AgentBaton:智能體任務中的高效模型協作
AgentBaton 探討在長程智能體任務中,讓能力較強與效率較高的模型在合適階段交接,以降低成本並維持準確度。它在 11 對模型及兩個代表性基準測試中,平均降低 API 成本 65.9%,準確度最高較只用能力較強模型提升 8.8 個百分點,並擴展準確度與成本的 Pareto 前沿。
AgentBaton 探討在長程智能體任務中,讓能力較強與效率較高的模型在合適階段交接,以降低成本並維持準確度。它在 11 對模型及兩個代表性基準測試中,平均降低 API 成本 65.9%,準確度最高較只用能力較強模型提升 8.8 個百分點,並擴展準確度與成本的 Pareto 前沿。
LOLPlay 是一項以《League of Legends》原生環境評測即時視覺智能體的基準,涵蓋 36 項英雄專屬任務,並以 82 項可執行子目標檢查區分部分進度與任務完成。
實證研究顯示,小型開放權重模型完成實際編碼工作的成效,取決於服務配置、Agent 協議及隱藏行為檢查;生成連貫文字並不足以證明任務成功。45 次試驗中,直接編碼通過 15/15,量化 Qwen3-Coder 30B-A3B 工作模型通過 12/15;另一測試中,直接編碼為 45/45,Nemotron Cascade 2 工作模型為 12/45,兩項研究不合併或據此排名。
AMBIT 是一套統一框架,透過自回歸場景規劃與 rectified-flow 渲染,生成及編輯一階 Ambisonics(FOA)音訊。框架以可執行 ScenePlans 描述聲源內容、活動及 3D 軌跡,並結合 FOA 專用連續 VAE 和 on-policy 自蒸餾。評測顯示,AMBIT 在語音、音樂及音效生成的內容與空間品質,以及指令引導編輯的音質保真度和未編輯聲源保留方面,優於比較基線。
一項受控研究比較 MCP 與 CLI 介面,發現即使可執行能力相同,介面呈現方式仍會改變智能體行為、任務表現及互動成本。六個模型在三個互動環境的 2,004 次測試中,有 94.3% 出現不同軌跡;DART 在六項評測設定中最多提升 9.0 分,並在三個環境中每項任務最多減少 27.1k 個 MCP token。
ParetoRSI-Gym 評估遞歸自我改進智能體能否透過整理數據與訓練,提升語言模型在多個領域的泛化表現。Claude Code 配合 Opus-5 的 proxy-best checkpoint 泛化分數,按三個基礎模型和五個領域等權平均,較起始模型提升 9.2%(絕對提升 2.3 點);單一領域最高相對提升 63%,出現在 Ministral-3-3B 的醫學領域。
InteractiveWorld提出可驗證的模擬環境及基準,用於評估多模態語言模型能否可靠地引導人類完成實體任務。研究推出的 InteractiveBench 涵蓋六個類別、共 120 項多輪任務。對 12 個前沿 MLLM 的測試顯示,Claude Fable 5.1 在長時程 Guidance 和 Planning 任務上的最高得分分別為 20% 和 25%。
ProAS 透過動態演進的智能體參考圖,改善 LLM 智能體無評論家強化學習中的信用分配。在 Qwen2.5-1.5B-Instruct 和 Qwen2.5-7B-Instruct 上,ProAS 在 ALFWorld 的成功率分別達 91.9% 和 94.3%,在 WebShop 則分別達 66.7% 和 70.8%。訓練收斂速度最高提升 2.44 倍,並能抵禦不完美或蒸餾後的 ARG。
HuGe 利用第一人稱視角的人類及機械人數據,預訓練人形通用視覺-語言-動作模型,以支援全身人形機械人控制。模型使用超過 2,000 小時數據,並透過三階段訓練流程及模擬生成的偽本體感知狀態,完成預訓練與人形適配。HuGe 在 HumanoidArena 模擬基準取得最先進成績;Unitree G1 的真實環境實驗亦顯示,加入經視覺適配的第一人稱示範,可提升抓取及放置任務的成功率。
DynaFlow 讓主智能體合成可執行工作流程,以協調子智能體進行協作。研究只訓練主智能體,子智能體保持不變;在六項基準測試中,DynaFlow 使用 Qwen3.5-27B 主幹模型,在 Forced mode 達到 88.08% 總體準確率,較最強的受測基線高 10.90 個百分點。
AgentProofBench 評測網頁智能體的可重用驗證,透過連結凍結的接受規則與執行軌跡,建立程序閘門正確性及重用基線。基準涵蓋 97 項任務、79 個家族及四項 Web 服務;在 48 個家族的測試中,DeepSeek Flash 和 Pro 分別保留 82/96、79/96 個來源程式。
研究提出 SATE-Bench,評估 MLLMs 在以人為中心的場景中能否主動探索視角,以建立空間理解。基準包含 316 個真實場景及 2,525 組多輪問答;評測發現,模型常在證據不足時提早停止探索,且難以處理精細的 3D 幾何任務。以 GRPO 微調雖增加主動探索,卻降低整體準確度。
