VibeGame：基于 AI 原生引擎与自进化对抗智能体团队的提示词生成游戏
🧭 多智能体对抗式游戏生成
PRLab, Nanjing University · S-Lab, Nanyang Technological University · Liblib.ai
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
📌 工作参考价值（4 点）
- 可借鉴的结构化可执行状态：把复杂系统状态定义为 schema-validated text，并提供 frame/time-step 同步的 inspect/execute/verify 接口；可迁移到广告出价、query 改写等 Agent 场景，将候选 query、context、约束写成结构化状态，critic agent 分步读取、回滚和验证，避免直接依赖全量代码。
- 实施者/审查者对抗解耦：用多个 specialist agents 把生成与审查分离，多轮 loop 找问题；可复用到搜索广告文案、商品推荐理由生成 pipeline，一个 agent 产出、一个 agent 基于规则或仿真反馈审查，降低线上事故风险。
- 训练免费自进化机制：将成功项目蒸馏为 skeletons、modules 和 collaboration contracts，作为未来任务的模板；业务中可把历史成交的 prompt 工作流沉淀为可复用 SOP、模块库和 agent 间接口契约，减少每次从零生成并提升多 agent 协作稳定性。
- 评估思路：PA2G 与 P2G 区分“给定资产库”和“自主生成资产”，能更干净地评估 agent 的规划与集成能力；推荐实验也可区分“给定候选”与“生成候选”，定位系统瓶颈。
网络搜索大模型中的数据空洞漏洞利用
🧭 LLM 安全 · 数据空洞攻击与防御
New York University Abu Dhabi
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
📌 工作参考价值（4 点）
- 对引入 LLM 联网搜索或 RAG 的电商问答、商品摘要、客服系统，需检测检索结果是否落入“数据空洞”（长尾/稀疏 query），对低权威源降权或强制多源交叉验证。
- 在 RAG pipeline 中实现对引用来源的域名权威度、数量与多样性阈值，避免单页攻击操纵合成答案；可设计“来源稀缺度”指标作为 abstain 或 flag 条件。
- 用户侧提示词（如“请怀疑”）仅有微弱防护，不能依赖 prompt 防御；需要在检索后排序/过滤层做硬约束，例如黑名单、域名信誉、时间/一致性校验。
- 生成式推荐/Agent 若使用 Web 检索来丰富商品信息或热点内容，攻击者可在小众商品/关键词下埋内容；上线前用红队模拟数据空洞攻击，评估模型引用行为。
WeVisOne-VL：从物体到像素的统一视觉感知模型
🧭 统一目标级与像素级视觉感知
WeChat Vision, Tencent Inc.
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
📌 工作参考价值（4 点）
- 电商商品图片理解：可把商品主体检测、属性定位、mask 生成、OCR 统一到一个 VLM，减少多模型串联；用结构化文本输出 boxes/masks，便于接入 Agent 工具调用。
- <OBJ> token + 轻量 pixel decoder 的思路可迁移：在业务多模态模型中加一个特殊 token 表示实例，让 LLM 主干输出语义信息、pixel decoder 输出像素级结果，实现“语义理解+定位”同架构。
- 针对缺货/不存在的对象做 robust rejection 值得借鉴：商品图或广告素材中检测用户 query 指向对象缺失时直接拒绝，可降低下游误匹配。
- 训练上采用三阶段 curriculum SFT + mixed-task RL 的策略，适合多任务视觉-语言模型在电商场景做稳定训练。
X-Embedding：多语言专利现有技术检索的两阶段训练框架
🧭 检索排序 · 两阶段训练
Patsnap
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%
📌 工作参考价值（4 点）
- 两阶段训练：先做领域/结构对齐的预训练（如商品标题、描述、属性、用户评论等多视图对齐；跨语言商品对齐），再做任务微调，比直接 SFT 提升显著（+3.19 Hit@100），在低资源语言上增益更大。
- hard negatives 构造：用检索候选和弱相关（A 类）作为负样本，提升区分度；推荐系统可用曝光未点击、同类目但低相关、历史负反馈物品作为 hard negatives。
- Matryoshka 表示学习：一个模型输出 64/1024 维 embedding，低维保持高精度（89.09%），便于线上存储和检索成本控制，推荐召回可动态调整向量维度。
- 多语言对齐：对齐不同语言家族成员，可扩展到跨境电商/多语言用户场景，用跨语言正样本对增强语义一致性。
一种动作多种表达：面向长程智能体的效应边际策略优化
