AI Papers Daily

#In-context Learning

4 篇

Relevance Does Not Imply Applicability: Experience Activation for Personal GUI Agents

相关性不等于适用性：个人 GUI Agent 的经验激活框架

🧭 Agent 个性化 · 经验激活

NTU · Alibaba

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。

📌 工作参考价值（4 点）

• 在 Agent 或推荐系统中，不要把大量相关历史一次性塞入上下文；改用“按当前决策时状态匹配历史动作/经验”的方式，可显著减少 token 并提升每步效果。
• 主动推送/建议（如 push 文案、routine 触发）可引入“条件充分才激活，否则 abstain”的机制，降低打扰率，提高 MCC 类指标。
• 使用冻结骨干的 latent 空间做 screen/state 匹配作为参考动作，无需微调，容易接入现有 LLM/VLM 系统；对电商 Agent 多步操作（如下单、搜索）可借鉴。
• 评估个性化不应只看整体成功率，需区分第一步与后续步骤，关注经验是否在每个决策都“适用”；可设计类似 step-level success 指标。

Agent | 2026-09-26 | HF Daily | score 7/10

Personal GUI AgentsExperience ActivationPersonalizationIn-context LearningTraining-free

Pretraining Reusable Inference Across Views with Synthetic Task Priors

预训练跨视图可重用推理与合成任务先验

🧭 多视图推理预训练 · 合成任务先验

Zhejiang University · Hong Kong Baptist University

用合成任务先验预训练多视图推理过程，冻结或轻量 adapter 即可跨任务复用

📌 工作参考价值（3 点）

• 多视图/多模态推荐中，不同视图（用户行为、物品文本、图片、知识图谱）的融合策略通常每个任务重训；可借鉴把“视图融合推理”本身做成可迁移过程，在新任务上仅用少量 support 样本（few-shot）条件化预测，大幅减少训练成本。
• 合成任务先验的构建方式可迁移：在 embedding 空间生成多样化的 support-query episodes，模拟视图缺失、噪声、跨视图依赖、分布偏移等，用于预训练鲁棒的多视图融合 backbone；电商场景中特征缺失、新场景冷启动频繁，可通过此类可控生成器增强模型泛化。
• In-context learning 思路适合线上快速适配新活动或新类目：无需梯度更新，仅通过 few-shot labeled support 即可进行推理；结合轻量 adapter 做任务特定校准，兼顾通用性与专用性，可参考共享 backbone + 轻量 adapter 的多任务架构。

Reasoning | 2026-08-19 | cs.MM | score 6/10

Multi-view LearningIn-context LearningSynthetic Task PriorTransfer LearningPretraining

Enhancing In-context Panoramic Generation via Geometric-aware Pretraining

面向上下文全景生成的几何感知预训练框架

🧭 全景图像生成 · 几何感知预训练

Insta360 Research · Tsinghua University · Beihang University · Wuhan University

通过几何感知预训练和 token 级任务统一，提升全景图像生成的几何一致性与任务覆盖度

📌 工作参考价值（4 点）

• 全景生成与电商/Agent 直接关联弱，但几何一致性设计可迁移到需保持结构约束的生成任务（如商品多视角合成、虚拟试穿），用深度预估辅助纹理生成。
• 统一任务框架思路值得借鉴：通过 token 级条件拼接，将风格迁移、修复、外扩等多个任务融入单一模型，降低工程维护成本。
• 针对领域特性设计辅助损失（如这里的相似度正则与圆形填充）可推广到其他对称性或循环结构生成问题（如系列 Banner 设计）。
• 主要仍是学术贡献，业务可借鉴点较有限。

Other | 2026-07-08 | HF Daily | score 6/10

Panoramic GenerationIn-context LearningDepth GenerationCircular PaddingSimilarity Loss

Hierarchical Experimentalist Agents

层次实验型智能体：通过主动实验进行上下文自我改进

🧭 LLM Agent主动实验与技能学习

University of Massachusetts Amherst

LLM通过主动实验动态学习可复用技能库，在未见物理任务中成功率从2%提升至77%

📌 工作参考价值（4 点）

• 新场景主动探索机制：在推荐或广告系统中，面对新用户群体或新品类时，可借鉴 HExA 的分层实验设计——高层规划探索方向（如尝试不同召回策略），低层执行具体干预并记录结果，形成可复用的“技能”模板（如特定人群的优惠券推送策略），避免盲目 random AB test。
• 在线学习技能库：将推荐系统优化过程抽象为“技能”（如某类 CTR 提升技巧），每次实验后的成功策略存入上下文技能库，下次类似场景可直接组合调用，类似 HExA 的 learn_from_experience，减少重复探索成本。
• 跨场景技能迁移：HExA 从简单物理任务中学习的技能可零样本迁移到困难任务（44% 成功率）。在推荐中，可在一个小流量域（如新频道）学到的有效策略（如冷启动物料组合方式）迁移至主域，降低冷启动成本。
• 上下文技能组合：HExA 通过上下文学习将实验产生的技能组合成复杂策略，业务中可用类似思路将多个简单推荐规则（召回、过滤、排序规则）作为可组合的“技能块”，Agent 根据当前场景动态拼接，无需重新训练模型。

Agent | 2026-06-27 | HF Daily | score 6/10

Active ExperimentationSkill LibraryIn-context LearningSelf-ImprovementPhysics SimulationTool Use