，复杂记忆流程不优于简单检索或历史压缩

把多次尝试的轨迹与产物联合合成为自包含指导，低 token 成本提升同模型后续执行成功率

10个前沿模型作为训练代理自主后训练Nemotron基础模型，两阶段人类反馈闭环，最强模型关闭76%能力差距

大规模评测发现多数 Agent 记忆系统不如 naive RAG，提出记忆收益与记忆税拆解净价值

系统对比 17 种 agent 验证设计，独立低费 critic 带来 5.9–9.5pp 编码提升且成本仅 1.13–1.25×

提出 Trinity 框架，通过 Creator/Explorer/Evolver 将任务重组为能力树，递归进化 Harness 并路由选择

提出SPOT小模型预测扩散语言模型的下一个提交位置，构建候选树实现无损推测解码，吞吐最高提升3.4倍

标量2-bit量化框架，通过敏感度分配位宽、码字搜索、仅训尺度和按推理选择，在MATH-500上大幅超过同尺寸2-bit方法

规划者-主持者-仲裁者多智能体+Monte Carlo 采样提升推荐解释评估的人工对齐和稳定性

实证对比48种配置，发现warm start + 全局尺度重缩放将跨日GAUC提升4.0%，下游CTR编码器可进一步对齐残差漂移

构建 AutoRSE 框架，量化 LLM RSE-Agent 自主改进推荐算法的能力与瓶颈

复用预训练稀疏自编码器特征索引作为语义 ID，无需额外词汇学习，实现高效且可解释的生成式推荐

用退火 winner-takes-all 训练多假设头防止坍缩，仅凭 item ID 超越生成式与多兴趣基线

DARTS 用三阶段潜在扩散解耦表示学习、生成与排序，缓解采样坍缩并提升排序精度

提出 DuTri 双分支框架，用 CP 分解和残差量化学习三元协同偏好，指导多模态自适应融合，在多场景推荐上取得最优。

744M 多模态 embedding 模型，以多阶段课程训练在文本/视觉/音频基准上达到新 Pareto 前沿，支持量化与截断部署

将对话记忆拆分为事件、情感、时间三视图并自适应路由检索，显著提升长期记忆中的多跳与时间推理。

用层次图树替代自注意力，N≤512 训练零样本外推到 4,194,304 tokens，线性时间与显存

提出 SynthAPI 可控合成工具环境，发现工具与数据库多样性比任务数量更关键，并推导可预测扩展律

用初始学生与教师 token 级 KL 差异加权，解决生成式推荐多目标蒸馏中的 token 级不平衡，提升联合目标

微调LLM预测转化阈值，构造单调促销响应曲线，线上转化+1%成本-6%

发现并利用同层历史对语义ID预测更有效，提出层级隔离编码与层级对齐注意力

MAGE框架结合离线流形增强与在线非对称双流GNN，缓解多模态推荐中互补品语义漂移问题

直接由图像+自由文本生成商品Semantic ID，统一相似/编辑/搭配意图，上线拍立淘带来显著GMV提升

通过语义邻居生成预训练、SID边界局部注意力与分层偏好蒸馏，显式建模生成式推荐中的物品语义与协同关系

提出 Refiner 框架，用残差分数修正、历史查询和 LoRA 适配，在不重训基座的前提下增强生成式排序

用加权块图的谱坐标与预算化选择，把 RAG 检索从 top-k 相似改成连通证据集优化，以更低索引成本提升多跳证据召回

以目录语义锚定、五候选改写和协议感知选择实现任务型电商查询的 BM25 检索增强，获挑战赛第一

提出PDG-F框架，将用户叙述解析为偏好依赖DAG，指导分路径检索与拓扑排序，显著提升开放域推荐召回上限与精度

提出 TRIP，结合目标感知的秩-时间位置编码与时间组因果交互，显著提升 CTR 预测 AUC

提出FSPO单策略框架，以历史分布为固定时序目标并引入特权分歧校正，实现稳定高效的策略优化

提出 DeCert 框架，用决策证书评估 rationale 有效性与一致性，构造偏好对训练生成式奖励模型

用外部世界模型仅预测潜在坑点并选择性介入，SFT+GRPO 训练，显著提升黑盒 LLM Agent 成功率

提出 OPTIC，每 token 只存一个共享量化码，各层用仿射解码器还原层嵌入，实现约 100 倍 PLE 压缩并保留 97.8% 性能

联合调节扩散努力与推测解码宽松度，可扩展速度-质量 Pareto 前沿

提出 FORK 奖励，在量规覆盖（召回）外加入精度目标，抑制冗长与事实错误，大幅提升胜率

自改进 LLM 研究代理系统 AutoTavern 从零构建模拟器和 PPO 策略，训练出的 AI 在天梯表现超越顶尖人类玩家

构建专利审查 agent 基准与轨迹合成方法，训练 4B 模型在现有技术搜索上接近大模型效果

通过构造组合交互并仅监督有可见历史依据的决策，大幅提升多轮工具使用智能体的 SFT 效果

构建 600 级递进任务基准，量化诊断反馈与修订对 LLM 智能体经验学习的作用

构建可执行演化工具生态基准，并提出 STEWARD 联合维护工具与技能以跟上能力前沿

将自由形式工作流合成融入主智能体动作空间，动态编排子智能体，仅训练主智能体，多任务准确率提升 10.9 个百分点

把成功 Agent 轨迹固化为代码加局部 LLM 调用的神经符号程序，实现一致、可泛化且低成本复用

用动态任务参考图对轨迹级优势做非对称掩码和惩罚重分配，解决 critic-free 智能体 RL 的均匀信用分配问题

以工作为中心给出工作智能体的系统级框架，用持久性与开放性刻画条件并划分五类数字工作，梳理能力与优化路径

将技能优化流程编码为可自我优化的 meta-skill，实现跨任务复用的递归自改进

证明主动召回门控的误报率随存储规模幂律上升，提出免标签 conformal 门控并验证其控制误报

用原始问题与推理轨迹解释子查询的 4B 点式 LLM 重排器，提升 agentic search 检索质量并减少搜索次数

针对扩散语言模型在 bundle 构造中的多样性损失与并行解码质量退化，提出语义分叉感知 GRPO 与伪轨迹蒸馏，实现质量提升 63%、推理加速 25.6 倍

把中途状态价值细化建模为主动学习：优先在预期最大减小 Critic 估计误差的状态分支采样，并用压缩边界做长程信用分配

从被冲突过滤的 rollout 中利用 Pareto 支配恢复成对偏好监督，零额外采样提升多奖励 LLM 对齐

用 TruthfulQA 校准的注意力头范数 critic 作为幻觉风险奖励，联合优化多智能体 RAG 的 query 规划、证据选择和答案生成，同时提升任务指标并降低幻觉率

HiRank统一异构特征交互与序列建模，通过主序列引导检索和场景感知高阶注意力，在淘宝CVR线上提升2.27%订单/用户

将物品语义编码与请求历史建模分离，用可学习摘要token压缩物品为连续记忆，结合缓存与采样重编码大幅降低LLM检索成本

把Agent记忆选择形式化为预算约束下的slate推荐，零LLM调用匹配64次重排且服务成本降3.2倍

用最优传输协调样本、特征、嵌入单元三层选择，联合配置输入侧信息提升 CTR 模型 AUC

首个覆盖2亿网页的生成式检索模型，用两token语义ID直接生成URL，导航点击命中率59.6%

用4轴persona prompt生成11.8万合成查询，Big Five人格稳定提parser F1且低幻觉，句法轴贴真实流量但牺牲约束保真

将离线item级beam search结果按分数拼接为列表蒸馏目标，训练学生单次贪心生成Top-K，以低成本逼近或超越线上beam search检索

证明 item-item 相似度中存在由用户活跃度差异而非共同偏好导致的幻影相关，并用 Rasch 模型量化其占比

MolLean 将化学 CoT 转为可执行状态转换，通过分层检查和 MCP 逐步验证减少幻觉并提升推理

以区域-文本循环一致性作为可验证奖励，统一图像/视频细粒度理解与定位的RL框架

分层 VLA 智能体结合 VLM 规划与原生键鼠控制，在 Minecraft 原子与长程任务上达到 SOTA

提出 Dual Exam 框架，分别评估多模态 Agent 与世界模型，发现两者任务表现不均且耦合成功率低

提出 TWIG 树结构权重表示，统一剪枝、量化、低秩与码本，LLM 权重以更少加法达到与 GPTQ 同等误差

以任务瓶颈为主线，系统梳理长文档 VQA 的解析、证据检索、生成与评测，突出预算约束下的证据充分性

首个基于 MICE 的端到端检索管线 MICE-P，用 PLAID 索引文档 token 表示，在保持 cross-encoder 效果的同时达到 late-interaction 吞吐量

