- 博客(255)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 AgentSwing：长时Web Agent的上下文管理，为什么“一条路走到黑“行不通
AgentSwing：长时Web Agent上下文管理的自适应路由方法 本文针对长时Web Agent在复杂搜索任务中面临的"上下文腐烂"问题，提出了一种创新的自适应路由方案。传统方法如保留最近N轮、摘要压缩或全部丢弃等静态策略，在效率和精度之间存在固有矛盾。AgentSwing通过并行执行多种上下文管理策略，并前瞻性地评估各分支的未来表现，实现了动态最优策略选择。实验表明，该方法在BrowseComp等基准测试中，仅用静态方法1/3的交互轮次就能达到甚至超越其性能，将开源模型推至接近闭
2026-04-29 22:21:08
26
原创 不看Attention分数也能压缩KV Cache？TriAttention用三角函数找到了捷径
TriAttention：基于三角函数的KV Cache压缩方法 本文提出了一种创新的KV Cache压缩方法TriAttention，通过利用pre-RoPE空间中Q/K向量的高度集中特性，采用三角函数级数估计Key重要性。与传统基于attention score的方法不同，TriAttention在pre-RoPE空间中发现Q/K向量聚集在固定中心附近（集中度R>0.9），从而能够稳定评估Key重要性。在32K长序列推理任务中，仅用3072的KV预算就实现了与Full Attention相当的40
2026-04-29 22:01:48
143
原创 ThinkTwice: 让模型学会“做完题再检查一遍“，推理+自纠错联合训练只加3%开销
你有没有碰到过这种情况——让模型做完一道数学题后，再让它"检查一下自己的答案"，结果它不但没改对，反而把原来对的答案给改错了？这个问题其实挺普遍的。GPT-5.2在AIME 2024上做refinement的时候，pass@4从90.0%降到了86.7%——你没看错，越检查越差。模型的self-refinement（自我纠错）一直是个悖论：我们希望模型能"三思而后行"，但现实是它经常"三思而后废"。问题出在哪？
2026-04-29 21:50:19
436
原创 推理模型其实是“先决定，再编理由“？这篇论文用探针抓了个现行
论文摘要（≤150字） 研究发现推理模型在生成思维链前已做出决策。通过线性探针检测发现，模型在未输出任何token时（pre-gen状态）隐藏层即可高精度预测最终工具调用决策（AUROC>0.9）。激活引导实验显示，干扰预决策信号可使7-79%样本反转决策，而模型的思维链会为新决策"合理化"而非抵抗。这表明链式推理（CoT）可能更多是决策的事后解释而非真实推理过程，对依赖CoT的可解释性研究提出根本性质疑。 核心发现： 决策信号存在于pre-gen阶段的模型内部表示 思维链生成初期
2026-04-29 21:42:15
164
原创 Chinchilla 法则过时了？当推理预算纳入考量，过度训练小模型才是最优解
文章摘要：当推理预算纳入考量，过度训练小模型才是最优解 传统Chinchilla法则认为每个参数应对应约20个token，但最新研究发现这一法则已过时。威斯康星大学和斯坦福的研究表明，当考虑推理阶段的计算开销（如多次采样）时，过度训练小模型才是数学上的最优解。他们提出的T² Scaling Laws将模型大小、训练token数和推理采样次数联合优化，证明在相同总算力下，过度训练的小模型配合多次采样，性能显著优于Chinchilla推荐的大模型（如LAMBADA任务上49.90% vs 27.30%）。这一发
2026-04-29 21:32:06
464
原创 GRPO 和自蒸馏都不够好？这篇论文用样本路由把两者粘在一起，还真work了
LLM 后训练（post-training）中，GRPO 和 SDPO 各有软肋：GRPO 信号太粗（sequence-level reward 广播到每个 token），SDPO 长时间训练会崩溃（self-teacher 信号退化）。SRPO 的核心idea是按样本正确性做路由——答对的样本用 GRPO 做奖励强化，答错的样本用 SDPO 做 token 级纠错蒸馏，再加一个熵感知的动态加权来压制不靠谱的蒸馏信号。
