OS-Helix:让电脑智能体学会"手眼并用"的混合执行策略
OS-Helix把鼠标操作与代码执行统一进单一策略,用素材组合搭建可执行桌面环境合成训练数据,并提出步平衡GSPO解决长代码动作主导优化的问题,在OSWorld上达66.44%成功率。
OS-Helix把鼠标操作与代码执行统一进单一策略,用素材组合搭建可执行桌面环境合成训练数据,并提出步平衡GSPO解决长代码动作主导优化的问题,在OSWorld上达66.44%成功率。
机器人找东西常常走到跟前却不停下,论文发现根源是缺乏目标锚定能力。研究者拆分出感知与策略两个模型,让机器人先看懂眼前物体再决定行动,同时修正了现有评测标准的命名混乱和标注错误问题,大幅提升导航成功率。
论文提出LEASH框架,让弱AI模型执行任务,通过读取其隐藏状态判断何时升级到强模型,并在交接后继续监督,实现成本降低19.2%同时成功率持平甚至更高,全程无需额外训练。
AI测试环境也有漏洞,22%的任务能被攻破。研究者让弱AI模型通过反复攻防循环加固验证器,使强AI模型的作弊成功率大幅下降,同时保证正常解法依然能通过测试。
OCR 标准指标 CER 把笔误和错人名一视同仁。本文提出 semCER,保留对齐方式,改由大模型裁判为每个编辑赋予严重度。跨 16 种语言的实验显示,它能更好地追踪读者判断,并揭示通用 VLM 的错误为何更隐蔽。
本文解读LiveMACEBench评测框架,用三十天真实市场数据揭示AI交易智能体的"结果能力鸿沟":相近收益背后可能是完全不同的工具使用、记忆管理、规则遵循与协作模式。
论文提出以打包轨迹画布为核心构建50万条多轮图像编辑轨迹数据集MTEdit,显著缓解逐轮重绘造成的画质漂移,并配套发布评测基准与微调模型。
Act3D让视觉语言模型把3D场景当作可互动环境,仅凭单张图片通过移动和转向主动探索,结合强化学习自主学会何时该找证据、何时该停,六个基准平均准确率达53.2%,超越Gemini 3.6 Flash。
论文提出SciΠvot基准,用248个真实科研项目中AI原方案与人类纠正方案的对照案例,测试前沿大模型的科研决策判断力,发现多数模型表现低于随机水平,且加入项目背景反而降低准确率。
OfficeTown用生成式虚拟公司取代孤立测试题,让AI在持续运转的组织中接任务、交付、被审核。论文构建406题评测集并验证训练数据能显著提升模型在GDPval等外部基准上的表现。
这篇论文提出Dream2Discern,通过对审计器内部表征施加损失引导的扰动制造"硬样本",让AI审计器无需新增标注轨迹即可持续学习,在多智能体系统失败预测任务上实现90%以上的加权准确率,兼顾预测准确性与及时性。
论文提出MorphAct框架,通过诊断实验发现机器人策略参数在不同操作阶段存在梯度冲突,进而设计两个耦合生成器实时生成情境化参数更新,在三大VLA骨干模型及仿真、真实任务中均显著提升操作成功率。
该论文提出OPMD方法,突破传统蒸馏仅靠输出监督的局限,通过构造学生兼容的教师并内化其隐藏状态,让学生模型真正学到老师的内部计算机制,在多项数学推理与代码生成任务上显著超越传统输出层蒸馏方法。
论文提出词汇参考系方法,证明传统logit lens存在数学上限无法突破,而通过模型自身剩余层读取状态的LEXFRAME[1]方法能更准确还原模型真实预测,支持提前退出、精细引导和归因分析。
本文解读BELIEFWEAVER框架,它通过持久关系图记录AI智能体探索过程中的证据,并用隐式世界模型评估修复方向,解决长链条任务中早期失误难以追溯的问题,蒸馏后的9B小模型表现甚至反超教师模型。
NVIDIA与清华联合提出FC-SWE框架,让AI程序员在代码补丁测试失败后,能利用失败补丁和报错信息进行针对性改进,而非盲目重试,在SWE-bench Verified上大幅提升问题解决率。
小模型词表常占六成参数却鲜少被质疑。本文用一张冻结的16MB二进制词表替换可学习嵌入表,对照实验显示生僻词预测更强、支持免训练扩词,三值化版本仅46MB却能在笔记本CPU上跑出每秒700余词。
该论文提出OpenMobile-2,一套面向手机智能体的开放训练体系,核心包括MobileGym++仿真环境(覆盖35款高保真商业App及110余款应用)、OpenMobile-Data-v2数据集(近1.2万条演示轨迹...
视频世界模型的"记忆测试"常被误判:模型根本没执行指令动作,谈何记忆?港大团队提出MIST评测法,拆分场景设置、信息泄露、结果展示三环节,并设计M3-Agent诊断重写指令,大幅提升多个基准测试分数。
本文介绍清华大学与智谱AI团队的研究,探讨统一多模态模型通过图片生成训练获得的知识能否被文字问答访问。研究发现图生文知识迁移存在明显差距,并提出交织图文对齐训练方法有效缩小这一差距。