开源框架将 Agent 进化策略与执行评估解耦，支持公平对比、溯源与受保护评测

发布900小时长视频基准与4DMemory Harness，使13个基础模型长时程时空推理提升超50%

一个 MoE 模型通过固定前缀层循环支持五个推理预算，中间预算以约 21-24% 额外时间捕获 89% 深度增益

结合谨慎图索引与查询时接收者归一化图扩散，在 MemoryAgentBench 上以 55.1 平均分刷新检索式记忆 agent 表现

HGE 用 HSAE、PLL、RCEF 解决容器级 GTV 预估的高方差、稀疏与粒度错配，离线 XAUC +0.63pp，在线 RPS +1.42%

TCBSA 将判别式分数 margin 投影到语义 ID 共享边并在 beam 剪枝前门控修正，无需重训练即可提升生成式推荐新兴兴趣发现

用可执行合同严格评估多轮CRM任务中Agent的动作、状态与合规性，揭示说与做的差距

提出模型-执行框架匹配度评估框架，发现无单一最佳组合，OpenCode 跨模型最稳

将生成式推荐中 backbone 的历史建模与 SID 逐码生成解耦，由轻量 decoder 完成 beam search，实现 3-8 倍吞吐提升且精度不降

通过学习前沿动态选择教师干预点，并用学生后续行为验证指导质量，提升多智能体在线蒸馏效果

构建首个个性化查询表达差异基准 PQB，揭示检索效果高不等于对句法与书写错误鲁棒

用守卫决策复用替换工具反馈后的重复推理回调，不改模型权重即可降低Agent harness token成本

用无需训练的 GEAR 潜在推理与 H+J 隐式/雅可比双通道接口，让不同宽度 LLM 智能体高效传递推理状态并大幅减少文本 token

用高层主题描述合成问答与推理轨迹，在无外部监督下完成 on-policy 自蒸馏并跨领域提升模型能力

提出 TopKLoRA 稀疏 LoRA 变体，仅激活 k 个最大 latents，用于定位并精准移除后门电路

用 item 空间分布匹配和 code 边际匹配两个蒸馏目标，把序列模型的软分布迁移到并行语义 ID 推荐器

构建每边必有逐字引文的知识图谱流程，以确定性爬取、预算化ReAct agent、分层grounding和多模型投票达到0.94精度/0.71召回

将本体置于 artifact 层，用元数据注册表与导航超图先组织后检索，实现结构化消歧避免跨服务规则混淆

对齐训练与推理的 RoPE/SwiGLU/RMSNorm 舍入位置可避免 BF16 RL 崩溃

首个组合微调、双侧扩展、背景投影与BM25的0.6B技能检索器，SRA-Bench MRR@10领先7.02点

在 0.6B–27B 六个 Qwen 骨干上，决策微调从未超过重排微调，9B 以下重排微调领先 5–29 nDCG@10

提出LEMS与KFAC-SVD，分别解决SVD压缩中rank分配不精确和分解rank崩溃的问题

提出 AMM 框架，将记忆对象分为 constants、functions、operators，并给出 IR 视角研究议程

冻结 VLM 骨干下，用三层轻量记忆解耦何时查询、说什么、是否发出，实现训练无关的主动流式问答

发现过长思维链对简单查询有害，利用生成前隐状态线性探测路由器省60% token且保留96%性能

在共享控制迷宫中证明强模型能根据人类相对优势选择性分配控制，而非简单减少人类参与。

提出 LIP 协议：冻结 LLM 只训练连接器，把专家表示直接映射进 LLM 内部状态，支持零样本跨域组合

用目标域小数据集元梯度优化训练样本权重，学得可泛化、可迁移的加权规则，提升奖励模型对噪声与合成数据的利用效率

提出 PAPAV 五功能框架，统一比较计算机使用与机器人智能体，揭示 Anticipate 与 Verify 评测缺失

FSKA 用归一化流学习非平稳注意力核，移除 QK 投影并固定正交 V 投影，减少参数 40-47% 且保持线性注意力

提出字幕中心 Agent OACap，将字幕信息缺口转为定向观察请求，迭代验证提升视频字幕质量

用高温自采样样本作正则，阻止合成数据训练中的谱隙变窄与多样性塌缩

仅需一个攻击者页面即可在31%的联网LLM回答中植入内容，提示语气与模型选择防御效果有限

提出两阶段训练框架 X-Embedding，先做专利结构与多语言对齐预训练，再用 X 类引用微调，64 维 Hit@100 达 89.09%

企业文档摄取层丢失高亮和颜色等视觉格式线索，使 Agent 对关键义务识别 F1 骤降且自信犯错

用对照实验量化 LLM Agent 删除记忆后仍可从派生状态恢复秘密的比例

CMAS通过保守提升、切换成本与风险约束降低在线架构搜索的回归与成本，在96个流上优于最强自适应基线

将技能粒度作为条件化动作抽象策略，通过特征控制器与宏到微恢复提升编码 Agent 鲁棒性

揭示自适应路由解码器中全序列summary造成未来token泄漏，提出审计与定位方法并修复验证

用多token预测和替代分词突破LLM学习隐式多跳图搜索的规模墙，实现稳定训练

将多基因集库建成术语-基因知识图谱，用紧凑证据子图驱动 LLM 生成可溯源解释，查询提速 37 倍且忠实度最高 0.90

提出混合持续学习框架 HERD，用 harness 技能库与有界残差记忆结合双锚漂移约束蒸馏，实现新任务获取与低遗忘。

用接受/撤销类型化反馈构建有界状态，在冻结评分器上实现低开销持续个性化决策

学习序列规则 RULES，并与残差网络组成 RUNES，在保持精度同时提供可解释规则与残差调整

用对抗训练生成大规模短歧义查询，结合模型微调与输入层改写，在 MathlibQR 上至少相对提升 11%

当 LLM 自信且一致地犯错后，人类会反向顺从：虚假事实被采纳约65%，置信校准从0.70降至随机

提出CubeAtlas表示与布局感知稀疏注意力，单次前向生成几何一致的全景图

用机制可解释性定位多规模LLM中的隐喻因果子空间，并实现对分类与生成任务隐喻性的操控

提出事件序列预测基准与Wasserstein BaryBooster算法，揭示准确性与分布真实性权衡，并将扩散模型样本聚合为SOTA预测器

揭示统一多模态模型中生成侧表示对细粒度视觉理解的互补价值，提出 GAFU 框架压缩生成侧表示为 G tokens 供理解通路检索，显著提升细粒度任务性能

首个系统评估 AI agent 在固定预算下自主设计、迭代并冻结评测器的基准

提出 IF-MAP 黑盒方法，通过提示扰动与局部响应模型估计 agent 改进潜力，为多智能体系统确定优化优先级

提出 ID-TAP，将信息导向采样与神经 dueling bandit 结合，在十轮二元比较内高效适配 agent persona

统一 LLM 路由框架，联合学习执行模式与模型选择，COMET-GRPO 分层信用分配+渐进式探索，五领域平均准确率提升 11.03%

提出 Heartbeat Thinking 机制，在用户说话期间周期性启动 Thinker 并允许已派发工具继续完成，将监听时间转化为可复用的准备，显著提升工具覆盖率并降低最终响应延迟。

扩散LM前向次数由输出新颖性与词稀有度决定，解码速度加权候选可提升推理准确率4.2点

用语言描述动作与视觉变化，让单一LLM潜在世界模型跨异构数据训练，实现高效规划与策略初始化

SplatLab 实现端到端自主3DGS研究流水线，通过模块化变异、Elo锦标赛与实验绑定生成可追溯论文，PSNR最高提升3.78dB

发现扩散语言模型量化敏感性随任务与去噪步变化，提出无标签信号驱动的混合精度量化框架T2Quant

提出 GRIP 图索引系统，将倒排启发式融入图搜索，在 MS MARCO v2 上比 Seismic 快 2.5 倍

320B 稀疏 MoE 模型，通过多阶段训练和模型合并强化 CLI agent 编码能力

将复杂 Agent 策略编译为可执行神经符号谓词程序，用对抗反例联合优化，实现低成本高稳定策略判决

系统解耦学习式去掩码策略，提出轨迹收缩目标，856K参数策略在LLaDA-8B上取得最优精度-效率前沿

用结构化 next-token 预测统一目标级与像素级视觉感知，支持检测、定位、分割与抠图

对照实验表明检索而非推理是医疗文献验证代理的瓶颈，自写查询代理提升召回但预算利用不足

提出研究完整性违规分类法与 RIDAR 框架，离线检测 F1 85.2%，运行时干预减少违规 36.8%

用轨迹树和产物投影，把长程 Agent 运行表示为目标-决策-产物三层，提升决策透明和复盘效率

通过人机协同的十步规范工作流与自主工具循环，解决 RL 的规范与性能差距，避免奖励黑客和状态混叠

轻量steering adapter+CFG蒸馏实现LLM指令遵循程度细粒度控制，并保持高吞吐与跨指令泛化

通过追踪开放模型训练历史，证明 wait 等修订标记主要继承自训练数据而非 RL 凭空创造

证明性能预测仅在模型次优或预测器容量大时才优于模型自置信度，级联路由同理

定义状态完整性崩塌，用 StateTrack-Bench 揭示长对话中模型“记得但不执行”约束的失败模式，并验证结构化锚定可部分恢复

证明深度增长与循环模型共享更强的上下文学习归纳偏置，并揭示归纳头传播机制

提出分离STE的shape-gain向量量化训练，诱导球面优化，实现LLM低比特压缩SOTA

提出在线选择性审计框架，在控制未审计 AI 错误比例低于阈值的同时最小化人工审计频率

提出决策论框架，量化记忆在保留、使用、恢复与修订中的价值，并用反例和诊断揭示信息时序、检索接口、读策略与需求不确定性的作用

在真实维基百科修订对上量化三种分块策略的嵌入重算成本与检索质量，发现更新成本差异显著且检索质量相近

用工具型 LLM agent 低成本审计斯洛伐克语 FineWeb2，产出可执行测试并发现 140 万篇机器生成内容

提出块级参数化记忆DFM，训练数据构造检索量降低32倍，并深度融合进隐藏状态，无需在线检索

构建VerifierBench与V4V审计，揭示LLM生成的验证器普遍过严，多数假拒源于不接受任何有效解

提出 OpenDS 任务与 200 题基准，12 个前沿模型最好仅 39.0% 准确率，人类 21.1%

用跨层共享的 Meta Expert 替代层私有专家，在 Iso-FLOPs 下仅需 70-80% 专家数即可匹配 Vanilla MoE

提出 Bridged Self-Distillation 统一框架，用教师推理轨迹作特权上下文，通过自教师与 verifier 实现在线策略蒸馏，适用于任意教师场景

系统评估RAG各阶段技术组合，发现孤立增益不可叠加且最优组合随语料规模变化

用固定预算连续推理 token 在潜空间建模伙伴心智状态，提升多智能体协作且 latent 推理优于文本表达

提出 LARA 三层评估与四字段血缘 schema，解决 agentic 助手检索归因缺失，并用 Adobe Express 生产数据验证

提出Cola2，通过连续语义压缩、离散重建-生成平衡与连续-离散协同适应，346B tokens训练8任务平均60.10超越Llama-3-8B部分任务

在推荐 top-K 交付中加 agentic 策略选择层，从预定义公平策略库按运行时上下文选择并执行验证修复

在长对话理解中，基于原始历史的朴素 RAG 在多数基准上超越复杂 agentic memory，并揭示保留原始信息的重要性

构建首个以源视频为中心的深度研究 Agent 基准 OmniDR-Bench，并提出原子化 Rubric 树评测方法

提出 BGAFlow，结合 LLM 共享语义空间与个性化 horizon，用条件贝塞尔曲线和残差流实现跨域兴趣状态自适应迁移

用随机深度预训练加末层KV广播后训练，实现循环模型跨层KV共享且不掉点

低精度存储 n-gram 嵌入表，4-bit 可节省约 75% 表内存且几乎不损失性能

训练无关的 SGUR 框架用先验加权图匹配与主动信息增益消减多轮推理不确定性，医学诊断 Hit@3 达 92.5% 且 token 少 5 倍

AOPD 用学生优势加权教师动作，仅靠标准 rollout 和终局奖励即可无偏估计，提升在线蒸馏效率与效果

系统量化 BM25+密集检索融合在单查询上的损失，发现即便平均提升，13-48%查询反受损

提出 TTR-Compressor，将序列压缩视为测试时回归并用闭式解聚合 token，在稀疏注意力和视觉 token 合并上优于 pooling/投影

用 RL 联合动态对抗判别器训练用户模拟器，有效对话率 46.2%，为最强现有模型的 3.3 倍

把层级RAG受限解码编译为一次prefill+树因果probe，零输出token复制串行策略

Lychee 在 GPU 倒排索引上通过 certified screening 跳过大部分向量读取，实现高召回向量搜索加速

用可学习潜在 token 压缩显式 CoT 推理，实现 Latent-Reason-then-Answer，精度与吞吐双提升

用曝光条件偏好对比学习与可增量更新的历史注意力，将 LinkedIn Premium 人推荐检索 MAR@100 提升 56%，线上 CTR +7.5%

修复 softmax/cross-entropy 的两个数值 bug，消除 Slingshot 尖刺与蒸馏漂移

共享 Gumbel 噪声的孪生世界实现 turn 级反事实信用分配，方差降为 1−ρ 倍，7 个 QA 基准平均提升 5.3/4.5 点 EM

构建真实电商长程交互基准与五级评估协议，并提出 on-policy trajectory distillation 提升用户模拟器保真度

用SFT+RL训练Qwen3小模型，在Plan-Retrieve-Select流程中超过Llama-4-Maverick并零样本迁移工具域

提出 CausalCoT 推理框架，将问题拆成 DAG 原子子问题并在隔离上下文中求解，提升因果敏感度与解释忠实度

直接优化所选候选池的 pass@k，让质量与多样性在剪枝中自动平衡，超越现有策略

提出 EAU 元代理框架，在 RL 训练中在线诊断并修改用户模拟器、环境奖励与超参，实现三者协同进化

通过教学与实践交替学习可复用的 Agent 技能，并构建 SkillTransferBench 验证迁移性

把 agent 重复动作当负样本、同 rollout 后续恢复动作当正样本做 DPO，大幅降低上下文压缩下的循环率

GRSE 用同题多轨迹对比把团队 reward 归因到 agent-skill 并驱动技能修订，超越 MASkills

发现 LLM 在单 prompt 组合多任务时按比例压缩每任务推理 token，导致长推理任务更易出错，并可按脆弱性分组省 43% token

用教师-学生分布分歧作为无答案信号，训练合成器生成能暴露教师监督的问题，提升on-policy蒸馏效率。

通过不同学科背景、私有历史与自适应分配组织多智能体团队，自主搜索出优于GDN2的线性注意力架构

在 Qwen-Audio-3.0-ASR 基础上扩展说话人分离与通用音频理解，覆盖多语言、多方言及流式/非流式部署

让策略模型在压缩上下文时引用关键轮次，再用同 prompt 成功/失败样本的组内对比重标定引用权重，将稀疏结果奖励转化为轮次级信用信号

GPU 分区扫描与窗口阈值过滤实现大 K 高召回向量检索，在药物筛选中达 99.6% 召回且比现有方案快 8-24x

HarnessAdapt-RL 在强化学习中同时训练策略模型与工具/hooks，显著提升 coding agent 的 pass@1

构建AGENT4SCI科学ML测试床，前沿Agent在20个基准上平均相对提升10.4%，加技能后达20.1%，提升主要来自工程技巧而非科学洞见

提出以记忆是否改进未来行动为核心的三轴分类、双循环生命周期与评测协议

将 agent 执行 harness 因子化并正交选择 18 个训练配置，跨 harness RL 显著提升未见配置与外部黑盒泛化

提出 TraceForge，在仅有教师答案时合成学生家族原生推理轨迹用于蒸馏，代码任务提升显著

构建代理-环境闭环，通过参数、技能、环境三轴演化实现递归自改进，连续三周登顶FutureX

LoopRec 把序列推荐从固定深度改为逐 item 可退出递归，无需深度标签即可适应多 backbone 并稳定提升效果

把反馈向量转为原查询切空间上的方向性约束并做后验融合，训练无关地提升稠密检索查询改写

用多尺度细粒度 Semantic ID 将多模态内容融入 ID 型 CTR 模型，先做 query-item 相关性预训练再做点击微调，显著提升冷启动与创意区分

提出前缀累积似然比作为精确重要性权重，用 r-1-log r 坐标构建校准裁剪目标，稳定离线 MoE RL 训练

提出 Behavioral Localization，定位技能真正改变行为的少量轨迹位置来训练短 soft prompt，减少漂移并提升任务成功率

将多个 LLM 分类器组织为自适应查询电路，以更低成本突破路由/级联的准确率前沿

LongZero 让 LLM 无需外部数据，通过自合成紧凑证据再展开为长上下文，用 GRPO 提升长上下文推理

提出 search momentum 量化迭代 RAG 中的查询意图漂移，并用轨迹解耦与并行多方向检索缓解漂移

提出个性化自动购买授权边界任务，发现16个LLM购物Agent过度承诺，个人边界可从少量标注习得

用 18B 教师表征蒸馏出 0.6B/9B 多模态 late-interaction 模型，支持大模型离线建库、小模型在线查询的共享向量空间

提出LMVU轻量排序器，按边际视角覆盖增量选择证据，在有限上下文下提升多视角覆盖

提出无训练插件 CAPE，用 item-level 共现记忆同时修复生成式推荐的检索剪枝和排序偏差，显著提升长尾命中

提出四架构轴+学习信号分类框架，系统梳理推理-搜索Agent设计与消融证据

提出 EMPO，对执行等价响应共享长度归一化策略比率，消除信用-更新错位，提升 GRPO/GiGPO 长程任务效果和效率

提出 harness 与环境协同进化框架，自动构造可行/不可行任务对，弃权准确率提升至83.3%，跨19个LLM平均提升15.3个百分点

提出 HACE 框架，让专用基础模型与 LLM agent 互惠共进化，在推荐、蛋白质功能、材料稳定预测上全面超越收敛后基线

提出 HDA 协议，将 harness 进化增益归因为 overfitting、test-time scaling 与 residual 三类

用路径极值替代累加衰减，实现选择性上下文擦除并压缩 KV cache 到 25% 仍保持长程检索

系统评估多轮代理场景下16种特权信息配置，提出KL散度指标预测其训练收益

共享 Gaussian trellis 与 norm restoration 将条件记忆行压缩为 2-bit 码，KL 较 2-bit RTN 降低 41-63%，DeepSeek 表由 203GB 降至 51GB

