composition

研究人员提出，训练框架（训练装置）应承载用于泛化的归纳偏差，并证明训练RLMs在扩展性和泛化到更困难任务方面远优于普通Transformer。

文章提出，通过精心设计的harness来诱导组合，Transformer可以泛化到新任务，而无需模型本身具备泛化能力。研究表明，RLMs可以从短任务泛化到8-32倍长的任务，并且跨领域泛化。

介绍了SkillSelect-Serve，一个用于小型LLM智能体的预算可控且QoS感知的技能服务推荐与组合框架，在大型注册表上评估，并展示了相比Top-K检索更高的召回率和效用。

本文提出了COMPASS，首个能够同时锚定组合意图控制，以进行组合感知和组合引导生成的统一多模态框架，并引入了共享专家令牌和Comp-11数据集。

研究人员提出了CaptureGuide-Bench，一个用于拍摄实时摄影指导的基准测试，以及ShutterMuse，一个统一的多模态大语言模型，经过训练可提供构图和姿势建议，展示了优于通用模型的性能。

HarnessX introduces a framework for self-evolving AI agent harnesses that treats the runtime harness as a first-class object, enabling automatic adaptation via trace-driven reinforcement learning. It achieves average gains of +14.5% across five benchmarks, with larger improvements for weaker models.

本文提出了声明式数据服务（DDS），这是一种从声明式用户意图出发，对数据系统组合进行结构化智能体发现的架构。它将全局搜索分解为有界子搜索，并在一个交易后端工作负载上展示了收敛性，而在此负载上无界发现会失败。