🧭 Agent 强化学习策略优化 ★ 深度解读
Tianjin University · Fudan University · Renmin University of China
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
📌 工作参考价值（4 点）
- 在结构化动作的 Agent 训练里（工具调用、搜索词改写、推荐解释生成），可以把执行等价但文本多样的响应分组成 effect cell，共享长度归一化的 likelihood ratio，减少文本措辞差异对策略梯度更新的干扰；GRPO/GiGPO 可直接加这个 ratio sharing，无需额外 critic/rollout。
- 长度归一化要保留：跨不同生成长度的响应直接聚合 full-sequence ratio 会让长响应主导 shared ratio；用 exp(1/T Σ log r_t) 能校准 token 级尺度和 PPO clip。
- 与 credit assignment 解耦：EMPO 只用原始 advantage，不在 advantage 侧做聚合，方便叠加 SALT/GraphGPO 等更精细 credit estimator；clip 下 ratio-sharing 比 advantage-aggregation 更稳，WebShop GiGPO 提升更明显。
- 若线上动作空间是自然语言 query/推荐文案，需要先有 canonical effect parser；无结构化 parser 时 coverage 会低，建议先从可枚举 action 的 agent 场景验证。
真实 PMID，错误论文：生物医学声明验证代理的 Harness 设计
🧭 Agent 检索 harness 设计与瓶颈分析
Independent Researcher
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
📌 工作参考价值（4 点）
- 在需要检索工具的 LLM 应用（如电商导购、客服问答、商品知识库问答）中，直接用用户原始 query 做单次检索往往不可靠，应让模型自己改写/生成多个查询，或采用 ReAct 式迭代检索，能显著提升召回和最终答案质量。
- 检索质量通常是整体效果的瓶颈，而不是推理能力：即便给予黄金文档，模型准确率仍有较大提升空间，因此应优先投入优化检索/召回环节，而非只调大模型推理。
- 对返回结果进行“存在性检查”不够，必须做相关性校验：模型可能吐出真实存在的商品 ID 或文档 ID，但与问题无关，应增加一个独立的 LLM judge 或相关性过滤步骤。
- 让 agent 具备搜索预算意识：实验发现 agent 只使用了不到一半的搜索预算，可设计显式的预算消耗策略（如强制步数、每次搜索的查询数量限制）以充分探索检索空间。
自主研究代理的完整性保障：自动检测与运行时干预框架 RIDAR
🧭 Agent 行为审计与运行时纠偏
Tsinghua University · Renmin University of China · Zhipu AI
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%
📌 工作参考价值（4 点）
- 可借鉴 RIDAR 的“离线检测 + 运行时干预”双层架构，对电商 Agent 的推荐文案生成、客服自动回复、选品/定价策略等轨迹做合规审计，实时拦截违规内容（如虚假宣传、价格欺诈、敏感词）。
- 借鉴 RIVT 的细粒度违规分类法，定义电商 Agent 自身的违规类型（如商品描述夸大、使用禁投词、泄露用户隐私等），构建 domain-specific 的检测 taxonomy 和评测集。
- 采用运行时干预的思路：检测到违规步骤时，通过重写动作或注入约束条件来纠偏，而不是仅 post-hoc 审计，可减少任务结束时残留问题，提升最终交付质量。
- 其评估方法可复用：用专家标注的小基准 + 大规模无标注轨迹结合，先测检测器再分析真实分布，作为业务 agent 质量监控的模板。
作者写了什么，Agent 读了什么：企业文档摄取中的静默线索丢失
🧭 企业文档摄取与格式线索保留
Amazon
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
📌 工作参考价值（4 点）
- 在 RAG/Agent 文档解析链路中优先保留高亮和颜色：实验显示 docling/plain text 格式盲摄取使义务识别 micro F1 从 0.690 降至 0.150/0.075，而高亮贡献 +0.302、颜色 +0.262；建议在 OOXML 解析阶段提取 highlight/color 属性并转为显式标记（如 <highlight>...</highlight> 或文字说明），而不是只输出纯文本。
- 不要过度依赖粗体、斜体等常见格式：本文中 bold/italic/monospace/strikethrough 对义务抽取增益均在 ±0.003 内，真正有效的是高亮和颜色；在合同、政策、促销规则等业务文档中应重新权衡格式线索的优先级。