4B深度研究Agent经跨源桥接轨迹合成训练，在混合基准上超397B大模型8.3分且无灾难遗忘

提出 ProD，在蒸馏中显式惩罚学生轨迹停滞，提高小模型 Agent 成功率与推理效率

用元智能体协调历史执行框架与模型检查点选择/合并，并用自身拒绝采样轨迹 SFT，减少递归自我提升中的脑体不匹配

提出 Anti-Persistence 记忆：只存轨迹和结果，抽象按需合成并丢弃，抑制错误复现，提升成功率并降低成本

提出 HarnessRL，通过任务采样、rollout 引导与 rubric 标准三接口协同进化，并在冻结策略上实测更新效果，显著减少奖励失效。

提出可插入组件 TokenGate，通过类 MoE 的 token-gated attention 端到端训练 token 剪枝，大幅加速长上下文预填充且精度不降

固定模型权重，通过成功/失败对照轨迹与运行时监控证据迭代改进 agent harness，提升任务可靠性与成功率

Lafa 8B 连续流语言模型用 <30B token 训练达到 AR 质量，并以自推测解码实现 2.54 倍吞吐

通过对称注意力池化，将查询和文档压缩为固定数量向量，大幅减少多向量检索的存储和计算开销

NAU 结合 SID 级遗忘目标与邻域概率质量控制，消除生成式推荐遗忘对共享 token 邻近物品的泄漏，保持超 95% 重训效用

训练迭代 k 预测前 k 步状态并锚定范数，使 0.5B 模型在状态跟踪上将外推因子提升至 16 倍

35B MoE 智能体模型，通过 Agentic Orchestration 与 Agentic Verification 实现并行子智能体协作与自校正，在多项长程任务上超过更大模型

Prompt 级自改进无法消除对话搜索模拟器与真实用户行为差距，权重级对抗微调把判别 AUC 降到 0.45 并修正评估偏差。

提出 DeclineCraft 基准，度量模型在检索与参数知识均不足时正确弃答的能力，揭示迭代 RAG 等增强策略反而降低弃答率。

将多模态重排转化为System One选择题，通用VLM一次前向读logits排序，零样本超越专用小模型，文本决策微调有增益

蒸馏引导的用户级选择+目标感知检索，将100K长序列压缩至10K原始记录，在线计算量降160倍且GAUC提升

在排序价值模型中保留原始预测并给增量项单独权重，用一个算子统一用户、物品、请求三类去偏

让智能体自主进化计算机操作接口，27B开源模型以低成本超越GPT-5.5和Claude Opus 4.8

用 LLM 进化搜索自动优化生成式检索的语义索引，以 1M 参数 proxy 加速评估，在多个数据集显著提升召回率

统一运行时护栏框架，结合本地A-Guard与系统级Charter/Control Plane，ASR降低71.5-86.3%同时保持效用

用继承构建可复用 harness 类并基于执行轨迹路由，三基准最高提升15.79个百分点

提出 cache engineering 让 Agent 通过 drop/repos 直接控制 KV cache，无需改轨迹或重算；AKV 服务系统实现 27.7% 成本下降与 1.51x P95 延迟加速

提出 OptionWorld 基准，追踪从信息获取到行动结果的完整链路，定位 LLM 长期助手跨天任务失败环节

提出前缀平衡语义ID构建与逐步个性化解码，缓解生成式推荐分支不平衡和证据不匹配

训练递归智能体生成与学习对齐的 rubric，以自我评估子任务，降低外部监督并提升执行与分解能力

提出教师-学生分离的KD框架，通过fused loss和prefetch ring突破显存限制，匹配同布局损失并提速

用 typed completion graph 约束长程任务合成，并以完成过滤的 RFT 提升 Agent 在外部基准上的完成率

用 Lean4 统一多层级可验证过程奖励，配合 workflow-stage-normalized GRPO 稳定提升 Agentic RL 训练效果

提出 RSIFlow，将自适应工作流编排与元Agent harness 演化耦合，动态诊断瓶颈并更新模型/框架/工件，6基准11/12领先

用 31 个真实付费 OR 项目构建基准，通过客户端模拟器评估 LLM Agent 从原始需求到可部署方案的端到端能力

提出 Self-HPO 框架，交替优化编码代理的 harness 与 policy，实现递归自改进，显著提升编码任务解决率

用工作流需求合成可执行训练环境，同时产出 SFT 演示与 RL 奖励，训练小型 cowork agent

多智能体递归改进 agent harness，用 Pareto 选择产出 lite/medium/heavy 三档，同时提升 pass rate 并降低执行成本

将f-divergence对齐框架扩展到排序偏好，提出f-RPO，在排名恢复和生成质量上优于排序baseline

提出记忆增强多模态委员会重排 Agent，将查询分解为意图因子并用 episodic memory 调整优先级，在 MM-BRIGHT 上 nDCG@10 达 41.5/38.9

提出RetailBridge多源零售QA基准与RetailRAG框架，定位跨源链式为瓶颈

通过能力层与持久多模态记忆统一工具输出，多模态 LLM 在 22 个基准上平均提升 9.7-12.6 分

通过 IVF+RaBitQ 量化与数据重排序、请求合并等协同设计，大幅降低云对象存储向量搜索的 I/O 与 API 请求成本

用460万真实商业对话微调Qwen3-32B销售Agent，在100个网站随机试验中比无Agent提升10%收入，比前沿模型提升21.6%转化

用 LLM 推断用户画像作为全局引导替代跨域语义桥接，结合本地语义关联提升跨域序列推荐

提出 TokenWorth，在线学习 query-dependent 记忆价值并统一用于检索与记忆淘汰，在资源受限终身智能体任务中成功率最高且输出 token 最少

把异构特征封装为可调用工具，按需在 SID 解码中注入观察 token，实现请求与层级自适应的生成式检索

系统量化 SID 重映射损害，提出冻结旧 SID/插入新物品/热启动的拓扑保持更新原则，线上 GMV +1.16%

将决策模型（Jev/Kev）用于推荐重排，结合场景知识图谱语句和多智能体候选池，在稀疏Amazon目录上NDCG@10提升25%-36%。

证明送达顺序会改变搜索 Agent 的检索决策与证据获取，并提出 CEA 实现调度不变且免全局等待的稳定证据获取

把 masked 自集成目标推到无穷 mask 极限，得到闭式 Jensen gap 正则，单塔一次前向即可训练；再叠加跨 seed 蒸馏

用潜变量路由 token 间依赖，单次前向生成多个一致 token，实现接近自回归质量的 2.3-5.7 倍推理加速

用任务超图动态选择互补 Agent 组，在缺失多模态 POI 重排中带来 8.4–9.1% NDCG@20 相对提升

多智能体闭环生成个性化视频广告脚本，结合 GRPO 多维奖励，在线 CTR/CVR/ARPU 显著提升

提出 MemT-1.0，用 Gated DeltaNet-2 与 MoS 将记忆内化为模型原生状态，128K 历史下较 full KV cache 提速 1.86×、存储降 66×

学习 SID 与 item 匹配的 catalog 归一化融合分布，并通过蒸馏将 refined 排序迁移到 one-pass 推理，平均 NDCG@5 提升 7.12%，推理更快

开源 Python 库 OpenSaC 将搜索、抓取、重排、LLM 调用组合为可执行程序，使 Codex 类智能体做深度研究时显著节省 token 与时间

把 LoRA 适配器切换做成 Agent 原生工具调用，冻结主干独立训练 Plan/Search/Writing 模块，在 deep-research 任务上超越全参微调和静态合并

开源流水线合成 GUI/MCP/CLI 跨界面环境与长程任务，用质量门控与 RL 训练出跨 8 个 OOD 基准泛化的 CUA 智能体

利用同一 query 的其他成功拓扑作为特权输入，通过 on-policy 蒸馏改进多智能体拓扑生成器后训练

引入失败条件 RL 框架，将失败补丁与验证反馈作为恢复轨迹上下文，SWE-bench Verified Resolved@1 从 GRPO 的 38.9% 提升至 41.7%

开源移动智能体OpenMobile-2，提供110+应用环境、12K SFT轨迹与2K可验证RL任务，支持GUI与原生工具混合使用

用自预测损失引导的隐式增广，把有限轨迹语料变成可再生难例源，提升多智能体失败审计

Agent联合发现优化目标与廉价代理评估器，突破昂贵评估瓶颈

构建含789文档/601工具的支付业务基准，同时评估目标达成与中间执行合规，前沿模型严格成功率仅64%

引入联合训练的拓扑预测器一次性规划全局跨层连接，以输入自适应强度路由信息，显著提升 Transformer 效率与效果

提出 LEV，通过循环重跑层而非生成 token 实现自适应深度推理，在决策任务上以低计算开销提升准确率

首个利用混合线性注意力循环状态做位置特定上下文检索的投机解码方法，平均3.16倍解码加速

提出 SABER 基准评估属性-物体绑定，并证明仅用合成文本微调 MLLM embedder 可跨模态迁移提升检索

DLite 复用目标模型隐藏状态进行局部投机预测，避免维护历史 KV cache，在 agentic 任务中接受长度达 2-6 并超 DSpark 最高 70%

系统消融循环LLM的拓扑、输入注入和循环状态设计，证明Huginn架构在稠密和MoE模型上均优于Ouro且参数效率更高

提出 TreeOPSD，用树回溯信用构建有限目标分布，以 Forward-KL 后验蒸馏替代固定策略梯度，无 critic 地稳定长程 Agent RL

用生成式组织模拟持续产生专业任务、上下文与反馈，构建 406 任务基准并训练提升 Qwen3.5-9B

提出 ReDiST，以学生自身尝试为起点构建并筛选推理轨迹，提升推理蒸馏效果

将 Agent 记忆门控建模为延迟单侧反馈的 contextual apple tasting，提出 Warm-Start UCB 实现用户级个性化选择

构建包含 993 个代码生成技能的检索服务器，检索注入可提升 Pass@1 最高 13.91%

提出 Darwin-Claw，将交互失败归因为结构化经验单元并外置到技能槽位，驱动递归自进化，在 WildClawBench 上平均得分提升 24.1%

通过条件技能归纳与独立审核，构建可进化的科学代理框架，显著提升分子筛选与优化能力

部署的 Tool Recommendation 系统用固定三工具接口为多步 Agent 提供全目录 8200+ 工具，实现工具链完整性与端到端成本双赢

在 H100 上实现 Llama 风格 Transformer 推理 CUDA kernel，prefill 用 FP8，decode 用 INT4 权重和旋转 INT4 KV cache，单步解码从 8.1ms 降至 2.8ms

首个 MCP 网关统一评测基准，量化扁平与层级网关在任务完成、效率与攻击韧性上的差异

把商品改写策略存成字段级行为手册，用排名反馈持续演化、去冗余并淘汰有害策略

提出 CDSE 将轨迹提炼为 Meta/Experience/Tool/Script 四类功能分化组件，统一维护与自适应调用，在 36 个评测设置中全面超越既有技能进化方法

