全部动态

本页 40 条
10月12日 周一
arXiv cs.AI78

AgentSWE:编程智能体能构建出你真正想要的智能体吗?

随着软件生产逐渐交由软件自身完成,编程智能体越来越多地受托构建契合用户自身工作流程的智能体。这种委托隐含着一个假设:交付的智能体会忠实地满足其构建所依据的需求,而非仅仅看似如此。现有基准均未检验这一假设。我们提出 AgentSWE,这是一个面向智能体软件工程的基准,涵盖智能体开发生命周期的三个阶段:根据自然语言需求创建完整智能体、编辑生产环境中的智能体代码库,以及针对可衡量目标进行优化。其 25 项任务均被设定为委托项目,而非考试:构建者根据少量示例用例进行迭代,而验收则使用为覆盖完整需求而设计的留出用例,对冻结后的提交版本进行测试;在严格的通过/不通过门槛约束下,依据从需求推导出的评分标准评估其行为,或在优化任务中,依据原始基准自身的目标进行评估。我们对采用不同模型和运行框架的多种编程智能体进行了评估,发现没有任何一种能接近交付需求所要求的成果:构建者所展示的能力与实际交付结果之间存在差距,这才是常态,而非个别情况。配套的失败轨迹实证分析识别出反复出现的失败模式,包括对可见用例过拟合、看似完整的代码背后空洞的运行时实现,以及缺乏依据的完成声明。每一种模式都可作为反馈信号,帮助编程智能体学会构建真正符合委托要求的智能体。

arXiv cs.AI76

ProgramGym:面向长时程程序复现智能体的训练环境规模化构建

编程智能体正越来越多地像软件工程师一样从零构建程序,而不再局限于解决代码仓库中的问题,或根据给定的需求文档生成代码仓库。然而,能够促使智能体自主发现需求并决定系统设计方式的可扩展、可验证训练环境仍然稀缺。此外,现有智能体工作流也无法支撑智能体在实现前先探索参考程序的长时程开发过程。为应对这些挑战,我们提出 ProgramGym,这是一个由 Program-Env 和 Program-Agent 组成的框架,用于规模化构建长时程程序复现智能体的训练环境。具体而言,Program-Env 通过反馈驱动的循环,修复运行时沙箱构建问题并改善黑盒测试质量,从而基于代码仓库构建可验证的训练环境。利用这一新流程,我们获得了 1,648 个训练环境,涵盖 C、C++、Go 和 Rust。Program-Agent 将分析、实现和审查三个角色相互隔离的工作流与版本修订管理相结合,以支持编译检查和故障恢复。在 ProgramBench 上的实验表明,Program-Env 和 Program-Agent 均能提升程序复现性能。利用这些构建出的环境中的轨迹进行微调后,Qwen3.8-27B 的性能从 34.87% 提升至 42.84%。Program-Agent 进一步将基础模型和 SFT 模型的性能分别提升至 55.71% 和 56.25%,二者均超越了部分旗舰模型。我们将发布 ProgramGym,以支持对从零构建程序的编程智能体开展进一步研究。

arXiv cs.AI71

RegulaTutor:一个以理论为指导的长期个性化学习框架

长期个性化辅导要求语言模型将学习者不断积累的历史记录转化为适当的教学支持。现有基于大语言模型的辅导系统利用记忆和检索来实现个性化响应,但将历史证据与教学策略联系起来的教学依据并不总是明确的。我们提出 RegulaTutor,这是一个以理论为指导的长期个性化辅导框架,将历史证据、对学习者的解读以及面向学习者的教学联系起来。在自我调节学习(SRL)研究的指导下,其辅导编排框架将认知、情感、元认知和动机(CAMM)框架转化为可执行流程,用于形成有证据支持的学习者解读和教学策略。由此生成的策略保留了与其支持证据的关联,并随着新观察结果的到来而更新。这种分阶段工作流程还支持通过 PairRoute 进行系统性改进。PairRoute 是一种离线流程,利用中间执行记录区分编排框架失效、模型失效以及混合失效。PairRoute 提出并评估有针对性的编排框架修订方案,然后针对在选定编排框架下仍然存在且已确认的模型失效,构建经过审核的阶段级监督数据。我们将这一改进过程聚焦于历史证据获取,因为它是个性化教学的基础,并且允许依据学习记录和参考答案核验输出。在所评估的各类模型配置中,RegulaTutor 平均提升了历史证据准确性、学习者诊断水平和经评定的教学质量。PairRoute 的结果表明,经过这一改进过程,独立模型的历史证据准确性在最终评估时有所提升。这些结果共同凸显了 RegulaTutor 支持终身个性化教育的潜力:其教学策略能够随学习者历史记录的积累而演进,同时可对辅导系统进行有针对性的改进。

arXiv cs.AI70

In-Context Learning for System Identification: Probabilistic Formulation, Long-Sequence Handling, and Benchmark Validation

