标签
本文介绍了LLAMIA-Bench，一个用于语言模型和非语言代理之间协作棋类任务的基准，并提出了潜在状态内化方法以超越基于文本的表述，其中14B模型匹配或超越了如GPT-5.1等前沿模型。
StateSight是一个用于评估视觉语言模型空间状态重建的新基准，显示像GPT-5.5和Claude Sonnet 5这样的模型在空间推理任务上与人类表现相比存在困难。
本文介绍了一种白盒仪器，使用隐藏确定性有限自动机分别测量强化学习代理的奖励成功和潜在状态学习，发现高奖励并不意味着任务理解。
本文引入了文本潜在状态和分解式GRPO（fGRPO），以在基于文本的世界模型中强制实施严格中介，解决了可识别性问题，在表示质量上实现了高达57%的提升，在展开性能上实现了98%的改进。
一位研究人员提供了证据，表明强目标文本能在 Gemma 3 12B IT 的最终输出之前引发可测量的潜在状态转移，这种转移不同于词汇或内容重叠，并讨论了这是对仅依赖输出评估的 AI 安全的影响。