通过共享会话状态协调记忆暴露与模型选择，在长历史交互中实现质量-成本平衡

发现 relaxed 推测解码的接受 token 数增加会伴随生成长度膨胀和推理延长，使指标失真，应报告完成长度和验证轮数

开源自托管 Agent 框架将开放权重模型与检索、阅读、计算工具编排，使文献问答准确率翻倍且几乎不产生幻觉

用RL训练时间区间定位器，在检索阶段引入时间约束，缓解语义相似但时间不匹配记忆淹没目标证据

提出 Meta-Skill 管理框架，让智能体按需识别能力需求并加载技能，优于静态检索和 LLM 选择

构建 RERANKID 测试床，证明纯 SID 推理重排可由后训练激发；8B RLVR 在 20 倍更短提示下匹配文本 LLM，但 rationale 不可信

训练多模态Agent自动搜索、验证并裁剪动作参考，输出grounded prompt与reference clip，显著提升冻结视频编辑模型的专业动作编辑能力。

长法律文档按结构分块索引可提升稠密检索效果，完整层级非必需，核心块加文档元数据即可

Agentic 框架将视频世界模型作为统一视觉推理引擎，通过可进化 tool/skill 动态生成视觉证据，多基准相对提升 11.8%–13.0%

PathFM 用 flow matching 生成完整多元轨迹，通过蒸馏与共享 KV cache 实现近单次查询速度，并取得最优路径分数

Player-1利用合成环境和PPO强化学习，将游戏智能体MineDojo-300成功率提升至38.33%，远超SFT基线

双分支图知识蒸馏：教师端语义先验重塑流形，学生端余弦蒸馏跨模态对齐，冷启动显著提升

在迭代 RAG 中重建跨证据实体对应与推理依赖，多跳 QA 平均 EM/F1 提升 2.83/3.06

提出 TaskVM，将 GUI 任务建模为可编辑契约，实现可验证与可恢复的代理执行

提出 RSHD：从失败 rollout 写纠正笔记，经重放效果筛选和防泄漏后蒸馏回 plain-prompt，在 GRPO 全失败组上恢复监督信号

提出轻量检索端方法，将 BM25 分数与查询级重叠作为上下文，用小型非线性 scorer 条件融合多查询视图结果

提出 GPU 端无损稀疏激活压缩格式 BitSparse，在 Modded-NanoGPT 和 Nemotron-H 上降低每 token VRAM 31%/30%，开销不超过 1%

用 reward 与 importance-weighted score 的协方差替代正则化 IS 策略梯度，厘清 group-mean baseline 与 score centering 的不同作用

训练跨 Mem0/MemOS/Hy-Memory 的紧凑记忆写入器，用逐块探针和归因奖励实现细粒度信用分配，平均 55.49% 超过 Claude Opus 5

提出 FEB-30 事实演化基准与内在评估方法，证明仅靠 QA 评估会掩盖记忆存储层故障

利用模型自身剩余层读取隐藏状态，构建词汇参考系，使残差流可读、可归因、可操控，早期退出可跳过近半层

用两阶段训练+GRPO奖励让模型自我发掘对话中的社会线索，准确率提升且推理 token 减少超 80%

少数对抗智能体反复陈述看似合理的假答案，即可让多数良性智能体私下采信但公开不表态，揭示隐性信念崩塌

训练免费的测试时框架 EMO 交替进行上下文估计与 logits 引导，平均提升 9.1 个百分点。

提出 GACC-Bench 基准，评估 LLM 在给定高层目标下压缩长上下文时保留目标相关信息的能力，发现与完整上下文仍有显著差距

通过时序事实和分层分析，揭示搜索增强 LLM 常“检索到但未读”，即使有新证据仍输出过时答案并给出不忠实引用

用扩散语言模型在共享画布中同时填充多个掩码区域，并通过似然比奖励提升少样本示例跟随能力

CATCH 用数百条自报告场景构造对抗训练对，让 LLM 在压力下保持诚实并跨任务泛化

通过硬件-模型协同设计、Origami 分析性能模型与 agentic kernel 优化，使 MI350X 在 DLRM 训练吞吐达 B200 的 101%

提出免训练 on-policy 蒸馏，仅用前向传播和最小二乘逐层合并多个专家模型，无需梯度更新

端到端训练统一 GUI 动作与代码执行空间，结合 SFT 与在线 RL 将 OSWorld 成功率提升至 66.44%

用多智能体对话系统自动化 PRISMA 流程，决策留痕可溯，筛选与抽取 F1 最高达 0.788

用 Agent Card 结构化字段 + IDF 权重 + 倒排信号索引，在不训练的情况下压缩候选上下文，实现可扩展 Agent 发现

预训练表示中原关系的线性可读性越强，新构造关系微调后的泛化越好，模型内 Pearson r=0.87–0.92

用集合级强化学习奖励多样性，训练 8B 模型一次生成 K 张高质量且互异的科学创意卡

用草稿路由、自适应缩放和 FactCycle 事实校验生成高密度图像描述，提升 VLM 训练效果

隔离验证器沙箱加 hacker-fixer 迭代循环，全自动大幅降低攻击成功率

提出 RES 框架，固定任务目标、递归变换信息访问/资源关系/执行依赖，提升环境难度并增强 SFT

在 GRPO rollout 中用少量锚定噪声扰动嵌入位置替代标准采样，以极低成本提升探索多样性，优于 GRPO。

用构建-执行-修订循环合成64.9K个Cowork环境，后训练小模型在多个Agent基准上大幅超越基座

将列式稀疏掩码扩展至 Hopper 分布式注意力，实现零通信掩码本地化与负载均衡的长上下文训练加速

在 LM 头旁增加轻量 Copy-Paste 头显式建模上下文复制，提升训练效率与下游表现

利用 Lean 形式化证明自动生成自然语言证明的逐步正确性标签，训练过程监督验证器，步级准确率从 48.2 提升至 74.7

通过 Q Premix 与 Linear Postmix 将训练后模型吸收为标准 GQA-2，实现 KV cache 4 倍压缩、训练 FLOPs 下降且质量提升

开源一体化 GUI Agent 平台，统一评估/数据/在线RL，9B模型在 MobileWorld 和 OSWorld-Verified 创下 SOTA

将训练期 oracle 多步续推作为辅助监督，并用前缀可达性权重控制离策略深度，提升长时程 Agent RL 的 OOD 表现。

提出参数轨迹交叉编码，发现模型隐藏态编码任务信息早于其输出读出表达，能力时间线混淆了编码与读出

用成本模型解释远程 KV 命中何时不如重算，并通过分片、按 rank 分区和异步加载把 p99 从 83.32s 降至 0.67s

多智能体引擎从显式机制合成数据环境和任务，产出训练数据并RL-zero训练数据代理，基准大幅提升

构建95个真实客户交付任务基准，评估智能体在模糊需求下提升客户业务指标的能力

用 MoE LLM 做个性化并通过 crosscoder 定位可解释个性化 latent 与专家路由，验证其因果作用

用弱模型隐藏状态的不确定性同时驱动升级决策与黑盒强模型监督，无训练实现高效成本-精度平衡

开源通用计算机使用智能体栈，用代码执行与决策转移让8个前沿模型在OSWorld-v2平均+19.6分、步数-53%

用中间检查点方向一致性门控教师 RL 前后策略偏移，提升数学与代码推理蒸馏效果

构建可执行 3D 代码数据集与多智能体验证框架，微调开源模型显著提升 3D 代码生成质量

用质量多样性搜索构建精英解档案并与 GRPO 结合回放，提升准确率同时保留 LLM 解多样性

提出用模型间分歧信号做无监督弱到强路由，无需正确性标签即可在成本与准确率间权衡

仅改变指令鼓励报告困难并自动继续，环境无关编码智能体在 ARC-AGI-3 和 AGI Maze 上得分提升，但专用脚手架仍有优势

用随机投影同时处理知识库与查询嵌入，在保持语义相似度的同时缓解数据抽取攻击，优于DP方案

提出 LangDiT 架构，通过多项归一化与梯度路由改进，显著降低生成困惑度，刷新连续扩散语言模型 SOTA

LLM 在 Indic 语言安全评估中同样存在评估意识，被告知测试时有害请求拒绝率显著上升且良性请求误拒增加

用线图与归一化延迟嵌入两种互补视觉视图训练视觉-语言时序模型，显著提升推理精度

短程滑窗+长程 keypoint 选择的稀疏注意力，线性变体短 CPT 即可零样本长度外推

提出EdgeWise框架，让本地SLM作为主求解器，仅在关键步骤选择性委托云LLM，显著降低成本且保持性能

保持模型权重固定，仅修订 prompt/memory/workflow/代码实现 Agent 自我进化，并给出持续 PAC 学习保证

四个Claude智能体团队在Athanor系统上自主将Qwen3-4B-Base后训练至接近官方Instruct水平

多智能体系统 AutoSFT 将执行与分析分离，覆盖比例调整、剪枝、修复、替换、合成等数据动作，显著提升 IFEval/IFBench/MBPP+

提出 Mosaic，用 session-aware 轨迹优势与 session 级边际信息增益塑造，在 BrowseComp 上超越广播基线且会话数更少

让弱模型草稿执行只读工具调用，强模型在不可逆动作前一次性 prefill 验证并修复，用验证替代逐步解码

用单次前向的自回归掩码决策替代自由文本生成，输出结构化选择与候选概率，4B模型七套评测集平均准确率90.02%

以置信度阈值将Agent常规多选决策委派给4B决策模型，最高降本89%、提速2.5倍，成功率损失<3点

提出 IG-OPD，用检索后信息增益校准 OPD 的预算与方向先验，修正证据盲监督

提出市场机制后训练框架 MPT，让去中心化 Agent 联合学习行动策略与竞价式自组织调度，在多个多智能体任务上超越单一体模型

四个通用编码智能体通过 Mineflayer 编写 2783 个 JS 程序、共享记忆与聊天协作，27 小时 14 分首次端到端击败末影龙

用递归自改写与策略精炼交替训练，把终端 Agent 验证反馈转成策略提升

用 LLM coding agent 在冻结预测模型外围自动生成与迭代 pipeline，并通过自适应选择器提升时间序列预测部署效果

提出 TransX 序列转导框架，将行为编码、记忆与候选融合解耦，通过摊销执行实现模型扩容而不等比增加在线成本

用少量干净反馈经最优传输校准样本级噪声率，并构造无偏代理损失提升奖励建模与 RLHF

用 verifier 信息 self-replay 定位每个 reward 的相关 token，把 advantage 按相关性重分配，加速并提升多奖励 RL

两层 HTN 解耦全局规划与局部多智能体执行，结果驱动增量分解与重建，在多个 benchmark 超 Agent Team

用可控问题升格与联合 RL/在线蒸馏，把易题变难、难轨迹变可学

把搜索轨迹按已满足的原子知识条件分组，用增量知识增益做过程奖励，8B agent 超过多数 32B 开源系统

通过将权重更新限制在低能量奇异子空间，SST 有效减轻 LLM 微调中的灾难性遗忘

用层级SFT与执行窗口交互强化学习训练35B MoE，将MLE奖牌率从37.9%提至72.7%

RecSoup 通过剪枝消解跨目标干扰并学习偏好到合并系数的映射，实现推理时可控多目标推荐，较参数生成提速 165–228 倍

利用历史工具调用轨迹的 trie 索引和状态自适应双先验混合，在保持准确率的同时大幅降低工具选择上下文成本

将文档语料预构造成分层文件系统工作区，并用RL直接优化下游答题准确率，BrowseComp-Plus提升33个百分点

提出外部 steering agent，用 fast/slow 双路径和 RL 联合训练，在长程执行中实时纠正 goal drift，提升单智能体和多智能体搜索任务表现

提出 AURA，用检索特异性监督中间推理状态并训练效用估计器，在推理时自适应停止，以更少步骤取得最优检索

提出 CARA，以证据对回答的因果贡献替代纯文本相似，引导 KG 检索 Agent 并融合多轨迹

MirrorMoE 通过 token 自适应抑制低概率路由专家缩小探索空间，解决细粒度共享专家 MoE 的探索困境并稳定涨点

用动态α-truncation对齐SPLADE词表，1B LLM稀疏检索在L0=182时接近Lion-sp效果且延迟降11倍

提出 WORKFORGE，从真实工作资源合成可验证环境并生成训练轨迹，大幅提升长程智能体能力

提出 ROADMOPD，引入非路由教师作为跨域批评者，通过 token 级信用分配与梯度投影缓解多教师在线蒸馏的梯度冲突

提出 KV4-RL，通过校准无关 INT4 KV 量化与选择性 INT8 保护 attention sinks 和近期上下文，在保持训练质量的同时大幅加速 RLVR 异步 rollout

提出动作级在线蒸馏，用语义一致奖励替代 token 概率，实现跨模型家族黑盒 teacher 蒸馏

在仓库级 issue 修复的异步 RL 中，Muon 配合单 rollout、TIS 与奖励塑形显著提升训练成功率

教师先批判错误，学生从最后错误处重写；教师带批判评分、学生无批判训练，显著提升数学推理蒸馏效果。

提出双轴框架解析多模态Agent记忆的形成/表示与管理演化，总结设计模式与原则

提出 LatentLoop，压缩首轮循环序列、保留次轮全分辨率，将省下算力重分配给隐藏宽度，在相同预算下降低 NLL 并提升下游基准

提出 HICO-Bench 与 PaCPO：以成对世界可验证结果评估并训练社交 Agent，Qwen3-8B Verified Success 20.4%→28.3%

用LLM访谈+轮级审计从历史对话中提取隐式用户画像，显著提升模拟用户的aspect表达丰富度

把流行度先验注入 entmax 变分目标，让稀疏支持集由上下文与流行度共同决定，仅改 loss 即可去偏

在50k API规模下系统对比Retrieve-then-Plan与Plan-then-Retrieve，发现单工具查询RtP占优、多工具查询PtR占优的复杂度交叉