Traditional system identification typically involves two steps: initially, training data is processed to estimate a model of the system of interest; then, the model is used to predict outputs for new input queries. In contrast, recent in-context learning approaches learn a meta model that maps directly from training data and query inputs to outputs in a zero-shot fashion, bypassing explicit model estimation. This approach leverages a meta model trained offline, on large sets of synthetically generated data, to emulate the behavior of a system identification algorithm. In this work, we advance this meta-learning framework for system identification in three directions. First, we develop a unified probabilistic meta-identification architecture that combines a Transformer-based encoder-decoder with tailored mechanisms for handling long training sequences, enabling calibrated predictions over long horizons. Second, we show how a pre-trained meta model can act as an uncertainty-aware synthetic data generator for classical system identification, providing task-specific data that regularize parametric models when real data are scarce. Third, we systematically evaluate the framework on standard nonlinear system identification benchmarks and on a challenging out-of-distribution scenario, demonstrating competitive accuracy with state-of-the-art methods and strong generalization, including cases where input-only adaptation is sufficient to handle significant distribution shifts.

arXiv cs.AI74

Web$hell:面向智能体网页访问的统一接口

大语言模型(LLM)智能体正成为开放网络的直接用户。随着它们承担日益复杂且信息密集的任务,有效的网页访问正成为智能体解决问题的一项核心能力。现有方法通过不同的访问模型推动了智能体网页访问的发展,包括搜索增强型智能体、基于浏览器的智能体,以及近期出现的基于文件系统的智能体。然而,随着用户期望智能体完成长程、端到端的任务,智能体越来越需要在单一执行轨迹中广泛收集信息、执行浏览器操作,并重新查阅已获取的证据。但我们的初步分析表明,现有访问模型难以满足这些需求。它们主要支持信息收集或浏览器交互中的一种,而将两者的能力结合起来可能带来显著成本或性能上的权衡。为此,我们提出 Web\$hell,这是一种将网页访问整合到单一访问模型下的接口。WebCompiler 使用 WebContract 定义的通用模式,将实时网页编译为可寻址的信息对象和操作对象。这些对象由 WebCache 维护,并通过一组共享操作进行处理,为智能体提供一致、可操作且持久的网页访问能力。通过在网页搜索、网页导航和深度研究基准上开展广泛实验,我们表明 Web\$hell 能以更低的成本取得出色的任务表现。我们的结果进一步说明了接口设计对于有效网页访问的重要性,而 Web\$hell 为构建能力更强、效率更高的网络 LLM 智能体开辟了新的可能性。

arXiv cs.AI64

CNN-Transformer with Sigmoid Label for High-Resolution Sub-Degree DOA Estimation

This paper addresses the grid quantization error of deep-learning (DL)-based direction-of-arrival (DOA) estimation. Classification- based DOA methods discretize the continuous angular space into a grid, so that with a peak-based read-out, the accuracy and resolution are limited by the grid step and by the width of the label peak. To address this issue, we propose a sigmoid label that encodes the sources' DOAs as the sum of angle-shifted monotonic sigmoid functions. Differentiating the output of a CNN-Transformer network trained with the sigmoid label produces sharp spectral peaks at the source DOAs. Combined with a moderately refined grid step of 0.25 degrees, the CNN-Transformer with the proposed sigmoid label attains sub-degree accuracy and a 1-degree resolution, breaking the limit of the grid quantization error. Under the unified CNN-Transformer backbone, we compare the proposed Sigmoid label with the Gaussian label, the 0-1 hard label, and the binary cross-entropy (BCE) baseline. Numerical results demonstrate that the Sigmoid label attains the highest accuracy and superior resolution compared to other labels.

