transferability

本文重新思考了智能体自动工具框架进化应如何评估，指出性能提升可能源于增加的计算量而非真正的改进，并且进化后的工具框架难以泛化到未见过的任务。

本文测试了LLMs在上下文问答中判断能力优于生成能力的假设，发现在大多数基准上生成准确率超过自我评估，且评估过程对上下文的关注较少。这些发现挑战了自我评估流程中的核心假设。

AdversaBench介绍了一个自动化LLM红队测试流程，该流程使用五个变异算子和一个由三位裁判及元裁判（用于决断平局）组成的评审团来确认失败，揭示了攻击难度因类别而异，并且对抗性提示可以从较小模型迁移到较大模型。

Skill-MAS提出了一种在无需修改模型权重的情况下，为多智能体系统演化元技能以提升编排能力的方法，实现了跨任务和LLM的可迁移性能提升。

本文分析了循环（权重共享）变换器中的残差缩放问题，表明权重共享需要比标准残差网络更强的缩放（1/N），并推导出一种因式参数化方法，使得超参数可以在不同循环次数之间迁移，无需重新调参。