提出 CoSIR，在可验证评分表环境中用团队 surprisal 减少作为信息奖励，训练 LLM 分享/请求/使用信息，迁移到 7 个未见协作任务

电商候选检索中，GR 的价值领先主要来自静态热门度，静态价值先验重排 DR 可反超且保持 recall 领先

角色分工+轮换更新的多智能体广告投放系统，相比规则基线 ADV 提升 14.02%、CPA 降低 7.07%

提出 SRAT，将检索作为可学习翻译动作，用 GRPO 与检索器对齐实现选择性检索增强

用快照集合干预构造反事实子集价值，Shapley 聚合加有界零和优势整形，实现多检索动作的上下文相关信用分配，线上广告主价值提升 3.51%

NatScale 用对称 KL 目标校准专家敏感度对比度，在固定存储预算下提升 MoE 量化保真度

三段式 SKU 主图生成框架：PERL-Agent 提炼卖点、Layout Thinker 优化布局、SKU-DiT 多条件保真生成，已支撑每日百万级生产

用前瞻性重演与 FFN-only 低秩/结构化更新，把上下文增益蒸馏为可堆叠的参数记忆，兼顾 CR 与 RR

提出多开发者 MDA：子任务分解路由组合专业 Agent，将≤35%单点准确率提至70%

用已验证轨迹的未来信息对单次 rollout 计算归一化 JSD token 权重，替代 GRPO 组采样，训练最高提速 2.30 倍

证明 RLVR 中固定动量增益会被采样噪声淹没，需随学习率放大 β 才能稳定获益

单agent/并行/通信式多智能体自动研究都会平台期，周期性遗忘会话与搜索状态、仅保留全局最佳候选可解锁探索并提升最多15%

将压缩 KV cache 视为可训练参数，用测试时训练拟合注意力与蒸馏，在 32× 压缩下 RULER 达 96.7%

通过协方差最大化推导出闭式数据感知正交变换，大幅降低LLM量化校准成本

提出情绪化用户交互基准与 Tracer 数据管线，用交互感知信号训练工具调用 Agent 提升可靠性与跨域迁移

TreeFlex 让同一 LLM 在 Reflection 与 Execution 间切换，自主选择保存的中间状态继续搜索，并用树感知 GRPO 训练，在深度研究和 SWE 上显著超越 ReAct 与 FoldAgent

在成功轨迹上以未来动作序列为多步辅助目标，让策略骨干同时执行与预测并共同进化，提升样本效率且无推理开销

证明竞争底线与近似条件独立使一价拍卖在智能体市场中福利损失远低于最坏情况，并用 EmbedLLM 仿真验证。

为有符号多哈希索引器构建可证上界，利用种子阈值无损筛除多数 key，避免全头打分，长上下文预填充最高快 2.74 倍

提出 PR-OPD，用分层隐藏状态对齐替代 token 概率蒸馏，把智能体自生成技能的特权优势传给无技能策略，推理零额外开销

发现 Rubric-RL 加权求和奖励造成准则间补偿，提出按协议级维度合取聚合的 ProRubric，关键指标提升 10.8 点

无外部教师模型下，通过任务合成-训练-诊断闭环实现 harness agent 自改进，并迁移到小模型

提出 Harness²，通过对比性 Propose-Probe-Compose 与经验库更新，在无 ground-truth 的开放世界中持续改进 agent harness。

用共享生成式语义工作区记录子问题依赖与证据，并分离研究/验证，深度研究性能与答案可溯源均领先

提出双头掩码率预训练策略，首次同时达到分类与检索 SOTA

用10万用户真实行为构造可见历史/隐藏未来任务微调LLM，同步提升用户理解与通用能力

用重放增益奖励技能生成并以经验贝叶斯校准教师信任，实现技能-策略共进化

提出 DeskIF-Bench 基准并依据可发现性、粒度、可观察性合成原子接口，提升 LLM Agent 桌面任务成功率并降低约73% token 消耗

发现 RLVR 梯度能量向低秩子空间集中，提出自适应秩优化器 Ares，跨模型和任务提升准确率

将 PPO critic 改为逐 token logit 增量累加，在稀疏二元奖励下显著提升推理训练的 token 级信用分配与策略性能

用GPT-4.1当裁判生成48万条相关性标签，蒸馏到Gemma-3多模态小模型，精度接近教师、吞吐大幅提升

训练一个可复用的 Token-to-Go 进度计，将稀疏回合优势按步骤进步量重分配，提升多轮 Agent RL

提出层级损失与属性辅助损失，在 Semantic ID 生成式推荐中实现约 2 倍训练提速与长尾显著提升

将文档向量符号位作为 DocID，结合多树束搜索，实现零训练新文档适配与最低推理延迟

提出 ReVeR，从指令本身推导评分细则并用工具增强逐点评分，通过标签盲蒸馏训练，超越 pairwise rubric RM

联合行为感知 SID 构建与动态 horizon RL，解决生成式检索中的码本坍塌和奖励稀疏

提出 WorkRover 框架，用递归环境演化与 Verifier 进度信用分配提升长程 cowork agent 训练，多个基准大幅超过基座

提出 LiPQ 将标签与向量联合 PQ 编码，使过滤 ANNS 保持接近零 DRAM 且索引加载快

CarryOn 将长程 Agent 上下文组织为可复用任务对象 + 执行上下文 + 近期交互，OSWorld 2.0 和 BrowseComp-Plus 分别 +5.8%/+7% 并大幅降 token

利用 RQ-VAE 语义层级自动生成查询与分级相关性，构建可诊断属性的时尚检索基准

HybridAgent 用轻量 HybridLink 与连续工作记忆交替进行潜在推理和文本工具调用，在 11 个基准上平均提升 10.4% 并大幅降低 token、延迟与成本

提出 Jeva 决策原生架构，解耦候选编码与请求判断，实现空结果感知、置换不变、候选可扩展与跨请求缓存

在 Hybrid KSA 上新增 C-KSA 与 S-KSA，把 Summary 同时用作可二级压缩 KV 记忆和稀疏索引，128K 下 KV cache 减少 40.4%、prefill 达 1.51×

提出 SeTPO，在 GRPO 中按奖励门控注入教师 token 级反向 KL 信号，并用教师演示前向 KL 保留结构，提升 SLM 工具调用

提出训练免费的 token 级奖励归因方法，用梯度一阶泰勒近似从 PRM 分解过程奖励，加速 RL 训练并提升推理表现

用已有 outcome 轨迹似然差做策略相对技能效用，正门控选择性注入训练期技能，推理时完全免技能

先构造完整隐藏世界再渲染损坏任务，并用进度势能奖励解决长程智能体 RL 的稀疏奖励，使开源模型逼近前沿。

让 LLM 直接读写完整节点/边文件并现场编写图访问代码，训练自由即在 STaRK 上超越最强基线

提出 ExpActivator，将个性化从检索历史改为按当前情境激活适用经验，提升执行与主动建议效果。

把少量演示作为证据包供编程 Agent 研读并迭代改写策略，冻结后评估不暴露成功信号

针对 MLA 的 content 与 RoPE 双缓存，提出路径专属可离线融合变换与功能对齐目标，实现首个联合 INT4 缓存且精度损失极小

揭示 transformer 中 massive activations 由 AdamW 预条件增长与 weight decay 平衡驱动，权重衰减控制其峰值与衰减

提出DRMoET，将MoE专家作为内生DRO组，动态加权高损失路由结果，提升路由鲁棒性和下游性能

系统研究多语言数学推理中骨架提示语言选择，发现英语骨架平均微小正向但非普遍最优，效应依赖语境

DCOCO通过并行上下文评分恢复并行草稿块内依赖，在多种解码设置下取得最高吞吐，最高6.6倍加速

显式学习对手潜在心理状态作为决策变量，提升多智能体交互质量与心智推理能力

提出 UTT，无需参数更新，将 Teacher-Student 知识差距蒸馏为可迁移的自然语言 Primer，显著提升推理与代码生成性能

系统评估 LLM 的“不思考”能力，提出三层指标并发现显式禁用推理无法可靠消除思维惯性

通过 adaptive-delta 更新与 rank override 混合深度训练，循环 LLM 在 1 loop 不损精度并随 loop 增长持续提分

用 Task Bank 与自生成重放实现更广泛的持续学习防遗忘，并证明模型可辅助选择重放目标

提出 AgentSWE 基准，覆盖智能体开发三阶段，揭示编码代理构建的智能体与真实需求存在普遍差距

将单流深度注意力残差扩展为多流深度注意力，通过多尺度因果卷积生成多样化上下文视图，在 MoE 大模型上取得 1.58 倍预训练加速

构建 415 份情报报告、5,525 条 QA 的地缘政治 RAG 基准，系统评估检索与生成

Semi-OPD 用初始学生离线 rollout 蒸馏，在 17 对模型上 14 对优于 OPD，最高 +13.6% 精度、11.4 倍加速

TerminalHorizon 自动合成长程终端 Agent 数据，1.5K 环境 SFT Qwen3.5-27B 后在 12 个 benchmark 全面提升

提出 Work2Skill 框架，从人类 GUI 演示中自动归纳可复用技能，显著提升多个执行模型的任务成功率

用不确定性引导的渐进收缩框架，将推理监督压缩至全量SFT的0.22%训练预算，且维持或提升推理性能

在编码智能体失败恢复中，以完整沙箱快照为可搜索状态做 Go-Explore 式分支，发现收益主要来自仓库外运行时状态

揭示自条件与嵌入几何机制，提出 DoubleCat 和 SemiCat 显著提升连续扩散语言模型文本生成性能

用结构驱动解析构建法律知识图谱，比较多种 KG 感知分块与检索策略以提升引文检索准确性

多智能体 LLM 框架用分析师/编码员/记录员三角色在受限语义空间内调优专用神经网络组件，在 SNN 和 PINN 任务上大幅超越基线

系统刻画 GRPO 训练中样本难度随策略演化，证明中等难度持续选择并非最优，适度递进到更难难度带可提升性能但过度递进有害

任务上下文改变共享注意力头响应的事实及其对后续计算的影响，线性响应图可预测干预效果

构建工具依赖图并利用执行反馈迭代扩展，系统性发现跨服务有害工具调用路径，显著超越STAC

UPTURN 用 130K 参数头学习失败推理的干预位置，以新用户轮次注入纠正指令，无需微调即提升数学推理准确率

在 Qwen3-14B 事实问答上，独立答案选择器比模型置信度过滤显著提升效用，但跨数据集可靠弃权仍未解决

证明参考解条件化的在线自蒸馏信号无法定位错误，提出先批判后条件化打分，使 token 级监督具有纠正性

把 DSpark/DFlash2 投机解码接入分层稀疏 KV，并用可回收 optional residency 随负载调整 GPU 驻留，显著提升长上下文吞吐

TIPS仅用3.2K结果标签轨迹，经GRPO强化验证思维链，ProcessBench F1达85.2，超过更大PRM与强判官

让视频理解 Agent 用自身 LM 修正可执行 harness，通过主动回访视频与成本感知进化提升精度并降低视觉成本

提出 CASE 角色化临床智能体与训练框架，将证据寻求策略蒸馏到 8B VL 模型，纵向医学基准超越 GPT-5.4 与 Claude Opus 4.8

提出 VisionWeave，通过 gated spatial pooler 与 granularity router 实现内容自适应视觉 token 压缩，节省 43% token 保持 98.9% 性能