- 把格式线索显式键入提示比仅隐式保留更强：预注册测试显示额外 +0.085 F1（p=0.049），可在 ingestion 层自动生成“原文中以下内容被高亮/着色，可能为关键义务”的上下文提示，代价低且可量化。
- 用 OOXML 属性做确定性 ground truth 匹配器，无需 LLM 裁判即可监控解析器对格式信息的保真度，适合持续集成评测，避免文档解析中静默退化。
AutoSim：面向对话搜索评估的自改进用户模拟器
🧭 用户模拟器自改进 · 评估真实性 ★ 深度解读
University of Passau · Interdisciplinary Transformation University Austria
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。
📌 工作参考价值（4 点）
- 如果要在搜索/推荐/Agent 离线评估里用 LLM 用户模拟器，别指望 prompt 或少样本把「模拟用户」变真实；准备少量真实用户对话或行为日志，用 LoRA/权重级对抗 SFT 训练生成器。论文的四轮 rejection sampling 流程可直接复用：冻结判别器，采样候选 utterance，保留最像人的样本再 SFT，然后刷新判别器。
- 上线前给模拟器加两道检查：一是真实 vs 模拟判别器 AUC 或人工判别，不只看平均 query 长度、礼貌比例；二是在真实用户无结果/低召回的高难度 query 上比较模拟 query 的 nDCG 或召回，防止模拟器掩盖检索失败。
- 把「评估判断」和「用户生成」解耦：排序有效性来自强 LLM judge，不必让 judge 自改进；judge 与 generator 用不同模型家族，避免 self-preference/verbosity bias。业务上可复用为：LLM relevance judge 保持与人工标注或 A/B 结果对齐，生成器单独做真实性校准。
- 对生成式推荐/QueryRec 或多轮 Agent 用户建模：不要只学最终答案或短 query 表层长度，要匹配真实 query 与完整需求之间的语义对齐；短 query 不一定需求聚焦，需额外测 query-need alignment。
DeclineCraft：联合衡量检索与参数知识的 RAG 弃答基准
🧭 RAG 弃答能力基准与行为分析
Purdue University
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。
📌 工作参考价值（4 点）
- 在电商客服/商品咨询等 RAG 场景中，不要盲目堆叠迭代检索、query rewriting、reranking 等“增强”组件：它们可能让模型对无法回答的问题过度自信，降低正确弃答率。对高频未知问题（如新商品属性、未收录政策），应显式加入弃答判定或置信度阈值。
- 单轮检索已能提升正确弃答率（38/40 配置），说明即使检索不到确切答案，提供相关但不完整的上下文也能帮助模型识别知识缺口，而非直接依赖参数记忆编造。在知识截止后新商品/新政策问答中，可先检索同类商品/旧政策作为参照。
- 思考模式（thinking）会显著降低弃答率，但常从“承认不确定”转为“否定前提”，这对安全敏感场景是隐患。实际部署时不宜只用 CoT 自我评估，应设置独立的 abstention 分类器或规则。
- 模型规模与弃答率无显著关联，只与作答准确率正相关。因此不能指望换更大模型解决拒答问题，需针对弃答行为做专门训练或 prompt 设计。
多模态重排是一种系统一决策
🧭 多模态检索重排 · System One 决策
Aalto University
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
📌 工作参考价值（3 点）
- 在电商多模态商品重排中，可用选择题范式替代逐候选打分：将 query 与 top-k 候选图/描述组成一个多选项 prompt，让通用 VLM（如 Qwen3-VL）一次前向输出每个选项 token 的 logits 作为排序分数，比逐对 yes/no 更快且 hit@1 更高。
- 零样本通用大模型可替代专用重排小模型：若业务数据覆盖较广，直接使用通用 VLM 零样本重排，通常能超过有监督小 reranker，减少标注和训练成本；工程上可放在第二级重排或高价值流量。
- 用纯文本决策数据微调决策能力：即使没有多模态重排标注，也可构造纯文本选择题数据对 VLM 做 decision tuning（如 JEV），提升页面重排等任务，自然图像任务保持稳定，适合快速冷启动。
ECHO：蒸馏引导的高效级联超长序列建模
🧭 长序列用户行为建模 · 蒸馏级联检索 ★ 深度解读
Kuaishou Technology
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
📌 工作参考价值（4 点）
- 用户级选择器离线写、在线只读固定K条记录：将100K原始历史压缩为10K原始事件记录，在线排序只对K条做目标感知检索，完全解耦在线计算与原始序列长度。适合电商/广告场景下用户长期行为超长、多候选排序的工程落地。
