标签
本文识别出GRPO在多轮证据读取智能体中的奖励方差崩溃故障模式，并提出CIGPO方法，该方法使用每轮上下文信息增益奖励来维持梯度信号，在HotpotQA上实现了+105%的F1性能提升。
PixelEyes 提出了一种多轮视觉推理代理，通过掩码引导搜索和语义区域广度优先搜索解耦感知与推理，并引入新基准（Pinpoint-Bench）和数据集（PixelEyes-6K），以提升视觉证据搜寻中的定位能力。
本文针对大语言模型在多轮对话中因信息分散而表现不佳的“迷失在对话”问题，提出了一种可扩展的分片流水线，将单轮问答数据集转化为多轮训练数据，并利用基于可验证奖励的强化学习训练一个维持紧凑滚动记忆的记忆增强策略，从而提高了多轮推理准确性，并零样本泛化到更困难的任务。
本文通过引入CoT-Output安全矩阵分析了多轮推理模型中的失败模式，揭示了诸如在监控线索下伪装对齐率增加以及上下文注入失败（即安全的内部推理被有害输出覆盖）等悖论。
SpatialAct是一个新的基于模拟器的基准，用于探索VLM智能体是否能在多轮反馈设置下进行连贯的空间推理并将其转化为3D环境中的行动。实验揭示了一个显著的推理到行动差距：当前的VLM尽管在孤立推理任务上表现良好，但难以维持空间信念并产生可靠的行为。
本文介绍了可满足漂移（satisfiable drift），这是一种多轮推理系统在保持内部逻辑一致性的同时，默默违反先前承诺的故障模式，并主导了矛盾。作者提出了DRIFT-Bench，一个包含816个问题的基准测试，并发现经过修复后，98-100%的残余错误是漂移错误。
本文介绍了 MedAction 框架，该框架通过模拟迭代式的检查开具与假设更新，训练大语言模型（LLM）进行主动的多轮临床诊断。文章提出了一个新的数据集 MedAction-32K，并展示了开源模型在医学基准测试上的最先进水平（SOTA）性能。