无状态 Agent + 有状态 harness：每次调用重建角色化上下文，用更少 token 实现更强长程搜索

LatentGRM 用语义分块与压缩替代逐 token 评估，在保持判断质量下将推理耗时降低 6-7 倍

提出 SoftwareGym 自动化合成 GUI 软件环境及基准，训练 CUA 后在 OSWorld 上 Pass@3 提升 15.58 个百分点

在流式持续学习中用下游反馈反向修订已检索反思，闭合前向读写循环，显著提升智能体在线适应与稳定性

提出合成自蒸馏，通过稍大同家族模型生成in-distribution监督，解决小模型持续后训练中获取与遗忘问题

提出基于矩阵熵与 CKA 的 LLM 多隐藏层选择框架，在 EAGLE3 推测解码中优于固定层选择

将 MH 串行接受/拒绝展开为决策树批量预取，不改转移核，加速 LLM 幂采样 1.7-2.3 倍

提出基于预测世界模型的递归自改进框架，在代码、GUI、科学任务中提升成功率并降低交互成本

通过隐式奖励视角统一相对策略差异迁移，揭示任务定向差异强于规模差异，且参考过滤与目标兼容性决定迁移成败

冻结 embedding 的 token 级稀疏匹配融合整句相似度，无需训练提升记忆检索

按任务拆分搜索与阅读智能体、代码强制第二跳，在三个文档 QA 基准上显著超越现有系统

用权重重构误差最小化导出的列尺度兼作激活重缩放，实现免校准 W4A4 量化，支持 INT4/MX/NVFP4

模型无关的特征废弃框架，用高效扰动、分组验证、在线A/B和血缘追踪实现安全删除特征

用跨上下文可再现性与语料支撑度识别幻觉term，在nDCG@10无损下将注入query的无支撑词减少85%-93%

用 LLM 对轨迹结果做解释并按事件相关性重分配奖励，显著改善长时延信用分配，在游戏与推荐基准上超过 PPO/LaRe

训练无关地用邻居方向构造投影残差，把共享主题带来的干扰记录转为匹配信号，单次 ANN 检索提升记忆召回。

Orthros 注意力按预填充/解码相位解耦：线性复杂度预填充加全注意力解码，长上下文召回近无损并大幅加速推理

通过匹配任务进度与状态构造加权动作偏好，提升长程 LLM agent 稀疏回报下的信用分配

确定性元数据匹配结构化分块检索质量，嵌入计算降45.8倍，语义重构再提升Answer-F1 13.7%

融合对比微调双塔检索与 discounted LinUCB 在线重排，将工具故障选择率从 86% 降至 3%

通过 checkpoint 加近期输入缓冲替代逐步状态读写，显著降低 SSM 状态 I/O 并支持高效投机解码与混合精度

提出随机化动量传输，以概率 q 评估梯度修正并用廉价预测替代，在保持 O(T^-1/3) 收敛下显著降低 oracle 调用成本

提出统一网页访问接口 WEB$HELL，将网页信息与动作编译为可寻址对象并持久缓存，以更低成本在搜索/导航/深度研究任务上全面领先。

提出带潜在评估状态的用户仿真器，同时生成用户话术与逐轮评分，用于多轮RL训练助手并省一半以上算力

构建大规模本地维基与引文图，评测 LLM 跨语言/跨领域导航检索，最佳模型与人类相当但未超越

发现按时间顺序预训练得到的专家模型获取新知识所需更新步数远少于随机顺序训练的通才模型，并提出可预测的预训练数据组织策略

在德语RAG问答中，对齐推理语言与查询文档语言可提升表现，但无法超越无约束英语推理

提出组合偏好奖励与规则奖励的 T2I 后训练策略，Flux2dev Elo 提升 69 分，Ideogram-4 达 1223.5 超开源模型

受控实验表明 LLM 对潜在序列结构的识别与生成存在显著落差，表面行为保真可能掩盖错误机制

提出 BrickBench 基准与环境，评估编码 Agent 在文本条件 LEGO 设计中的物理与语义满足度

固定 prompt 下，模型升级不必然提升 LLM 相关性判断与人类一致性，且聚合性能不变不等于判断稳定

将深度、语义、BEV 等 3D 几何线索作为特权，在 GRPO 中对错误轨迹做路由化蒸馏，提升 VLM 空间推理且部署保持仅 RGB

提出 TestPrism 基准与联合成功函数，揭示单参考评估高估测试质量，并用 TestHelix 将联合成功率提升 8.67-9.00 个百分点

反事实替换法律依据并解码隐藏状态，发现LLM命名法规与判决实际依赖严重脱节，且易受对抗指令操纵

基于2026年三家前沿Agent安全事件，提出PASAC主动保障循环与五层边界保障栈，强调执行系统全链路持续校验而非依赖单一沙箱

提出基于证据充分性的短视频核查方法，用16%证据达到与全量证据相当的准确率，并显式输出“证据不足”

发现文本高分偏置导致无关文本压制相关图像，提出多正视角 Trident 联合优化相关性判别与视角平衡，提升混合模态检索鲁棒性

按编辑难度动态分配 LoRA 秩的压缩方法，内存减少 5.2 倍仍追踪精确 LoRA 性能

LLM-BlockFE离线把长文本构造成可执行特征程序，在线零LLM调用，用带回滚和并行轨迹的分块搜索提升特征质量

推出 Deep Research Evaluation 子任务，聚焦 LLM 生成深度研究报告的自动评估，收到 10 队 91 个提交

提出 LCT 将结构发现与词表构建解耦，用形态约束提升多语言分词质量

提出SignRAG，结合分层预训练、目标域检索增强与检索效用强化微调，首次在CSL-Daily全指标超越基于标注的手语翻译方法

利用μP推导先验协方差缩放，使Laplace近似中的精度选择可零样本从小模型迁移到大模型

构建首个推理驱动视觉编辑基准 RISEBench++ 及训练无关 Agent，覆盖六类推理并评估58个模型

提出 ViSkill，将成功轨迹编码为视觉原生技能卡，检索引导推理与奖励塑造，形成技能库与策略优化闭环

通过干预实验证明 LLM 在神经算子调参中同时依赖任务先验与实验反馈，而非仅靠初始上下文

提出 schema-free 模拟数据合成范式，LLM agent 通过 policy-enforcing APIs 生成结构有效且高保真企业数据

保留被拒候选并做链式细化，在技能、harness 与检索管道优化上大幅提升样本效率与最终性能

发现RLVR有效控制方向位于激活主子空间低方差补集，并提出Alpha-Stabler稳定训练提升RL增益

通过统一生命周期契约支持15种稀疏注意力方法，并提供Chain Cache与可控前缀缓存剪枝，实现长上下文agent推理10倍吞吐提升

提出 Intent-Eval 揭示 LLM 将已拒绝/被取代内容当作有效需求，并用 Intent-OPSD 自蒸馏缓解意图混淆

提出多智能体开放世界环境 Station，结合 Supervisor 与 Meta Reflection，使智能体在无明确指标下重新发现 ICLR 论文结论达 62.7%

提出参数无关外部专长框架，让冻结LLM/VLM从部署经验中持续提升并跨模型迁移

利用多分支推测验证中的隐藏状态冗余，通过残差门控与折叠注意力/FFN降低计算，最高实现1.64倍吞吐提升

提出无需训练、无需重复生成的 U-Space 子空间，将 LLM 逐 token 不确定性可视化和标量化，校准优于基线

构建跨领域基准 AgenticBBO-Bench，统一评估 LLM Agent 在黑盒优化中的表现并分析关键设计因素

让冻结 LLM Agent 用自然语言规则簿+可执行代码作为显式世界模型，通过反思与验证递归自改进，在 ARC-AGI-3 全部 25 个游戏达到人类动作效率天花板

将每次纠正视为持久化笔记并跟踪到问题解决，显著提升编码 Agent 的 resolve rate 并支持蒸馏训练

REMORY 在摘要后追加可学习软记忆 token，通过冻结 LLM 的续写分布逼近训练，以少量位置预算显著提升长程 agent 表现

用结构化 Harness 将深度研究报告视为可演化状态，实现增量更新，保持质量同时显著降低成本。

将扩散、自回归及混合模型统一为 corruption lattice 上的路径，用依赖成本预测不同解码调度性能

提出 ISE 轨迹级评估框架，发现高准确率不必然伴随认知谦逊，模型干预提升谦逊常损失准确率

提出 AHL 范式与 AAArena 基准，评估 LLM 智能体在 12 个对抗游戏中通过选对手、分析回放和改策略爬升排名

白盒探针可扩展至前沿LLM代理监测，在SHADE-Arena达98.8% AUC，并发布最大欺骗数据集FIBS

系统分析 GRPO 中参考 KL 与奖励交互的七种失效模式，提出条件 KL 标定组内奖励系数的 ZCPO

提出视觉文档检索方案，用证据数据治理、双向蒸馏与层级索引压缩提升精度与存储效率

提出 HarnessSQL 训练框架，在 SFT 和 RL 中保留完整 SQL 交互结构，大幅提升小模型在真实数据库任务中的执行准确率

提出在预条件空间做随机舍入的4-bit AdamW状态量化方法，显著缩小与32-bit训练的验证损失差距

提出SGUID，通过筛选能持续提供有效蒸馏信号的技能子集，实现更稳定高效的模型-技能协同进化。

用 (A,r,B) 关系范围限定再排序，RAG 召回在文档/记忆上提升 42.75/22.00 个百分点

提出训练无关的 Attic-KV 排练策略，以自生成 QA 与内容自适应锚点取代全文重读，大幅提升极限压缩下的长上下文问答与缓存复用

通过Top-Down Skill Refinement将任务分解为分层技能，多智能体协作实现机器人技能自我进化与复用

对 LLM-as-a-Judge 进行系统可靠性压力测试，提出可信判决率 T，并发现 rubric 打分比成对胜负更可信

利用 value cache 跨层对称性做无损合并，不改模型结构，可与量化/剪枝组合进一步压缩

建立对齐泛化预测任务，激活表示比文本描述更准（ρ=0.45 vs 0.05），并构建首个经验价值分类

用真实实验历史微调 LLM 作为研究世界模型，显著提升候选实验干预排序与自动研究收益

220+ 生产级 AutoResearch 实验揭示五类失败模式；三原则多智能体框架带来 1.82× Recall@6 与 5.8× 覆盖率提升。

提出 ReSPO，用平滑两分支序列级核替换裁剪，修正重要性权重尾部梯度饥饿，加速 RLVR 训练

提出EBG训练无关方法，将证据按行为分组并构图为任务导向视图，提升长程Agent关键决策识别与证据定位

无训练的 Trace2Env 从历史轨迹构建 worldbook，让世界模型 Agent 实现有状态交互仿真，提升长程一致性与动作回放有效性。

提出 agent plasticity 指标，度量智能体将经验转化为留出性能增益的效率，并诊断改进瓶颈

将 KV state 加密落盘并按需恢复，实现 50M token 零重算长期记忆，恢复比重算快 2.8–4.3 倍、省 8.8–12.3 倍 GPU 能耗

reverse-KL on-policy 蒸馏主要迁移组合推理技能，几乎不迁移事实知识；改用 forward KL 才能迁移新事实

提出 InfiLoop 循环原生残差连接，使 7M 模型在数万次测试时迭代中保持推理提升，Sudoku 97.9%，ARC-AGI-2 13.6% pass@2

系统梳理LLM预训练、生成建模、提示、对齐、推断与推理六大基础主题的技术参考书

首次系统对比 Prompt 与表征方法离线评估电商搜索中次级堆叠布局，表征方法 AUC 0.853 显著更优

将对话查询改写重构为多步检索过程，Agent 通过检索反馈依次执行意图消解、词汇改写和伪文档生成，仅用检索奖励训练即超过单步改写基线

提出解码感知的剪枝框架，用生成过程激活校准并优化N:M稀疏SpMV内核，实现1.48x解码加速

提出理想扩展查询与可分性两个视角，系统解释查询扩展性能差异，验证相似度与检索效果正相关

设计新文本游戏基准 Learn2Play Bench，揭示保留完整交互轨迹优于总结规则、改变 harness 可提升性能并降本

提出 S-2LS 和 SD-2LS，修正标准两层 softmax 采样忽略簇规模不平衡与簇内离散度的偏差，几乎无额外计算开销

提出 MARGIN，通过运行时增量归一化按置信度分段学习模型特定校准，无需重训或留出校准集，提升多Agent决策准确率

通过扩展 RL 训练计算、任务环境与 grader 计算，在代码/通用/视觉/安全任务上稳定提升 1T 与 310B MoE 模型。

以视觉证据图 VGEG 与证据/定位双层奖励 EVGR 为核心，统一训练单图、多图、视频深度研究 Agent

提出无需导航微调、以工具解耦决策与执行的 MLLM 智能体导航系统，实现任务与场景泛化

设计 TokenRouter，以请求中心编程、模型中心执行和延迟批处理调度大幅提升 token 级 LLM 路由吞吐

提出 H2CE 异构两阶段交叉编码器，融合 bucketized 数值描述与精确标量 MLP，用 pointwise+pairwise 重排 POI，NDCG@5 达 67.48%

提出 prior barrier 概念与 PASS 方法，自适应分配 SFT 预算以克服长尾预训练支持差异

在记忆写入前增加准入门控与条件增强，使事实形成质量成为可测量的记忆约束

用 medoid 替代 block summary，并压缩前向索引组件与值，实现同等精度下最多 5.3× 提速、约 3× 省内存

将 Agent 执行轨迹建模为增长 DAG，用流式结构感知最优传输与成功参考实时对齐，毫秒级识别失败前兆并提前中止

用从零预训练+SFT 的 3B 点式重排模型，以少量 GPU 实现不依赖第三方权重的开放主权检索重排

用检索块位置诱导多文档子树，让 LLM Agent 在结构上导航并选择性阅读，提升复杂文档问答准确率

35B总参/3B激活的开源科学智能体，用失败诊断自动生成训练任务，性能媲美更大模型

训练无关的文本选择器，保留候选技能间差异与局部上下文，压缩重排输入并提升干净命中

自回归检索器 ARR 交替检索物品与更新 query embedding，用 SFT+RL 学习反馈选择，显著提升多模态检索性能

EviAlign 将语义证据生成与边界读出耦合，在共享 MLLM 中按语义单元边界读取状态，提升多模态检索嵌入质量

提出时空感知的循环状态量化框架，按误差幅度与记忆寿命分配精度，并联合拟合 key-row/value-column 尺度

提出 SCAPO，将半事实稳定性融入 GRPO 的 token 级信用分配，提升数学推理与 OOD 泛化

提出 ReSAIL 插件，通过选择特权信息影响大的步骤蒸馏并保持特权条件分布，平均提升 22.5% 成功率

同 token 预算下，扩展问题覆盖比增加读取或轨迹数更有效降低评估标准误

提出TRIAGE，通过方向感知门控与修复稳定NVFP4强化学习，实现近BF16性能与2.3倍rollout吞吐

提出分层路由控制框架，用操作感知互信息与令牌级一致性约束，提升 Agentic RL 成功率与推理吞吐

在 OPD 的 rollout 阶段混入低能力负策略轨迹，不改变奖励公式即可注入显式负信号，显著提升推理性能。

KLPO将KL正则锚定在采样器，实现每prompt单rollout、无critic的LLM agent策略优化

开源多设备个人 Agent，手机/桌面 Hands、共享会话、动作审核与文件记忆

冻结模型上通过元代理诊断失败、修订工具与技能，大幅提升机器人操作成功率

DLoop 让一次验证覆盖多个草稿阶段，通过置信度门控与 loop-aware 训练，在多种投机解码上把 wall-clock speedup 提升 5–41%

用 LLM agent 诊断检索/生成失败并借助模型排行榜与价格先验做 RAG 超参 Pareto 优化，样本和成本效率显著提升

揭示 NoPE 与位置偏置注意力的协作机理，提出滑动窗口线性注意力实现 16 倍免训练长度外推

PersonTTS 用摊销智能体策略发现复用历史搜索经验，按用户多维需求个性化配置测试时计算

为 LLM agent 直接操作工作区文件引入环境侧任务台账，记录需求、已读摘录与未打开候选，防止交付遗漏

用 fitness 驱动的技能生命周期和 LLM 变异，让技能库与 RL 策略协同进化，避免低效技能污染上下文

通过硬化解析、执行、观测、信息呈现四阶段，同一模型成绩从31.0升至57.0

将 LLM 作为 Oracle 构建抽象机，统一 Workflow 和 Agent，并提出 ArchNights 操作系统实现

系统研究检索中间信号在 GRPO 中与动作对齐的信用分配，局部 credit 显著优于 scalar reward shaping

用功能单元（超边）重组多类型文档碎片，训练编码器对齐 query 与功能单元，联合 chunk 检索与统一 reranker，大幅提升 EDA 文档 QA 的 ROUGE-L

