标签
论文提出了 Recursive Self-Rewrite(RSR)框架,该框架利用单一基础模型(Qwen-3.8-27B)在多种 harness 下发现成功解,并通过 planner-critic-executor 循环将其在通用 harness 下重构为训练轨迹,在监督微调后,terminal-bench 任务上的 pass@3 得到了显著提升。
本文提出 **Sharpening Tax(锐化税)** 这一指标,用于量化大语言模型在 RL 后训练中 pass@1 提升但解空间覆盖度(pass@K)下降的现象;并提出 **后验退火组采样(Posterior-Tempered Group Sampling, PTGS)**——一种即插即用的贝叶斯采样器,能按提示词自适应调整温度,在提升单次生成准确率的同时降低这项税负。
本指南详细介绍了针对 Claude Opus 5.5 的提示模式,涵盖了与 Claude Opus 5 的行为差异,并提供了努力校准、API 集成和无人值守代理任务的策略。
IFM AI 推出 K2 Horizon,一个完全开源的六个基础模型舰队,参数从0.9B到375B,在编码和智能体任务中声称具有前沿性能。此次发布被誉为AI历史上最大的完全开源模型发布,具有完全的透明度和对训练数据与代码的开放访问。
PGPO 提出势引导策略优化用于多轮智能体任务,使得在 LLM 后训练中实现更细粒度的信用分配,并在 ALFWorld 和 WebShop 基准测试上展示出强劲结果。
GLM-5.3-Flash 通过 MCP 在 Blender 任务中取得了与 GLM-5.3 相当的结果,在消费级硬件上运行,成本低 16.7 倍。
用户分享了一个27b AI模型击败最新前沿模型的经验,并提供了个人对Qwen 3.8在智能体任务和Qwen 3.7 flash在整体任务上的使用体验。
Ventor-QTest提出了一种针对供应商托管LLM API的黑盒审计方法,通过重复和长序列探测来测量保真度损失并检测长期代理任务中的退化。
Qwen3.8-27B 是一款新的 AI 模型,在编码、代理任务和视觉语言理解方面具有增强能力,提供灵活的思维控制和长上下文长度。它可在 Hugging Face 上获取,并设计为易于部署使用。
Unsloth 发布了 Qwen3.8-27B AI 模型的 NVFP4 量化版本,该模型在编码、专业工作、智能体任务和原生视觉语言理解方面提供了增强的能力。
LabyrinthBench是一个本地化、无需裁判的LLM基准测试,能够确定性地衡量多步骤智能体任务中干扰下的上下文记忆。初步实验表明,清空上下文并重新注入门控答案对9个模型中的7个有帮助,但对2个适得其反,凸显了上下文管理策略的复杂性。
Composio 在困难的智能体任务上测试了 DeepSeek v4 flash、GLM 5.2 和 Kimi K3,发现 DeepSeek 速度最快、成本最低,成功率与其他模型大致持平,而前沿模型仍稍稍领先。
Kimi K3,一个开放模型,在智能体任务中与 Fable 相媲美,在它们之间进行路由实现了93%的准确率,成本节省高达50倍,建立了一种新的最先进方法。
Kimi K3 是一款全新AI模型,拥有2.8万亿参数和100万上下文长度,已在网页和App上发布,在编程、智能体任务、推理、视觉和智能体集群方面具备领先能力。
本文提出 ReOPD,一种用于 LLM 智能体的在线策略蒸馏方法,该方法重用预先收集的教师轨迹作为重放前缀,无需新的环境交互即可提高效率和准确性。
提出 SEED,一种自进化在线策略蒸馏框架,将已完成的轨迹转化为后见技能,以改进交互式智能体任务的强化学习,取得了持续的性能提升和样本效率。
LLM-as-a-Verifier 是一种简单、廉价、通用的面向智能体任务的自我改进技术,通过细粒度评分和基于 logprob 的排名,在 SWE-Bench Verified 和 Terminal-Bench V2 等多个基准测试中取得了最先进的性能。
这篇来自斯坦福大学、英伟达和加州大学伯克利分校的论文介绍了LLM-as-a-Verifier,一种无需训练的验证框架,利用LLM logits的连续评分来提高编码、机器人和医疗领域的准确性,在多个基准上取得了最先进的结果。
这篇来自斯坦福、伯克利和NVIDIA的论文提出了LLM-as-a-Verifier,一个利用token logits进行连续评分的通用验证框架。它在包括Terminal-Bench V2(86.5%)和SWE-Bench Verified(78.2%)在内的多个基准上达到了SOTA,并提供了可以加速强化学习训练的细粒度信号。
介绍了以对象为中心的环境建模(OCM),该方法将LLM代理的经验组织成两个可执行代码库(对象知识和过程知识),以提高复用性、验证能力,并减少交互环境中的无效动作。