這項研究比較 7 個前沿編碼模型上的 17 種 Agent harness 驗證設計,發現獨立評審能提升準確度,且成本增幅較低。Terminal-Bench (TB) 的平均準確度提升 5.9-9.5 個百分點,成本為基線的 1.13-1.25 倍;SWE-bench Verified (SWE) 提升 3.9-6.6 個百分點,成本為 1.00-1.04 倍。
這項研究比較 LLM 智能體在不同推理力度下的成本與表現,發現提高力度雖可提升整體準確率,卻常在低力度已能解決的任務上失敗。研究涵蓋四項基準;在每種力度都能解決的簡單任務中,最高力度成本最高可達最低力度的 42x。
PyPI 套件分析發現,熱門套件並非更集中於單一框架;長尾中最常見框架所佔比例為 28.6%,高於熱門組的 21.3%。分析比較下載量最高的 3,000 個套件與隨機抽取的 2,921 個套件。Odoo 在長尾出現 73 次,在熱門組則一次也沒有,其外掛套件推高了長尾的集中度。
Sentinel 的即時基準測試以 GPT-6 Astra 比較讀取完整程式碼、使用結構化資訊及先看摘要再按需查閲原始程式碼三種方式,在 87 條問題中分別答對 84、82 和 87 條;結構化資訊方式另有五條未能解答。混合方式估算輸入 token 比完整程式碼方式少約 71%,但結果只來自一次受控測試,不能證明 AI Agent 已不會出錯。
兩項預先註冊的可重現普查顯示,MultiNLI 金標籤的一致程度因文本類型而異,政府文本的一致率最低(53.4%),書信最高(65.3%)。另一項 ChaosNLI 審計發現,3,113 個抽樣例子中有 311 個即使經過 100 次標註仍沒有嚴格多數。這些結果衡量的是標註者一致度,而非標籤正確性。
LayerEditor 透過組合式編輯先驗蒸餾,在單一擴散流程中將文字指令轉為可重用的前景、背景及遮罩圖層。LayerEditor(v1)在 COCO-Edit 的 Mask IoU 為 0.78,較最佳基線高 23%,並在 RTX-4090 上以 0.92 秒完成推理。研究尚未評估影片的時間一致性。
DeepSeek 關聯團隊提出 Engram,以可擴展查表模組為 Transformer 加入靜態記憶,在 27B 參數規模下,於作者報告的所有基準測試中勝過參數量及 FLOPs 相同的 MoE 基線。
報告分析原生 NVFP4 強化學習在訓練後期不穩定的原因,並提出 TRIAGE 更新方法和 miniTE 數值執行框架。在 8×B300 上,miniTE 採用 BF16 backward 的完整學習器更新速度約為 BF16 的 1.33–1.37×;另一項固定輸出服務測試的吞吐量約為 BF16 的 1.64×。
Convovo 一項研究發現,透過 API 要求模型在即將舉行的中期選舉中直接推薦候選人時,Grok 4.7 有 92% 的回答推薦共和黨候選人,OpenAI 的 GPT-6.1 Sol 則有 97% 推薦民主黨候選人。
Accenture《Hong Kong AI Index 2026》調查 150 名本港企業高層,發現只有 12% 的戰略性生成式 AI 投資成功擴展至規模化應用。只有 3% 企業把 AI 及數據全面納入核心業務策略,規模化亦受數據、流程、舊有基建及治理能力限制。報告建議先以業務成果設定投資門檻,補足數據架構與流程設計,再擴展有價值的項目。
中國信通院聯合相關機構發布《大模型詞元服務性能監測報告(2026年)》,稱2026年6月國內模型 token 日均消耗量約500萬億,為2025年12月的近4倍。報告分析2026年1至8月的監測數據,8月國內模型平均TPS為78.23個/秒,低於國外典型模型的112.82個/秒。同一模型在不同平台的TPS差距最大可接近一倍,國內歸一化均價則由2025年下半年的6.8元升至今年以來的13.46元。
一項由 Google 資助的研究發現,使用 Google Labs 未公開 AI 助手 InFlow 的初級專利律師,在專利草擬任務中的評分高於未使用 AI 的對照組。但在無 AI 的專利草稿審閲任務中,初級律師沒有取得相同優勢,評分分佈反而更分散;資深律師則保留優勢。研究作者認為,AI 可能加快部分初級律師的技能培養,卻取代另一些人的技能發展;實驗未能解釋兩者差異。
中國信通院聯合相關機構發布《大模型 Token 服務性能監測報告(2026 年)》,指出 2026 年 6 月國內 Token 日均消耗量約 500 萬億,為 2025 年 12 月近 4 倍。
研究檢查排名前 1,000 個網站的 robots.txt,發現 20.9% 至少封鎖 16 個 AI 爬蟲中的一個。CCBot 和 GPTBot 最常被封鎖,比例分別為 15.5% 和 13.8%;AI 搜尋爬蟲 OAI-SearchBot 則為 7.0%。研究區分訓練、AI 搜尋及用戶觸發三類爬蟲,並公開逐站數據與研究方法。