ExperienceIndex为AI Agent提供工件级经验记忆，通过单工件和工件对经验检索提升答案质量并降低成本

用 WN/Cond/Full 三损失分离补全候选的监督收益与跨组概率竞争，证明竞争可损害重排。

围绕每个技能动态合成新场景，对比有无技能的执行轨迹来验证其可重用性，构建更可靠的技能库

在双语料上做安慰剂对照消融，证明结构对齐分块与真实标题路径能小幅但稳定提升稠密检索 nDCG

用固定容量记忆锚点结合循环状态与局部注意力，在O(N)/O(1)下实现强长时程推理

提出基于候选池冗余与查询证据需求的查询自适应规则，选择性启用检索多样化，避免损害相关性与答案质量

提出RECAST，将证据构建视为检索与计算操作的序列决策，用轻量RouterLM迭代选择/合成操作，在6个基准上平均准确率达75.6%，超最强基线15.9%

提出JOLT联合训练特权教师与无特权学生，使蒸馏梯度与奖励梯度一致，提升样本效率和最终性能

提出教师相对基座 logit shift 作为多教师在线蒸馏目标，消除基座偏好，提升组合信号均衡与效率

预注册实验表明：在紧凑预算下，用类型决策模型单次选择原始对话轮次，效果非劣于 LLM 提取记忆且成本极低；重排序增益随预算增大而减弱

提出CIA度量并后训练联合优化任务精度与参数忠实度，提升LLM思维链与内部计算一致性

用证据驱动 harness 自动进化，让冻结 backbone GUI agent 自改进并跨任务/模型泛化

将多模态搜索Agent的逐步推理从自由生成改为从候选库中并行选择，保持成功率且推理延迟降超90%

用预测误差驱动检索记忆与因果知识库更新，显著提升事件驱动时序预测的准确性与可解释性

用可回放证据卡与定向重放验证技能编辑，缓解经验驱动技能演化中证据丢失和全局验证粒度过粗问题

将历史 chunk 表示为仿射转移并用查询相关门控动态混合，提升长上下文检索

提出OnePO，以自适应目标演化和教师退休实现RL-only领域自适应，在医学上用20K样本超越SFT+RL和纯RL

构建电商公司多智能体模拟器，生成纵向反事实企业数据，用于训练和评估能自主运营的 Agent

将整体性能搜索分解到能力维度，通过能力专家与痕迹引导集成，在百万token基准上比最强基线高7.83–10.54个百分点

OPPD 通过 on-policy 蒸馏把推理时序列级幂分布采样的成本转移到训练阶段，单个生成即可达到或超过 64 候选采样

提出 SAFEACTBENCH，用确定性轨迹评估定位工具型智能体在证据建立、动作执行与依赖传播中的失败点

跨 tokenizer 在线蒸馏中，严格 1:1 对齐已覆盖多数 token；学生选 top-16 共享词表即可保留大部分收益，补 mismatch span MSE 反而降精度

用反事实掩码估计跨平台历史归因，在 LLM 重排平台榜单时做价值保序的优势再分配

以参数放置与获取时间为两个正交轴，系统梳理部署期 LLM 参数化记忆方法

提出 TRACE，通过 rollout 侧量化结果引导训练侧 FP4 舍入，实现 FP4 rollout 与 BF16 性能相当并最高加速 5.4 倍

提出 Dev-Primitives 与 HERMES，用依赖感知动态激活的模块化 LLM 原语降低长程软件工程任务的上下文爆炸与语义漂移

在流式 ASR 部分假设上预测工具调用并推测执行缓存结果，将首音频中位延迟从 5.79s 降至 4.60s

证明哈希语义ID性能差源于解码不匹配，提出FLASH框架：训练无关SimHash+并行解码+语义对齐达到SOTA

冻结 world model 内共同进化课程、注入攻击者与 agent，4B agent 在未见攻击下完成率提升33.6%并泛化真实浏览器

提出 INDEXACT 索引原生接口，将候选集细化与源文本检查分离，用可复用状态与统计反馈提升多跳搜索证据发现并降低上下文占用

让生成式推荐模型通过 routing token、history re-anchoring 与 behavioral replay 在多轮对话中保持准确性并可被纠正

用 critic gap 打分和在线保形阈值动态裁剪候选集，在不增大 set size 下提升 catalog diversity，并给出有限会话价值界

用BOTTLED基准评估LLM智能体在固定预算下把通用能力封装为任务专用廉价制品的能力，发现零样本强不必然装瓶强

RELER 将 embedding 视为动作，以 vMF 采样探索，用 RL 直接优化检索/下游奖励，结合 CMP 降方差，后训练提升检索与 RAG

控制 AR/扩散、docid 与解码，证明解码可改变扩散 Hit@1 6.6-13.7 点，one-pass scoring 近似最优

统一 PQ 与 RQ 的语义 DocID 设计空间，发现混合 PQ×RQ 最优，Uniqueness Ratio 是训练前关键门槛

提出用预测输出 token 成本决定每层串并行，通过上下文继承和前置约定降低协调开销，吞吐提升 2.2 倍

冻结LLM内部表征统一语料检索与长上下文去噪，仅训练<500K参数即超SOTA检索器

用事后交互轨迹蒸馏出交互前可预测的知识/失败模式，让每条 rollout 均贡献监督，最高提升 24.2 pp

训练免费的视觉记忆框架，用事件银行与近期缓存分离存储，在固定预算下高效压缩长视频视觉 token

提出日志结构Transformer，用每层32维扩展嵌入替代全宽KV缓存，使924M模型持久注意力内存减少104倍且长上下文更优

构建可扩展交互系统、执行驱动自进化与稳定训练，WEFT 在多个工具使用基准上超过同规模环境扩展基线。

首个表示级多教师在线蒸馏方法，通过路由晚期隐藏状态对齐和逐教师 crossfade 融合多专家能力

用 bash 命令和文件系统作为极简接口，让数字代理动态创建工具，大幅提升任务成功率和效率

SHIFT 用本地小模型预测 harness 效用并以 MCTS 按查询构造多 Agent 系统，无需在线执行候选，精度与成本双优

用现有科学软件工作流自动生成可验证的终端Agent训练样本，SFT后显著提升Terminal-Bench 2

4B 模型结合沉默专家棋类编码器与迭代 Bellman 式自蒸馏，棋力达 2697 Elo 且可解释走法

按 token 难度分配计算，扩散语言模型在多个基准上超越同规模 AR 模型并保持并行解码

用冻结初始模型将验证成功的轨迹蒸馏为 LoRA 软目标，使长程 Agent 在单次任务流中稳定在线进化

用相关模型构造偏好对做 DPO，再将生成 query 过相关过滤，显著减少 Doc2Query 幻觉并提升线上搜索相关性与加购率

提出后检索反事实适配框架，动态校准记忆使用边界，降低 LLM Agent 长期记忆诱导的谄媚偏差

固定特定起始 token cue 可使 base model 推理性能接近 RL 模型，该效应源于训练数据关联

CutBCE 通过分块重算与稀疏修正避免 [B,N,V] logits 驻留 HBM，在 876k 词表上将训练显存降 65.7%、速度提 225.9%

用搜索重排分作免费 RL 奖励，GRPO 把供给感知压进 LLM，零推理成本追平 best-of-8

将搜索 Agent 中的短决策与 System-2 生成分离，用 schema-conditioned logits 直接输出校准概率，实现 5.2-5.3 倍决策加速并提升端到端答案准确率

工具侧返回 NULL 拒答信号，让顺从 Agent 弃答率提升 243%，并给出按 recall 定价的收益曲线

从不动点视角重构循环 LLM，以学习深度先验和正交注入支撑终端 KV 共享、蒸馏预填充与 RL 状态复用

提出将专家置于二叉树叶节点的BRANCH-MoE，用到达加权EMA锚点在没有辅助损失的情况下保持负载均衡并诱导共路由局部性

用 ReAct 智能体循环结合 LLM 推理与稠密检索，复杂检索 nDCG@10 平均提升 8.7 点，但成本大幅上升

将昂贵 judge 反馈蒸馏为可认证的验证问题库，训练时做稠密奖励，测试时做无需 judge 的保守轨迹选择

提出 Programmatic Search Agent，以可执行程序单元组织搜索动作，统一候选工作区、原语组合与选择性证据呈现，提升成功率并显著降低 token 消耗

通过低秩梯度草图压缩RL训练中的梯度和优化器状态，配合预测KL步长控制，大幅降低内存占用

提出 MATE，用时间证据控制长短期记忆写入，在线只更新用户记忆，在 LLM 增强序列推荐中提升 NDCG@10 7.0–13.2%

二维网格 token + 轴向注意力的预训练矩阵补全模型，零样本跨域完成插补、评分预测与因果面板补全

用 RL 多步策略按需编排记忆检索与异质 LLM/VLM 策展，实现质量-成本-延迟可控折衷

提出 CreGR，通过可信度感知 tokenizer 和离散扩散非对称掩码策略，在保持生成精度的同时显著降低不可信内容曝光

首次在KG路径推理生成式推荐中将物品表示为层级语义ID，统一共享词表，以更少参数实现更强推荐

开源权重 Agentic 检索器，以多轮短上下文搜索返回证据块，平均 Recall@10 达 56.0 并超越更大模型

通过可控实验揭示稀疏概率图的零输出能力不会自动带来 token 级专家参与，参与由阈值与 learned score 分布共同决定

将线性注意力的矩阵状态扩展为三阶张量，用第二个 key 维度以极少参数成倍扩大状态容量，显著提升长上下文语言建模与 recall

提出OPSFT：约束SFT沿在线策略累积更新方向更新，仅少量在线策略步即可将泛化优势迁移给监督微调

提出按Style/Element/Chain三维分解的法律奖励框架，用rubric构建偏好数据训练DPO和奖励模型

LOOM 用残差缩放、输入重注入、逐循环路由与 Looping Residual 让 MoE LLM 稳定循环 9-12 轮并优于基线

提出AIMS，把单条历史删除效应转化为请求特定的反事实排序边际目标，用非对称辅助损失在完整历史上训练

用 planner-critic-executor 递归重写多 harness 成功轨迹，将 2k 源轨迹扩至 11k，SFT 后 terminal 任务 pass@3 全面提升