- 蒸馏监督替代简单的最近截断：用全历史教师的目标感知打分做软分布蒸馏，再加边界排序辅助损失，让选择器在用户级就保留目标相关的历史。可直接借鉴到召回/精排的长期行为筛选，尤其对长尾兴趣和稀疏反馈更友好。
- 教师、检索器、目标注意力共享Q/K参数：保证粗选和精排的相关性度量一致，避免两阶段不一致导致的召回损失。工程实现上可用 key-side projection absorption 省去历史向量投影缓存。
- 紧凑记录编码降低存储成本：按字段宽度打包而不是统一int64，100亿用户规模下可节省数百TB存储。对大规模推荐系统的用户行为存储设计有直接参考价值。
基线项与增量项：Instagram Feed 排序中的用户、物品与请求去偏
🧭 推荐排序去偏 · 价值模型 ★ 深度解读
Meta
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
📌 工作参考价值（4 点）
- 排序公式里不要直接移除 bias：把原始预测 p 和增量项 Δ 分别加权，交给在线调参决定配比。电商推荐中用户历史点击率、商品热度、请求上下文都能分别构造 baseline，避免单一权重无法平衡“习惯性点击”和“候选真实增量”。
- 三类 baseline 成本都很低：user/item 历史均值可预计算，request baseline 直接读当前候选池的 mean 或 p75。电商搜索/推荐可以借鉴 request baseline 处理同一 query 下候选池强弱偏差，且只需 O(N) 或 O(N log N)，不加模型推理成本。
- 用 quantile Pearson r + Var% 做离线筛查，只当 high-recall filter，不用于排序；真正决策靠在线四臂消融（none/raw/incremental/both）。可避免离线指标误杀有潜力的 debias 信号。
- 媒体格式类偏差（如图片/视频尺寸）走 debiased label，流行度偏差走 VM scoring term；概率信号比较用 logit gap，回归信号用原单位 gap；稀疏 baseline 特征要 clamp 并单独看 zero share。
检索增强 LLM 的搜索状态自评估强化学习
🧭 Search Agent 自评估 RL 训练 ★ 深度解读
Korea University · Amazon · AIGEN Sciences · University of Massachusetts Amherst · Meridian Intelligence Global Inc
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
📌 工作参考价值（4 点）
- 训练期自评估、推理期零开销：在训练时给搜索/对话 Agent 增加一个隔离的 self-assessment 阶段，让它反思“已获得哪些证据、还缺什么”，推理时不调用评估器，不增加额外 token 和延迟。适合线上 RAG、商品搜索 query 改写、客服多轮 Agent 直接落地。
- 双重奖励设计可直接迁移到多轮检索/推荐场景：用 answer correctness 的 transition（错→对、对→对、错→错、对→错）给评估动作打分，并用 α^(n-1) 指数惩罚频繁评估。电商搜索中可对“多轮 query 改写是否带来召回/成交提升”设置类似不对称奖励，同时限制重复调用搜索接口，控制成本和时延。
- 把评估与主轨迹解耦，避免长 horizon 训练崩溃：AutoRefine/ReSeek 将反思 inline 写进每一轮，导致上下文膨胀和训练后期分数归零。SARL 将评估放在隔离上下文，只在 INCOMPLETE 时作为 user feedback 注入。做多轮对话/深度研究型推荐 Agent 时，建议将状态评估与生成轨迹分离，可稳定扩展到 32+ turn。
- 无需 SFT warmup、多智能体编排或外部裁判模型：SARL 是 standalone RL 框架，用 GRPO + 自定义奖励即可，工程复杂度低，适合资源有限的业务团队快速实验。
检索增强生成（RAG）的组合性评估
🧭 RAG 流水线组合评估
IBM · Weizmann Institute of Science
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
📌 工作参考价值（4 点）
- 在电商/Agent的RAG知识库或购物问答中，不要只按单模块离线指标选型：三种检索技术孤立预测+47%联合提升，组合后仅+17%，单点提分可能被其他阶段抵消。
- 同时跟踪检索质量（如NDCG@10）和最终忠实度/业务指标；组件对两者增益方向可能相反，避免为召回率牺牲生成质量。
- 语料规模从小规模实验到全量商品库/百万级文档时，必须重新验证最优组合；小语料最优配置不一定在大语料保持，应做分规模子集测试。
- 借鉴LASAGNA思路搭建内部RAG实验框架，固定其他阶段做单变量替换，支持不同语料规模与多指标报告，沉淀可复现的pipeline配置。