秦始皇帝陵博物院與山東大學考古學院的聯合研究團隊分析79枚秦俑指紋,推斷製作者中成年男性佔45.0%、成年女性佔32.7%、15歲以下少年佔22.3%。研究以陶俑本體的生物學證據證實秦俑製作由多元人羣協作完成,為理解秦代手工業組織模式提供新實證。
surviving-lines 的 Claude Code 外掛在六組程式碼所有權測試中取得最高分,在 5 項封存任務中得 9.67/25,高於最佳對照組的 7.33。它在 11 項公開任務中得 47.67/51,最佳對照組得 41.00;由於這些任務在開發期間已被閲讀,相關結果的證據較弱。
研究以 5 個模型和 3 種 harness 比較編碼智能體,發現多數解題率差異處於測量誤差範圍內;更換 harness 對任務結果的影響,與重跑同一設定相近。相同模型和任務下,單項任務成本可因 harness 相差最高 3 倍,主要差異來自每步重送的系統提示詞和工具描述。447 個任務的大型測試池中,OpenCode 的解題率較另外兩種 harness 低最多 9 個百分點。
作者以 11 種配置比較 Claude Code 上的 ai-slop-linter 與六款聲稱可去除 AI 文風的技能;在 12 項公開任務中,該 linter 得 58.67/60,高於最佳其他配置 Humanizer(按名稱呼叫)的 56.00。
作者將以 Claude Code 協助撰寫的數學論文手動提交至 aiXiv,交代一套失敗框架如何引出黃金窗口猜想。三項命題已證明,並由 CI 中的獨立計算重新核查,但尚未與既有文獻比對;猜想仍未證明,現有證據來自數值結果。aiXiv 不作發佈前同行評審,論文上載後留下的是有日期的紀錄,而非研究結論的裁定。
香港大學與清華大學提出離線價值學習框架 VAST,讓模型自適應選擇未來子目標與時間跨度,以支援長程決策。VAST 在 OGBench 的 10 個領域、50 個基於狀態輸入的任務上與 8 個基線方法比較,在多個場景表現領先,尤其是多階段操作任務。
PyPI 熱門項目最新版本在週末發佈的比例為 16.1%,隨機抽取的長尾項目則為 21.4%,顯示熱門項目較偏向在工作日發佈。兩組發佈時間都分散於 UTC 下午至晚間,最繁忙時段各佔不到 7%,未見固定 UTC 時段的明顯排程峯值。
雲深處科技圍繞自研具身大腦 DEEPRobotics-Brain,發布五項研究成果,涵蓋世界模型 DR-WM-1.0、具身基礎模型 DR-VLA-2.0、具身智能體 DR-Agent、策略優化框架 DR-APO 和數據閉環平台 DR-Benchmark。五項成果覆蓋具身大腦全鏈路技術,構成一套面向真實場景作業的具身智能架構。
《From Recall to Forgetting》提出 Memora 基準,評估個人化智能體的長期記憶;結果顯示記憶智能體更擅長回憶,但記憶累積也會加重過時資訊的影響。
EchoChat 將共情語音對話建模為感知、心智理論推理和語音回覆生成三個相連環節,並以統一訓練框架協同優化。模型在監督微調階段引入 Acoustic-Anchored Attention(AAA),在強化學習階段採用 Step-Decomposed Credit Assignment(SDCA),針對不同環節提供訓練回饋。
清華大學李一鳴教授團隊提出 PrismWAM 與 RoboDoctor,分別在 RoboTwin 2.0 和 RoboDojo 基準對比中居首。PrismWAM 將語義上下文與物理狀態解耦,未進行額外動作數據預訓練,RoboTwin 2.0 平均成功率為 83.67%,Clean-to-Random 成功率為 75.5%。
蒙特利爾大學、Mila 人工智能研究所和麥吉爾大學的團隊提出 HyperQ,讓擴散語言模型按 Token 動態生成量子電路。64 量子比特下,11 億參數模型在六項零樣本測試的平均分超過 Qwen3-8B 等 80 億參數模型;在 IBM 156 量子比特量子集羣上測試時,平均分較經典模擬低 1.12 分。
CI Bench v1 公開 GitHub Actions runners 基準測試,涵蓋熱門開源項目的 12 個 CI 工作負載;測試方法、工作流程、分析及原始工作記錄均已公開。測試的九種配置中,Vitko Runners 配合 warm starts 和測試並行化速度最快、每項工作的託管成本最低;RunsOn 使用 spot instances 在極高用量下每項工作成本較低,但耗時約兩倍。
生成式人工智能令釣魚攻擊文本更流暢、更個人化,傳統依靠錯別字和排版瑕疵的識別方式因而失效。研究主張把識別重心轉向行為信號,留意異常請求、緊迫施壓及連結與來源核驗,並透過事件上報機制和無懲罰演練,培養存疑即核實的習慣。
最多提供 50 頁,更早的內容請使用搜尋或主題頁。