标签
本文解释了为何基于多数投票的自奖励能够达到可验证奖励强化学习的效果：在批次层面，不一致的标签错误会相互抵消，使更新方向与真实标签对应的梯度对齐；研究发现，决定自生成标签何时能够替代验证的是错误的一致性，而非错误率。
该论文提出一种在多步 LLM 智能体任务中，利用最终结果（而非单步正确性）来校准智能体自报置信度的强化学习方法。在 ALFWorld、TextWorld 和 WebShop 环境中，步级置信度对最终结果的 AUROC 从接近随机提升至 0.68–0.85，校准误差显著下降，且不损害任务成功率。
Sakana AI 提出了多智能体自我监督（MASS），这是一种同构递归自我改进（RSI）循环，其中同一个模型同时扮演执行器、优化器和评估器的角色，将多智能体群体智能蒸馏为自我监督信号，并在研究基准上提升单位 token 得分表现。
本文提出一种使用联合嵌入预测架构（JEPA）的表格型基础模型训练方案，以解决潜在项坍塌问题，并在147个真实数据集上将其性能与纯值方法进行比较。
本文介绍了CGTime，一个4B参数的计算基础时间序列-语言模型，通过确定性统计和LLM言语化将感知与描述解耦，在多元理解任务上优于更大的通用模型。
本文介绍了一种面向视觉语言模型的自我演进框架，使其在没有外部监督的情况下提升提问能力，不仅提高了问题质量，还增强了回答者的表现。
本文介绍了U-TTT，一种带有测试时训练层和双域适配的U型深度学习模型，用于在分布偏移下实现鲁棒的PET图像去噪，在不同剂量水平和扫描仪类型上均达到了最先进性能。
本文介绍了TraceLock，这是一种轻量级即插即用控制器，为冻结的扩散语言模型学习令牌提交策略，无需重新训练即可在各种任务中改善质量与步数之间的权衡。
EVE-Agent 提出了一个自我进化搜索智能体框架，通过生成问题、答案和证据片段，并基于证据的边际准确性增益进行训练，确保证据可验证性。这提高了基于依据的正确性，且无需人工标注。