arXiv cs.AI74

用于 HL-LHC 异常检测的学习所得事件表征的局部诊断

异常检测旨在识别偏离 Standard Model 预期的碰撞事件,是 Large Hadron Collider 上寻找新物理最有前景的模型无关策略之一。在学习所得的低维表征中搜寻稀有事件,无需事先选定人工设计的可观测量,但也失去了这些可观测量所提供的直观物理解释。因此,要将异常检测纳入发现流程,就必须对标记出的事件进行局部诊断,既要区分潜在的新物理与建模偏差或探测器效应,也要确定可用于针对性后续搜寻的可观测量。我们在 COLLIDE-2V 上评估了监督式和自监督式神经嵌入策略。该数据集包含在真实的 High-Luminosity LHC 条件下模拟生成的 7.5 亿个事件;我们使用在学习所得潜在空间中训练的自编码器的重建误差作为异常分数。在所考察的配置和基准信号中,训练时利用模拟过程标签的监督式目标通常优于相应的自监督式目标;在最佳配置下,其表现也优于直接基于运动学特征训练的自编码器,在背景接受率为 10% 时,提高了所有留出过程的信号效率。我们进一步提出了一套局部诊断流程:对 SM 潜在空间拟合 Gaussian Mixture Model,在不使用过程标签的情况下通过高层可观测量刻画各个分量,定位标记出的事件,并按局部区分能力对可观测量排序。该排序重现了留出过程的标志性运动学特征;同时,将异常分数与同一组可观测量进行相关性分析,可以量化分数对这些可观测量变化的跟随程度,从而揭示区分能力最强的可观测量并非分数跟随最紧密的可观测量的情形。

arXiv cs.AI78

轨迹生成时干预:突破策略极限,释放智能体强化学习潜能

强化学习(RL)已成为提升大语言模型(LLM)智能体能力的关键范式,使其在交互式环境中具备更强的推理、规划和工具使用能力。然而,现有的智能体 RL 方法仍从根本上受限于同策略推理瓶颈:当任务超出模型当前的能力边界时,有效轨迹会变得极其稀少,训练也往往陷入崩溃。我们提出 Rollout-Time Intervention(RTI),这是一种旨在引出超越策略内在探索能力的成功轨迹的技术。RTI 在轨迹生成过程中利用奖励侧证据(即评估准则),将错误轨迹转化为成功轨迹,从而为策略自身很少能解决的任务提供有效的学习信号。尽管干预轨迹本质上属于离策略数据,但我们发现,只要过滤掉分布偏移过大的轨迹,它们就能有效指导策略优化。在五个基准上的广泛实验表明,RTI 始终优于 RL 基线,使后训练得到的策略能够接近同期能力强得多的 LLM 的表现,更重要的是,能够突破其原有的能力边界。代码已发布于 https://github.com/Alibaba-NLP/qqr。

arXiv cs.AI75

集体自动驾驶车辆路径规划需要社会意识,以便与人类驾驶员共存

在现实世界的交通网络中,自动驾驶车辆(AV)的集体路径选择可能对人类驾驶车辆(HDV)产生外部性,因为有利于 AV 的路径可能会增加其他道路使用者的出行时间。为解决这一问题,我们在 AV 以自身出行时间为导向的自利奖励中引入了一个社会性分量,即边际成本。边际成本通过比较其他道路使用者的实际出行时间与移除该 AV 的反事实仿真中的出行时间,衡量该 AV 对他们的影响。我们使用多智能体强化学习(MARL)研究混合自动驾驶交通环境中的 AV 路径选择,其中 AV 通过与交通环境的反复交互来学习路径规划策略。在 Ingolstadt 和 Provins 真实路网中的实验表明,相较于自利的 AV 路径规划,将边际成本纳入 AV 奖励不仅能限制 HDV 出行时间的增加并缩短 AV 出行时间,还能改善系统整体表现。在 Ingolstadt,当 AV 占比为 40\% 时,自利路径规划使其他车辆的出行时间增加了 1.7\%;引入社会性奖励后,这一增幅降至 1.1\%。值得注意的是,采取顾及他人的行为不仅改善了系统整体表现,也使 AV 自身受益。这一效果在所测试的不同城市、渗透率和重复实验中均保持一致;然而,当奖励中社会性分量的权重增大时,系统却无法达到预期表现。为在混合自动驾驶交通中实现更具可扩展性的社会性 AV 路径规划,我们仅计算那些路径选择对交通系统影响最大的 AV 的边际成本。这减少了反事实仿真的次数,并以显著更低的计算成本实现了相近的表现。我们的结果表明,为了所有交通参与者的利益,AV 路径规划应超越自利奖励,在其目标中纳入社会性分量。

