标签
该论文提出了正则化分数中心化(Regularized Score Centering,RSC),通过在分数中心化中加入反向 KL 惩罚项,限制异步/离策略强化学习中的策略失配,在包括 AppWorld 和 BabyAI 在内的六个智能体基准测试中,显著提升了样本效率和最佳性能。
Google 正在推出免费的 Gemini 应用更新,让助手能够代用户拨打电话、缴纳账单、预约以及完成日常任务,由全新的 Gemini 4 Hydrogen 模型驱动,并将在多个国家和地区上线。
一篇介绍混合决策模型(HDM)的论文,该模型包含一个自路由模块,可在单次前向传播的隐式作答与完整的自回归推理之间进行选择,同时提出了一套 CDPO 训练方案,能够降低延迟和词元成本,并在 JevBench 和 MiniWoB 等基准测试中保持或提高准确率。
该论文提出了 Li2SAO,一种用于大语言模型后训练的轻量级异步强化学习方法。该方法先使用组相对演员-评论家自举来预热评论家,再切换到单次轨迹采样的广义优势估计(GAE),在训练早期即可追平或超越 GRPO,并提高后期的性能上限。
一场社区讨论,征集用户使用 Nanbeige4.3-33B 的实际体验。这是一款拥有 330 亿参数的开放模型,支持 512K 上下文窗口,在推理、编程和智能体任务的基准测试中表现出色,但其 KV 缓存内存占用较高也引发了担忧。
Google发布前沿模型Gemini 4 Carbon,在编码、智能体任务和网络安全方面实现显著提升,在Artificial Analysis Intelligence Index、SEC-bench Pro和ExploitGym等多个基准上领先Claude Opus 5.5和GPT-6 Astra,定价与Argon一致。
inclusionAI 发布 Ling-3.1-flash-1019,这是 Ling-3.1-flash 的升级版本,拥有 5600 亿总参数、250 亿激活参数和 100 万词元的上下文窗口,通过后训练优化,在推理与智能体能力上显著提升(AA-Briefcase Elo 评分从约 1400 升至 1524,Artificial Analysis 智能指数达到 44)。
该论文将生成模型的推理 effort 视为'信任品',通过反事实实验量化不同 effort 级别对成本与准确率的影响,发现从低 effort 起步、失败后再升级的策略在多数模型和基准上以更低成本达到或超过固定最高 effort 的效果。
TEX 是一个基于执行交叉验证的协作式测试时扩展框架,多个智能体并行生成测试与补丁并交叉执行形成反馈矩阵,在 SWT-Bench Verified 上达到 86.4% 的新 SOTA,比单智能体基线提升 9.0%。
MiniMax 发布 M3.1 Flash 新模型,在复杂 agentic 任务、计算机使用、软件开发与网络安全等多类基准上全面提升,其中 DeepSWE v1.1 达到 73.7%,跻身顶尖模型行列。
MiniMax 发布 428B 参数 MoE 模型 M3.1 Flash,输入价格低至 $0.15/百万 tokens,并确认匿名模型 Space Bunny 为其早期版本,开放权重将于 10 月 23 日发布。
MiniMax 发布 MiniMax M3.1 Flash,作为新一代 Flash 模型,在 agentic 任务、编码、Computer Use 与网络安全方面实现全面跃升,在线推理速度提升近三倍,使用成本降低 70%,输入/输出定价为每百万 token $0.15 / $0.60。
MiniMax M3.1 Flash 现已通过 Vercel AI Gateway 免费提供,有效期至 10 月 22 日,其在智能体、编程和网络安全性能方面有所提升。
该论文系统研究了在线自蒸馏(OPSD)中特权信息(PI)的有效性预测,评估了16种PI配置,并提出基于KL散度的指标来在训练前筛选PI,结果显示其能更好预测后训练性能并与GRPO结合取得更强效果。
MemT-1.0 引入了一种记忆原生架构,将持续记忆直接嵌入基础模型的计算中,在 128K 历史长度下,相比全上下文 KV cache 实现约 1.86 倍推理加速和 66 倍存储缩减,同时提升了智能体任务的成功率。此次发布包含 MemT-1.0-Nano 和 MemT-1.0-Flash 模型系列。
DeepSeek 发布 DeepSeek-V4.1-Flash-1017,作为 DeepSeek-V4.1-Flash 的小幅更新,在推理、编码、智能体任务与视觉基准上均有提升,同时缩短执行时间与输出长度,进一步优化性能-成本帕累托前沿。
谷歌的 Gemini 4 Argon 正式向付费开发者和企业用户开放,凭借 100 万 token 输出上下文窗口和更低的推理成本,在 Vals AI 的专业工作基准指数上超越 Claude Sonnet 5.5 和 Opus 5.5,位列第一。
HuggingPapers 介绍了一篇关于 Recursive Self-Rewrite 的研究:单一基础模型 Qwen-3.8-27B 在多种 harness 下发现解法并将其改写为可复用的训练轨迹,使 Terminal-Bench 2 的 Pass@3 从 57.0% 提升到 74.2%。
本文提出热带强化学习(Tropical Reinforcement Learning),用对已验证解的对数概率取最大值(即热带半环)替代期望回报求和,从而让大语言模型具备组合推理能力。文中引入的 Tropic 训练算法在 Sokoban、Countdown、FrozenLake 和 WebShop 等任务上,比同策略(on-policy)基线方法最高高出 16 个百分点。
作者在 M1 Air 上使用 llama-server 对比了 LFM2.5 2.6B 与 MiniCPM5 2B 在小型 agentic 工具调用任务上的表现。结论是 LFM2.5 明显更优——尽管参数更多但速度更快、内存占用更低,而 MiniCPM5 虽然在 agentic 任务上可能更强,但常常在英文提问下返回中文。