标签
该论文评估了Lean编译成功是否等同于忠实的自然语言到Lean语句形式化，发现多个系统在编译通过与语义正确之间存在1.3至29.5个百分点的显著差距，且工具增强型代理的大部分差距源于真实的翻译错误。
X-Ragent 是一个面向胸片（CXR）证据驱动推理的后训练框架，通过工具增强强化学习解耦辅助证据获取与有效性门控的量化测量；在 Chest AgentBench 等三个基准上取得最佳结果，其中完全未见基准提升 8.6 分。
本文将工具介导的恢复识别为LLM遗忘中的一种失败模式，并提出Agentic Tool Unlearning（ATU）以同时减少参数回忆和基于工具的恢复，同时保持正常工具使用。
介绍了PHREEQC-MCQ-200，这是一个用于评估工具增强的LLM代理在确定性水地球化学模拟中的诊断基准，揭示了模拟器访问提高了准确率，但也导致在没有工具时正确回答的问题出现性能倒退。
FinAcumen是一个框架，它将先前轨迹中的推理经验累积到持久记忆库中，用于金融多模态推理，在四个基准测试上提升了性能，同时保持冻结的8B视觉语言模型不变。
本文通过实验测试了配备GNN工具的LLM代理是行使判断力还是盲目服从工具，发现代理在97.6%–99.2%的情况下与GNN保持一致，且更强的骨干模型服从得更彻底。这种服从的代价并不会随能力提升而减少，选择性调用仍然是一个开放问题。
SpatialClaw是一个无需训练的框架，它采用代码作为动作接口，使视觉语言模型能够进行灵活、有状态的空间推理，在多种3D/4D空间推理任务上取得了卓越性能。
本文介绍了SPADER，一个用于多答案问答的强化学习框架，它使用逐步同行优势进行信用分配，并采用多样性感知探索奖励来提高长尾实体的召回率，在多个基准测试上取得了更好的性能。
本文介绍了 CoCoDA，这是一个利用协同演化的组合式有向无环图（DAG）来管理增强型智能体工具库的框架。该框架使小型语言模型能够高效地检索和组合工具，从而使 8B 模型在推理基准测试上的性能能够匹敌甚至超越 32B 模型。