arXiv cs.AI80

SqueezeBench:抗饱和的数学能力评估

AI 系统在数学领域进展迅速,但这种进展难以衡量。由已解决问题构成的基准会趋于饱和,而在由未解决问题构成的基准中,每个问题只能被首次解决一次。我们提出了 SqueezeBench,这是一种抗饱和基准:一次成功会提高门槛,而不是移除问题。每个问题都固定一个整数函数 $f(n)$,其函数值仅在较小的 $n$ 上已知,基准则为该函数维护一项下界纪录和一项上界纪录。每项纪录都是一个可计算的 Lean 函数,并附有经机器检查的证明,证明它是 $f$ 的界。每次提交都提出一个新函数,并证明它是 $f$ 的界、在任意 $n$ 上都不劣于当前纪录,且在某个 $n$ 上严格优于当前纪录。一旦获准接受,它就成为下一次提交必须超越的纪录。因此,系统既要选择界,也要给出相应证明;它可以改进某个特定 $n$ 上的纪录,也可以改进其增长率。对于每个 $n$,两项纪录之间的差距表明,经认证的界距离确定 $f(n)$ 的值还有多远。每个证明都由两个独立的 Lean 内核检查,因此无需评审人员核查数学内容。这些检查还会拒绝在较小的 $n$ 上通过穷举搜索计算 $f$ 的函数,而维护者只需阅读提交者的报告,并检查在较大的 $n$ 上是否存在此类搜索。我们发布了极值组合学中的十个问题、二十项附有证明的初始纪录,以及提交准入工具。作为基线,基于一个前沿语言模型的智能体在每项纪录最多一小时的限制下,有 82 次提交获准接受,并改进了所有纪录,但未超越已发表文献中的结果。随后,基于两个更新模型的智能体从这些纪录出发,又有 60 次提交获准接受,并再次改进了 20 项纪录中的 19 项。在十个问题中的八个上,仍有至少一项纪录在渐近意义上落后于已发表的最优界。

arXiv cs.AI80

当 MLLMs 漏读人类能读出的文字:诊断并学习识别眯眼文字

多模态大语言模型可能无法读出嵌入图像粗粒度结构中的文字(人类眯眼即可辨认出的文字),并报告图像中不存在文字。我们将这类文字命名为 Squint Text,并受生产环境内容审核流程中的案例启发,将其作为一种识别缺陷加以研究。我们提出了 SquintBench,其中包含 1076 张源自生产环境的内容审核图像,以及用于机制诊断的受控合成测试集 SquintCtrl。冻结权重的分析表明,隐藏文字保留了粗粒度信号,但字形身份的表征较弱;当提供正确的空间区域时,字形身份变得明显更容易获取,这表明空间选择是一个主要瓶颈。在固定视觉词元预算下,抑制高频内容也能改善文字识别,而视觉词元数量也可能产生影响。这些发现促成了 Squint OPSD:冻结的教师模型接收缩小后的图像视图和作为特权上下文的真实转录文本,并通过其词元级概率分布,沿学生模型自身策略生成的轨迹对其进行监督。推理时,学生模型仅识别原始图像。Squint OPSD 在 SquintBench 上的 ANLS 达到 88.61,而未经适配的骨干模型得分为 26.50,最佳通用模型在原始视图上的得分为 24.44,现成模型在缩小视图下的最高得分为 68.60。这些结果在推理时无需辅助视图,便显著缩小了可用视觉证据与模型生成的识读结果之间的差距。

