标签
MURPHY引入了一种反馈感知的多轮GRPO扩展，用于自纠正代码生成，通过奖励为后续成功提供反馈的早期尝试来提高基准性能。
介绍PII-TRACE，首个用于多轮LLM对话中上下文感知PII检测的基准，以及PII-Tracer，一个实现高实体级覆盖率的紧凑检测器。
本文诊断了AI智能体中次轮评估指标与自主工作流执行成功率之间的差距，表明监督微调虽然提升了轮次级别的性能，却未能增强端到端的工作流成功率。
本文介绍了τ-Elicitation，一个用于评估语音代理中多轮实体提取的基准，指出了策略选择和错误恢复是关键瓶颈。
SCX Router 引入了一个基于GLiClass的轻量级模型选择工具，该工具使用解码器-KV分类器和任务本体来路由LLM任务，优化速度、成本和质量，无需自回归生成。
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。
EvoGenUI-Bench引入了一个用于评估LLMs作为多轮生成UI助手的基准测试，专注于接口维护，涵盖150个任务，在状态传播和外部基础方面存在挑战。
提出HiDiffTIR，一种面向LLM代理中多轮工具集成推理的层次难度感知策略优化框架，通过细粒度信用分配提升性能和工具调用准确性。
本文介绍了多轮经认证鲁棒性（MTCR），一个通过组合方法和安全持久性提供更紧界限来认证大型语言模型针对多轮越狱攻击安全性的框架。
OmniAssistBench 是一个用于评估作为实时视频助理的全能大语言模型的基准测试，揭示当前模型在视觉提示、上下文保持和及时响应方面存在困难。
DART-SD提出了一种拓扑感知的检索和调优框架，用于基于LLM的工具调用代理的自蒸馏，通过仅纠正关键拓扑断点并保留有效推理来提升策略多样性。
本文介绍了一种多阶段框架WER，它使用执行反馈的强化学习来训练技能优化器，以改进工具使用代理，在BFCL v4和τ2-bench等基准测试中实现了显著的性能提升。
SMOPD是一种仅使用损失的稳定方法，用于多轮在策略自蒸馏，通过选择性令牌熵掩蔽来提高脏历史设置下的准确性，并展示了在Qwen3模型上的改进。
本文系统研究了基于多轮LLM的搜索智能体中的上下文干扰问题，发现干扰主要来自最新检索到的文档，并提出了一种基于蒸馏的上下文精炼器来缓解该问题。将上下文精炼纳入RL训练流程可显著提升可靠性和效率。
本文提出了一种用于多轮共情对话的双循环自我进化框架，利用可验证的情感反馈来优化策略并调整训练分布。在SAGE上，它将Qwen3-8B的Overall得分从53.87提升至79.24，比均匀情感奖励强化学习高出7.23个百分点。
本文引入了一个三条件实验框架和一个包含24,300个提示的基准，研究在多轮交互中，有偏见的用户轮次如何调节前沿LLM中的认知偏差表达。研究发现，在大多数模型中，有偏见的对话上下文会放大偏差，而明确的偏差线索可能触发与对齐相关的抑制行为。
本文提出DASH-OPD，一种用于多轮LLM智能体训练中同策略蒸馏的差异感知切换方法，它根据漂移和恢复证据自适应地在教师和学生执行器之间切换，以提高效率和性能。
M3-DuplexBench is a new multi-turn, multilingual, multidomain benchmark for evaluating full-duplex spoken dialogue systems, supporting English and Japanese across casual conversation and question answering domains.
MMShopBench 引入了一个面向多模态、多轮购物代理的真实日志基准，要求从用户图像和对话中进行联合推断，并配备离线沙盒和训练集以提升开源模型性能。
介绍CMT-RAG，一种用于多轮多跳对话式RAG的互补记忆框架，通过子问题级推理轨迹将对话记忆与检索对齐。同时提出了MuMu-QA，一个具有跨轮子问题依赖关系的基准测试。