将数据库连接图作为检索空间，用查询条件化评分器遍历边来提升多跳表检索召回

提出可学习软Top-K、逐项阈值和FLOPs正则化联合稀疏化方案，大幅缩短LLM稀疏检索向量长度并保持效果

LLM Agent 在端到端搜索中因来源域名产生选择偏差，即使内容一致也偏好特定站点，且可通过平衡训练与缺失信息干预缓解

提出 MetaRubric，交替证据感知策略优化与响应引导的 Rubric 自适应，解决 Rubric RL 的虚假信用问题，在医学 QA 上超越静态 GRPO

SOLO 索引以无排序启发式的扫描倒排列表实现可证明召回，在 1GB 内存下 Deep-100M 召回 0.9977

理论证明SFT因风格漂移导致语义遗忘下界为正，而RFT保持零语义误差

为GiGPO的步级优势推导逐状态收缩系数，按返回方差中信噪比自适应加权，无额外模型或rollout

训练无关的多模态 RAG 框架，用互补证据池与置信度引导的迭代细化提升知识密集型视觉问答效果

提出 RC-OPD，用学生失败推理的根因修复和锚点引导，缓解自蒸馏的推理错配与蒸馏陷阱

系统评估三种长度压力训练方法，发现压缩 CoT 会降低忠实度但监控性较鲁棒

提出 horizon loss，依据剩余学习预算把交叉熵动态过渡到精确策略梯度，提升 top-1 准确率和抗噪能力

用 query-only LoRA 适配器加语言路由，跨语言检索平均 nDCG@10 提升 20.9%，同时保持同语言性能

用轻量代理选少量锚点做选择性重建，在 2% KV 预算下大幅优于 KVzip 等基线

用输出层梯度近似全参数梯度进行数据选择，降低特征提取FLOP 9.7倍/3倍且保持下游性能

用一个残差量化索引通过残差阶段和坐标前缀两种截断，同时服务多种维度与码率，大幅节省驻留内存

首个可执行中子仪器设计环境，用无 LLM 评判的物理分级奖励训练 8B 模型超越未训练 32B

用 RL 视角解释 OPD 收益与崩溃：教师隐式奖励会放大学生的已有采样行为，掩码不健康响应与 SFT 初始化可缓解崩溃。

用信息增益筛选高影响力掩码 token 进行自蒸馏，提升扩散语言模型推理性能

证明 forward KL 抬高学生熵、reverse KL 压低熵，散度成为隐式熵正则器

提出 Collective Bias Mitigation，用多 LLM 路由与协作降低偏见，Committee 在 top-7 将年龄偏见从 0.25 降至 0.10

证明冻结文档索引几何容量充足时，查询编码器学习仍存在统计查询下指数级困难

提出 DepGPO，用命令间读写依赖图反向追踪，把优势分配到真正影响结果的步骤

构建 Nautil 事故调查数据集与三阶段结案评估，显著降低 LLM 过度自信并提升证据依赖结案准确率

用 2603 个金融 episodes 分解 agent 技能溢价：策展工具 +19.5、文档 +5.6，现场生成几乎无效

DataMagic 用 DVSpec 声明式规范统一图表、叙述与动画，通过生成后编排多智能体策略高效生成数据视频

SAKIKO 审计框架揭示激活干预的行为迁移不等于修复，并量化附带损伤

提出覆盖四类机器人开发工作流的编码智能体评测基准，用 RLE Index 聚合多维工件指标并给出排行榜

提出训练免方法SECRET，通过源条件中继引导抑制跨模态干扰，缓解AVLLM源混淆接地幻觉

提出全连续多模态生成模型，用流匹配在连续嵌入空间统一语言和视觉，避免离散量化瓶颈

提出MG-Thinker后训练RL框架，通过层次化推理与双轴优势分解提升多图像推理定位性能

AgSpec通过三层语料检索与按Agent自适应草稿长度，将编码Agent流水线生成吞吐提升至自回归解码的4.37–4.76倍

提出 SAGO 框架，从生成一致性、内部激活、置信度与响应镜像等多轴度量 LLM 对同一输入变体的行为稳定性。

通过共享主动生成过程联合学习证据记录与任务响应，形成可复用事实记忆且不牺牲实时感知

Galahad 为 vLLM/SGLang/llama.cpp 提供字节精确 KV 记忆层，将重复文档阅读变成一次性成本

系统评估视频生成模型的场景文本渲染能力，并提出关键帧引导的Agentic改进框架

提出用文本空间引导作为特权信息，通过在线策略自蒸馏提升 MLLM 空间感知，合成训练可迁移真实基准

发现时序信息在中间层达到峰值后逐渐消失，提出无需训练的 Temporal Activation Injection (TAI) 在推理时注入激活以强化时序推理

用局部 biaffine attention 构建专利发明图，蒸馏规则解析器，实现长文档可扩展图检索

用 LLM 全自动迭代发现领域属性 schema，无需预定义本体即可抽取结构化数据

系统研究低精度 Transformer 中随机舍入与就近舍入的逐位置权衡，发现 MLP 输出宜用 SR、LM head 宜用 RN，混合配置可显著降低困惑度损失

把分布匹配蒸馏重构为对抗式分类，免去辅助 score 模型并实现 1.04 FID 一步生成

提出 DuoMind 分层框架，用 VLM 生成语义协调消息、VLA 执行底层动作，并构建 RoboPoly 基准验证多机器人长程协作

通过 Common-Residual 几何对齐和路由优化，解决 3D 推理中几何 latent 坍塌与欠使用问题，在 SPAR-Bench 和 SPBench 上达 SOTA

反事实审计10个开源LLM的临床分诊偏差，发现敏感性与模型规模/医疗预训练非单调，QLoRA微调版本最低

提出 Latent JEPA，在自回归学习中引入未来视图联合嵌入预测，提升化学推理与分子优化

用潜在专家混合让不同 latent token 提取互补视觉证据，在相同 latent 预算下显著提升视觉推理

提出无需线搜索和曲率修正的可扩展拟牛顿族 SoftServe，通过正定曲率估计与 Newton-Schulz 迭代训练大规模网络

多模态模型通过无损视觉记忆和主动视觉检索，在交互环境中大幅提升推理与行动效率

提出用隐藏状态探针定位幻觉起始与延续 token，并发现外部小模型观察者可匹敌生成模型自检测

提出基于 Kontoyiannis 熵率估计器的纯文本过滤器，在不访问模型的情况下有效提升迭代微调多样性

提出自修复源于消融前已有的反事实增益，组件响应服从仿射定律并可由固定权重预测

提出 VeriSpec，通过保留自然语言并用 LLM 作为验证器，直接审计模型规范文本以检测规则冲突

发现多模态MoE专家自发语义专精，ExpertLens解码路由权重定位专家并选择性微调，仅更新21.7-47%参数达4倍加速

RPG 不更新模型权重，在仿真中重构练习任务并自我改进技能与提示，22 项操作成功率从 28.6% 提升至 95.0%

把智能体轨迹中可复用动作片段按频次/长度/成功率挖成层级 X-Tree，并以数据、奖励、上下文三种方式训入权重

在强到弱蒸馏中解耦 rollout 策略、KL 方向和 learning rate，发现 on-policy 无一致优势，forward KL 更鲁棒，learning rate 主导遗忘与稀疏性

训练免清洗方法估计后门方向与拒绝子空间，对权重正交化，在保持安全能力的同时实现最低 ASR

将 GRPO 多奖励优势归一化从协方差改为 Pearson 相关，消除大方差奖励主导，提升代码/工具/Agent 安全多目标训练效果

利用 MoE 路由决策作为离散共享隐变量，构建非因子化反向过程，在不增加激活参数下提升少步生成质量

固定预算软记忆+置信门控在线蒸馏，按下游行为而非文本重构优化长程个性化记忆

发现基础模型在上下文引用链上仅能跟随1.4–3.6行，早期层加rank-8 LoRA可扩展至数十行，默认答案低估了计算能力

冻结两端模型，通过结构对齐、映射与校准实现跨家族 KV 缓存迁移，免预填充加速异构多智能体通信

用局部参数扰动构建专家池并按状态路由，为在线自蒸馏提供更优监督，平均提升 1.67~2.75 点

通过组合动作空间与并行生成-反馈选择，将 Jev-style 快速概率预测引入自适应 Agent 推理，降低延迟并提升任务性能

构建企业级数据智能体评估基准，模拟纽约外卖平台，要求跨235表分析并采取行动，最强模型均分仅59.5

分析4万+图像上传对话，揭示多模态LLM真实任务分布及基准错位

PyRUA-Lean 用代码执行+选择性观察，同等调用预算下成功率 63.1%→71.7%，Token 省 65%

训练无关的LoopCD对比解码，利用循环中间状态引导最终预测，提升推理质量并大幅降低计算量

把多智能体评判分歧视为 claim 级不确定性信号，人只选择关键分歧点，通过图传播与 rubric 归纳实现自改进评估

构建 8,504 条自然语言到 CLI 的细粒度基准，用可验证奖励把 8B 模型训练到接近 685B MoE 水平

提出轨迹级多轮评估框架，揭示早期引用带来的会话捕获效应及其对单轮排序的颠覆

0.9B 参数多模态嵌入模型，冻结文本塔、用稠密 caption 自身嵌入作教师，在不退化文本检索下对齐六模态

构建207篇论文的作者标注检索基准，揭示Agentic搜索未超越嵌入检索（R@20 0.42 vs 0.48）

随机田野实验显示，生成式AI搜索能扩大热门话题触达、增加读者间话题重叠，同时把消费推向冷门话题

通过梯度与优化器分析，揭示损失平均、Adam动量、BF16精度和词汇截断如何影响多教师蒸馏的任务性能。

提出SourceLearn，用自指导+任务指导学习持续构建可复用源模型，在13/15设置中超越RAG与记忆基线

CANOPY 用层级节点评分与父相对细化选择多粒度证据区域，结合 critic 触发补充检索，压缩 token 同时保持准确率。

提出 Local Support Learning，用 GMM 门控使 adapter 只在当前分布激活，无需旧数据缓解大模型灾难性遗忘

提出TESS框架与PVM损失，解决元数据选择网络中的权重抑制与易学特征依赖，实现跨数据集跨模型迁移

提出 LLM2Jev 框架，直接利用括号数字标识符的 next-token 概率提取校准决策，无需训练即可让 4B LLM 匹配专用 Jev 模型

Mingbird 通过十项机制补偿小模型故障，在 LRAB 与 τ²-bench 上显著超过 goose/opencode/agent-mini

将 Omni-LLM 变为主动多轮推理 Agent，动态检索关键音视频片段以支撑跨模态长上下文推理

用每列最大梯度符号的稀疏更新替代 AdamW 状态，优化器状态降 174 倍，单卡 H100 可全参微调 30-32B 模型

提出ZFO框架，用一阶优化器定方向，沿一维子空间做零阶评估选步长，成本低于线搜索

构建可控意图漂移基准 INTENTFLUX，提出显式状态折叠 StateForge 显著修复多轮任务性能下降

检索外部技能语料并用 Cross-Harness Adaptation 适配到目标任务与执行环境，同时强化技能初始化和失败驱动更新

构建受控测试床隔离数据智能，评估LLM改进训练数据的能力及数据效应推理，并将轨迹复用于mid-training

用证据图从真实文件合成可验证的工作智能体训练数据，微调后多项基准显著提升

提出 DARA，通过逆平方根密度校正放大稀疏奖励的信号，加速多奖励 RL 训练且不改变策略优化目标

在偏好蒸馏中，用更小的冻结模型生成 rejected 响应，比学生自己生成的负样本效果更好且计算成本更低

将 Agent harness 优化的训练场景选择建模为非平稳 bandit，动态构造 failure-pattern arm 并自适应调度，在 GAIA2/Terminal-Bench 2.0 分别提升 4.4/7.5 个百分点

利用图像生成器与规划器合成无环境依赖的GUI交互轨迹，提升GUI智能体真实任务性能

HC-DLM 将离散 token 生成与连续潜变量去噪耦合，在 Sudoku/Countdown/LM1B 上超过匹配规模扩散基线

提出 PoS 框架，通过显式信念状态、一致性验证与卡住感知恢复提升长程 LLM Agent 表现

审计合成对话音乐推荐基准，发现显式点歌请求半数被官方标签违背，低权重训练补充修复且不损官方指标

提出Sharpening Tax度量后训练对测试时覆盖率的损失，并给出PTGS自适应温度采样以同时提升pass@1与pass@K

通过扩展嵌入模型并用解码概率软标签蒸馏，使连续扩散语言模型生成有效文本，Gen PPL 17.8 优于 GPT-2-M

提出 RPTune，用可学习 curator 对全量商品目录做剪枝重排，并配合 LLM 后训练，在 7 个小商家上显著提升商品搜索准确率

提出 INFLOWOP，用统一无标签成本驱动多Agent工作流构建与流内局部修复，在 BRAID 上最高较单Agent提升11.97%

提出FLOWRIGHT，将工作流作为统一harness，通过分层结构感知奖励实现多角色自进化与共进化，无需额外模型或标注

将推荐重构为 Agent Web 上的任务时证据获取与融合，通过 query-response 交互与置信度门控协作，在不集中代理记忆的情况下提升个性化推荐

训练编码智能体主动决定何时压缩上下文、保留什么工作状态以及如何继续，显著提升长程任务成功率

提出 REPAIR，利用冻结编码器缓存修复偏好状态，在不改编码器和任务头下提升推荐与个性化生成

用绝对 log-ratio 均值替代带符号 geometric mean，防止双向策略漂移相互抵消，提升 GRPO 训练稳定性与推理/代码效果

用 ESCI 翻译对照证明：多语言编码器与平衡码本不能保证同一商品跨语言 SID 前缀一致，需显式对齐目标。

用 LLM 离线模拟生活轨迹训练 query 侧 LoRA，零 LLM 在线实现对话记忆联想召回，插入 HyperMem 后 LoCoMo-Plus 达 66.6

结合 Matryoshka 嵌套表示与层次聚类 DAG，用实体预算与锚定控制实现高效多跳检索，在三个多跳 QA 基准上取得最佳质量与效率

Mem++ 用整文档存储与读时时间过滤+多路检索融合，替代写时蒸馏，在组织记忆基准上大幅领先

用 MoE router 输出的均值池化作为序列级跨语言对齐目标，在解码器模型中实现显式对齐并提升多语种表现