arXiv cs.AI73

一种用于生成边缘场景以支持安全保障的本地智能体式 AI 框架

生成边缘场景对于自主系统的训练、测试和安全保障至关重要。这有助于识别危险故障,提高系统的可靠性和鲁棒性,确保系统在其运行设计域的边界处仍能安全运行,并了解系统在这些边缘场景下的预期行为。语言模型(LM)的生成与分析能力迅速提升,拓展了其应用范围,近期已有研究探索利用 LM 生成场景。然而,近期的许多方法依赖人在回路或基于规则的策略。这限制了 LM 生成多样化场景以及分布长尾中的边缘场景的能力。我们的工作在基于笔记本电脑的智能体式 AI 框架中使用本地 LM,实现自适应场景生成。这种方法成本低、完全可控,并能保障数据隐私和安全。该框架采用“思考、行动、观察、更新、继续”的循环,并结合轻量级 JSON 编码来生成场景。我们将系统需求、系统描述和环境描述作为知识库,纳入提供给 LM 的上下文提示中,以确保场景的真实性。第二个独立的 LM 根据领域特定标准评判每个场景,以便对其进行完善。完善后的场景在仿真中运行,并收集评估指标。随后分析这些指标得分,针对边缘场景创建类似场景(利用),或生成新颖场景以探索场景空间。通过基于指标得分的事后聚类,以及对 LM 生成的富文本场景描述进行主题式分析,可以精准定位功能缺口及其触发条件。这为安全保障论证提供了可追溯的证据。我们的工作凸显了灵活、自适应的本地智能体式 AI 框架在自动生成边缘场景和产出可追溯安全保障证据方面的潜力。

arXiv cs.AI79

分支式同策略蒸馏

同策略蒸馏(OPD)在学生模型生成的轨迹上提供教师监督,但单条轨迹在每个决策点仅实现一种后续生成,因此在有限采样预算下,监督覆盖范围受到限制。我们提出 BranchOPD(分支式同策略蒸馏),利用学生模型的不确定性和教师与学生模型之间的分歧来选择信息量高的决策点,从共享前缀出发重新采样学生策略的后续生成,并对主轨迹和分支施加词元级教师监督。BranchOPD 在数学任务中作用于词元级决策,在智能体任务中作用于轮内决策。相较于七条独立轨迹,共享前缀复用使 ALFWorld 和 WebShop 上学生模型生成词元的成本分别降低约 19% 和 31%。我们还引入了协议边界修复(PBR),在协议约束下使用针对性监督,以减少重复和无效生成。BranchOPD 在所有评估基准上均优于 Vanilla OPD 和 Multi-Rollout OPD(n=7);相较于 Vanilla OPD,其在 16 个采样答案上的平均数学准确率(avg@16)提高了 18.55 个百分点,ALFWorld 分布内(ID)与分布外(OOD)的平均成功率提高了 13.8 个百分点。机制分析和选择策略消融实验表明,在不确定的决策点进行分支可扩大后续行为的覆盖范围,且效果优于随机选择和轮次起始处分支。

arXiv cs.AI81

Humanize MLE Agents:通过多智能体会话交替突破单智能体极限

现有基于 LLM 的长程机器学习工程(MLE)智能体方法通常采用上下文工程,通过定制运行框架来管理工具、技能和积累的经验。然而,我们发现,随着单次会话执行时间延长,智能体的推理强度会下降,进展也随之放缓,我们将其概括为“长程减速”;随着底层模型能力提升,这些定制运行框架带来的收益会消失,我们将其概括为“框架陈旧化”。这些发现表明,其收益可能无法跨版本持续存在,因此我们提出一种工作流层面的方法,让智能体跨会话接续彼此的工作。我们将这些交替进行的智能体会话建模为上下文重置半马尔可夫决策过程(CR-SMDP),给出交替机制突破单智能体参考极限的充分条件,推导出显式的实验预算界,并刻画会话上限在何种条件下能够保留这一优势。在该分析的指导下,我们提出 Humanize MLE Agents(HMA):让两个智能体在共享工作空间中交替工作,将每次会话限制为最多执行 k 次实验,并在会话之间重置上下文,无需额外的任务专用运行框架或先验知识补充。在 MLE-bench 的 75 项 Kaggle 任务上,HMA 的任意奖牌获得率达到 78.2%,创下当前最佳水平;仅使用最强开源基线四分之一的时间预算,就比其高出 8.0 个百分点。此外,在涵盖五组异构智能体配对的六种配置中,HMA 相较于各组成智能体的基线,任意奖牌获得率平均提升 6.4 个百分点,展现出跨配对的通用性。一个补充的内核优化案例达到了 878 个周期,与社区排行榜榜首的差距不超过 1.6%,表明该方法也适用于 MLE 之外的任务。

