过渡级监督来了，LLM Agent记忆更可信了？
LLM Agent 的记忆最怕什么？不是“装不下”，而是“记错了还会一直记”。TRUSTMEM盯住每一次记忆更新的覆盖、保留和忠实度，把训练信号从终点前移到每个过渡步，专治长期记忆里的“慢性病”。
标签：Agent
共 137 篇
AMD新方法HPP：34K帧视频也能程序化调试
长视频最怕的不是“看不懂”，而是“看得懂一点点，却被海量冗余帧淹没”。HPP把感知和推理解耦，让编码型大模型像程序员一样分层探测视频，思路很硬核，成本也更像工程方案而不是玄学。
RLM-Cascade：API省45.8%，p50还快1.83倍
这篇论文最有意思的地方，不是“又做了个路由器”，而是把推测式解码从 token 级搬到了响应级，还能跨模型、跨厂商、跨架构跑起来。更狠的是，在真实 agentic coding 负载里，成本、延迟、质量居然一起往上走，工程味很足。
复旦等机构新框架OmniAct：40个真实任务更稳了
这篇 OmniAct 很适合机器人/具身智能方向的读者：它不是把“规划、记忆、执行”揉成一锅粥，而是拆成三层各司其职，专门解决长程任务里最烦的两件事——工具太杂、失败太多。更有意思的是，它在真实家庭场景里把开源模型也拉到了接近商用的表现，思路相当顺手。
阿里+浙大新作ForeAgent：AI作图鉴伪，准确率冲到93.3%
阿里和浙大这次没走“单次判断”老路，而是把AI鉴伪做成了一个会看、会判、还会反思进化的智能体。更有意思的是，它不只追准确率，还把推理质量也一起往上拽。
VLM当考官！这篇RL新法让桌面智能体提分12.6%
桌面智能体最烦的不是“不会做”，而是“做完了也不知道算不算对”。这篇论文把 VLM 变成自动考官，再把考官的口误做噪声校正，思路很实用，结果也挺扎实，适合想看 Agent 怎么真正学会干活的读者。
代码修复新范式：定位+诊断一起上，token省23%
这篇论文把“找 Bug”从盲猜升级成了“带诊断报告的定位”。不用训练、不用多智能体吵架，靠一个推理 LLM 加四个仓库工具，就能把定位和修复一起带飞，挺适合喜欢看智能体干活的同学。
ASSCG来了：自动驾驶LLM该查、该存、还是该扔？
自动驾驶里最怕的不是“慢”，而是慢系统该出手时没出手、不该出手时瞎出手。ASSCG把这个老大难问题拆成“查、存、扔”三种动作，思路很朴素，效果却相当能打。
DFC把工具调用压进单特征，Qwen2.5-3B溢出6.8%
这篇论文把强化学习后的大模型工具调用，拆成了可定位、可操控、还能“溢出”的内部特征。更有意思的是，单个 A 专属特征就能把工具调用能力直接拉满，机制味儿很浓。
告别人工脚手架！Spiral端到端训练模型自己搜索和聚合，递归自聚合效果惊艳
很多模型训练时只学顺序推理，一到测试却靠人工搭脚手架（并行采样+投票）来提分，中间有个巨大的“训练-测试”鸿沟。斯坦福这篇Spiral颠覆性地用集合强化学习，让模型边训练边学会如何搜索和如何聚合，把整个推理过程端到端打通了。效果非常硬核，4B模型推理效率吊打传统方法11倍，不愧是Chelsea Finn和Noah Goodman团队的新作！
还在用GRPO？当90%动作都是“摸鱼”，信噪比还不如随机乱猜！
训练多轮智能体时，GRPO等无评判器方法常常在长序列任务中“失灵”，大家都以为是“长程信度分配”的锅。但龙哥今天带来的这篇工作却一针见血地指出：罪魁祸首是“例行公事”太多！论文首次定义了“决策密度”这个量化指标，并完美推导验证了其与训练信噪比之间的幂律关系。啃完这篇，你对强化学习训练效率的理解会上一个台阶。
小米最新研究：RS-Gen让AI绘图告别“翻车”，逻辑推理+实时搜索，效果直逼闭源
让AI画个"某品牌最新概念车"？传统模型直接摆烂。小米团队提出的RS-Gen，专治AI绘图的"知识盲区"和"逻辑短路"。它像个聪明的项目经理，把复杂任务拆解成"先查资料、再想思路、最后画图"，关键是不用重新训练模型，即插即用。在WISE基准上，直接把通义千问的基线模型从0.51拉到0.823，效果直逼商业闭源模型，这波开源社区赢麻了。