arXiv cs.AI77

超越时间邻近性:用于强化学习信用分配的 Explanatory World Models

生成式推荐系统日益采用强化学习(RL),以优化可能在某次决策之后数百乃至数千次交互才出现的结果。标准 RL 根据时间邻近性而非明确的相关性传播奖励,削弱了分配给时间久远但重要的动作的信号,成为样本效率低下的一个根源。我们提出 Explanatory World Models(EWM),这是一种归因框架,利用解释识别可能对已发生结果作出贡献的早期事件。我们使用前沿语言模型实现 EWM,并通过一种守恒的分层算子将其解释用作学习信号;该算子递归地重新分配奖励,同时保持未折扣的回合回报不变。为探究何种解释具有实用价值,我们将受 Halpern 的实际因果关系、Lombrozo 的解释简洁性和 Deutsch 的难以变动的解释所启发的三种互补变体具体化。我们在两个受控的长时程 RL 基准、一个公开的序列推荐基准和一个工业级规模的生成式推荐系统上评估 EWM。在 Crafter 和 WordCraft 上,EWM 显著优于 PPO 和 LaRe,且在奖励延迟最严重时取得最大提升。在 KuaiRand 上,EWM 在线下优于 SFT 和 LaRe,在线上优于 A2C。最后,在对工业级生成式推荐系统的离线评估中,EWM 显著提高了召回率,并提升了行为代理指标。这些结果表明,解释可以提供结构化且可复用的信用分配信息,以支持从延迟结果中学习。

arXiv cs.AI77

融合异构证据的检索增强多模态语言模型用于临床预后预测

临床预后预测需要整合结构化测量数据、生理波形、纵向病史和人群背景信息。我们提出 PRISM(Population-Retrieved Inference for Structured Multimodal Prognosis),这是一种多模态语言模型,结合了逐特征数值词元化、按时间近远加权的纵向心电图聚合,以及双模态人群记忆库。检索在表征空间中进行:模型接收训练队列中相似就诊记录的均值池化嵌入,而不会将任何单条检索记录输入提示。在包含 1,443 项任务的 MDS-ED 基准上,PRISM 在诊断、病情恶化、入住重症监护病房和死亡预测任务中的 AUROC 分别达到 86.2%、93.1%、91.8% 和 92.8%。这些结果使用了已报告基线未能获取的到院前 96 小时时间窗数据。仅使用基准时间窗内的输入时,PRISM 的 AUROC 达到 0.8895,而 UniPACT 和 MDS-ED 分别为 0.8937 和 0.8889。在输入匹配的条件下,使用相同五类证据流和冻结编码器的紧凑型融合模型达到 0.7652 的 AUROC,而 PRISM 为 0.9092。将数值型电子健康记录编码替换为文本序列化后,AUROC 下降 3.66 个百分点;移除到院前病史后下降 1.97 个百分点;将检索结果置零后下降 0.99 个百分点。真实检索的宏平均表现比随机近邻检索高 0.97 个百分点,但任务层面的配对符号检验未能确立一致优势(p=0.067)。在外部 MC-MED 队列上,经过有监督微调后的 AUROC 达到 0.8611,而在本地训练的梯度提升模型和仅在源数据上训练的 PRISM 分别为 0.8227 和 0.7841。这些结果支持结构感知的多模态整合与有监督的外部适配。

arXiv cs.AI78

RESCUE:这个警报值得采取行动吗?VLA 运行时监测器的反事实评估

机器人策略的运行时故障监测器通常根据其区分失败执行与成功执行的准确程度来评估。然而,准确的警报可能来得太晚,已无法恢复;而不必要的干预则可能扰乱原本能够成功的执行。我们提出 RESCUE,这是一个反事实评估框架,用于判断监测器发出的警报能否促成有用的干预。通过在执行检查点恢复仿真器和策略的状态,RESCUE 比较备选行动,找出满足指定恢复标准的最晚检查点,并评估响应警报采取行动是否能降低预期任务完成成本。我们在 LIBERO-Spatial 和 LIBERO-Plus 上,使用 OpenVLA-OFT 和 $π_{0.5}$,通过 128,340 个反事实分支评估 RESCUE。可恢复性取决于状态与干预的组合,而非仅取决于机器人状态:在 $τ=0.5$ 时,OpenVLA-OFT/LIBERO-Plus 的 66 次失败中,有 14 次在继续执行的情况下存在可恢复检查点;若允许继续执行或采用脚本化恢复,则有 34 次存在可恢复检查点;但在其他条件下,恢复操作反而会降低可恢复性。在主要的强策略实验条件下,良好的检测得分并不能证明干预成本更低。在所评估的停止并重置模型下,即使是理想化的检测器,也只能容忍 2.0–3.3% 的误报率;超过这一范围,不必要的重置所产生的成本就会抵消提前终止失败执行所节省的成本。这些结果表明,监测器的价值共同取决于可用的干预措施及其部署环境中的工作负载。

The Decoder62

AI agent teams waste massive tokens for barely measurable quality gains, research finds

Teams of AI agents barely outperform solo agents but cost up to 5.1x more, according to Vals AI. Only one out of four tests with GPT-6 Sol and Claude Opus 5.5 showed a measurable gain. Anthropic's own data backs this up: beyond ten agents, quality plateaus while token costs keep climbing. The article AI agent teams waste massive tokens for barely measurable quality gains, research finds appeared first on The Decoder .

10月11日 周日
The Decoder60

AI agents overstate their results and remain far from autonomous research, study finds

Epoch AI and Anthropic independently found the same thing: current AI models like GPT-5.6 Sol and Claude Fable 5 can run experiments but lack scientific self-criticism and genuine creative thinking. At best, Sol reached 15 percent of the human reference score, and even that came from methods researchers already knew. The models' biggest weakness is still their inability to critically question their own results. The article AI agents overstate their results and remain far from autonomous research, study finds appeared first on The Decoder .

MarkTechPost62

Sakana AI’s LLM Peer Review System Catches 73% of Core-Claim Errors

Sakana AI’s TMLR paper introduces Multi-Layered Review, a 3-agent Claude-based reviewer, and a 1,164-error Contradiction Benchmark. MLR caught 73.43% of core-claim errors, versus 14.81% for the best prior system. The post Sakana AI’s LLM Peer Review System Catches 73% of Core-Claim Errors appeared first on MarkTechPost .

10月10日 周六
10月9日 周五
arXiv cs.AI71

使用函数梯度引导语言模型学习概率逻辑程序

声明式逻辑程序通过将依赖关系表示为加权组合规则,为编码关系结构和神经符号推理提供了强大且可解释的抽象。然而,从数据中归纳逻辑程序在根本上仍然十分困难,其瓶颈在于符号搜索空间的组合爆炸。近年来,LLM 已成为强大的假设生成器,但单独使用时,它们缺乏系统归纳推理所需的能力,难以可靠地合成能够拟合复杂关系分布的有效程序。我们提出 grasp(Gradient-boosted Synthesis of Probabilistic logic programs),一种神经符号框架,将关系结构学习建模为函数梯度提升,其中弱学习器是一阶规则,而难以处理的内层搜索则交由 LLM 提议预言机完成。我们在四个关系基准上评估了 grasp,涵盖分子毒性预测(Tox21)、诱变性和引文匹配(Cora),结果表明,与纯符号、神经网络和基于 LLM 的基线方法相比,grasp 取得了更好的性能,同时生成了具有可解释性的加权规则集。通过以梯度引导的 LLM 假设生成取代组合搜索,grasp 在不牺牲符号输出透明性的前提下,保留了提升方法的理论保证。

arXiv cs.AI78

深入观察 LLM:小世界连接性作为推理性能的标志

理解大型语言模型(LLM)的推理能力,需要超越行为表现,考察推理能力如何体现在其内部组织结构中。受神经科学研究发现的启发——功能性脑网络中更强的小世界组织与更高的智力相关——我们将小世界连接性作为 LLM 推理能力的结构性标志进行研究。我们根据注意力头激活相似性构建功能图,发现更高的小世界指数(SWI)能够刻画局部聚类和较短的全局路径,并且在不同模型和训练检查点中始终与更好的流体推理性能相关。由于局部聚类是小世界组织的核心,我们进一步考察对模型性能重要的注意力头如何在社区内部及社区之间建立连接。我们发现,这些注意力头往往有更大比例的连接权重位于自身社区内(核心分数较高),并且其跨社区权重分布更加集中(桥接分数较低)。这些观察结果促使我们提出如下假设:较高的核心分数和较低的桥接分数可作为注意力头对推理能力重要性的结构性指标。我们通过剪枝验证了这一假设,并提出 Small-World Allocation(SWA),一种由这些分数引导的分层稀疏分配方法。在六个 LLM 上,与其他分配策略相比,SWA 能更好地保持小世界组织和模型性能,使 WikiText 困惑度最高降低 20%。总的来说,这些发现表明,小世界功能连接性是 LLM 推理性能的一种可测量标志,为行为评估提供了结构性视角上的补充。

arXiv cs.AI56

A Structural Theory of Cognitive Representation and Problem Solving,Contexts, Invariance, and the Knowledge Space

Learning and problem solving depend critically on the structure of internal representations. While many modern data-driven artificial systems achieve strong predictive performance, their learned representations often lack explicit structure for expressing abstraction, invariance, and task-relevant regularities. We propose a minimal structural framework in which representational operations relevant to problem solving, such as context formation, invariance recognition, representative selection, abstraction, and procedural reuse, are made explicit. The central notion is that of a \emph{context}, formalized as a partition of a subset of an underlying state space, which fixes the distinctions, granularity, and form in which a problem can be posed. Within this setting, invariance recognition and representative selection are treated as fundamental representational operations. The framework is realized as a Knowledge Space composed of two coupled graph structures: a Concept Graph that hosts constructed and refined concepts, and a Procedure Graph that encodes typed operations over representations. Together, these structures provide a minimal cognitive-representational algebra for operating on representations without assuming sophisticated inference, learning, control, perception, or motor mechanisms. Using simple illustrative examples and a finite weak-solver demonstration, we show that appropriate representational organization can simplify the form and scope of admissible regularities, even when problem solving is carried out by a fixed and limited solver. The contribution of the paper is structural rather than algorithmic: it identifies representational prerequisites for abstraction, invariance, and procedural reuse in problem solving, and states explicit success and failure conditions for the weak-solver setting.

arXiv cs.AI85

无规则的裁决:诊断与审计 LLM 合规系统对监管规则的敏感性

大型语言模型合规系统的部署建立在这样一个假设之上:裁决取决于其接收到的监管规则。我们在五个模型和20个监管及平台政策领域中直接检验这一点:在保持案例不变的情况下,删除、替换或否定起支配作用的规则,并检查裁决是否发生变化(OCS),或模型对合规性的内部表征是否发生任何偏移(ICS-delta)。两者的变化都不大:对于所提供规则的重大扰动,模型的裁决通常保持不变;而在这里采用其原生分类体系的自定义规则改编版本进行评估的 guard model,是五个模型中对规则最不敏感、准确率也最低的模型,准确率仅略高于随机水平(51%,而通用模型为90%–92%)。这更多反映了案例较为容易,而非模型普遍忽视规则:在删除规则会使模型此前正确的预测发生改变的案例中,模型能够密切跟踪规则。无论是改进提示,还是直接干预模型的内部表征,都无法弥合这一差距。仅凭准确率,无法证明合规裁决是以所提供的规则为依据的。

arXiv cs.AI74

先验还是反馈?LLM 在适应神经算子时使用了什么

LLM 科学代理是否仅依赖其初始任务上下文,还是会根据实验反馈调整决策?我们在神经算子适应这一场景中研究了这一问题:在试验预算有限的情况下,大语言模型(LLM)选择微调配置。在偏微分方程(PDE)族内部及不同 PDE 族之间的迁移中,几乎在每一组匹配比较中,LLM 都取得了低于随机搜索和贝叶斯优化的留出测试 nRMSE。仅凭最终性能无法区分其中的作用机制,因此我们通过受控干预对每种归因进行了验证。在观察到任何验证分数之前,LLM 的首个配置已经在相应的随机搜索候选池中排名靠前,表明其具有有用的初始偏置。一项互补的冷启动干预显示,所选基础学习率会随 PDE 描述而变化。反馈可用后,在已评估配置之间重新分配验证分数会在所有测试案例中改变下一次提议,而保持数值不变的改写则不会产生可比的总体效应。这些干预表明,LLM 在决策层面的行为会响应给定任务和观测结果,说明它将依赖任务的先验与对实验反馈的敏感性结合起来。