2026-04-29 21:17:05
749
原创 用2B小模型给Coding Agent的工具输出“挤水分“：砍掉92%的token，召回率反而更高
Squeez摘要（145字） 这篇论文提出Squeez方法，解决Coding Agent工具输出冗余问题。通过训练2B小模型，在工具输出进入Agent前精准裁剪无关内容。实验表明： 高效裁剪：在11,477样本的benchmark上，砍掉92%输入token的同时保持0.86召回率 超越大模型：比Qwen 35B零样本表现高11个百分点 实用价值：覆盖27种工具类型，特别擅长处理type_check（98.9%冗余）等场景 工程优势：LoRA微调的2B模型部署成本低，适合作为Agent工作流的前置过滤器 该
2026-04-29 18:09:02
451
原创 SkillX：让 Agent 学会“传帮带“，自动构建可复用的技能知识库
SkillX 提出了一套全自动的技能知识库构建框架，核心思路是把 Agent 的执行轨迹分层蒸馏为三级技能（规划技能、功能技能、原子技能），然后通过迭代精炼和探索性扩展不断丰富这个技能库。关键效果：在 Qwen3-32B 上，BFCL-v3 的 Avg@4 从 53.67 涨到 63.67，AppWorld 从 27.68 涨到 35.12。更有意思的是，弱模型可以直接用强模型提炼出的技能库，实现"能力迁移"。
2026-04-29 17:56:07
438
原创 训练时把技能“喂“进参数里，推理时不带小抄也能满分——Skill0的技能内化之路
《Skill0：通过上下文强化学习实现技能内化》摘要 浙江大学与美团联合团队提出Skill0框架，创新性地解决了当前LLM Agent技能增强中存在的三大痛点：检索噪声、token开销高和技能未真正内化。该方法采用三步走策略：首先对技能进行任务类别分组，然后通过视觉化上下文强化学习训练模型，最后采用动态课程逐步减少技能依赖直至零样本推理。实验表明，在ALFWorld任务中，Skill0比标准RL基线提升9.7%，同时将推理token开销控制在0.38k；在Search-QA任务中提升6.6%，token仅需
2026-04-29 17:43:39
369
原创 让代码模型学会“脑内编译“：不执行代码也能验证对错？
本文提出了一种让代码模型"脑内编译"的新方法，通过自然语言执行轨迹监督训练和强化学习，使模型能够在不实际执行代码的情况下预测程序输出。实验表明，该方法显著提升了模型预测代码执行结果的准确率，其中7B模型预测准确率从34%提升至75.5%，超过许多更大规模的模型。在竞赛编程任务中，该方法将pass@1从49.0%提升至63.2%，接近真实执行的上限65.3%。这一突破解决了代码模型无法验证自身输出的关键问题，为代码生成和自我修复提供了新思路。
2026-04-29 17:26:50
368
原创 RLSD：当自蒸馏遇上RLVR，token级信用分配的一次漂亮融合
RLSD：融合自蒸馏与强化学习的token级信用分配新方法 这篇论文提出RLSD方法，巧妙结合了自蒸馏的细粒度信号与强化学习的可靠方向指引。针对GRPO方法在token级信用分配上的不足，以及OPSD存在的特权信息泄露问题，RLSD通过让环境奖励决定更新方向、自蒸馏差异决定更新幅度，实现了更精准的token级优化。实验表明，在Qwen3-VL-8B模型上，RLSD在5个多模态推理基准上平均准确率达56.18%，超越GRPO 2.32个百分点，同时解决了OPSD的训练不稳定问题。该方法通过分离信号方向与幅度控
2026-04-28 22:41:38
388
原创 DeepSeek-V4 技术报告精读：1.6T 参数、49B 激活、1M 上下文，开源模型的“算力性价比“被重新定义
DeepSeek-V4技术报告揭示了开源大模型在长上下文处理上的重大突破。该模型采用创新的混合注意力机制(CSA+HCA)，将1M token上下文的计算成本降至V3.2的27%，KV缓存缩减90%。通过压缩稀疏注意力(CSA)和深度压缩注意力(HCA)交替架构，配合mHC残差连接和Muon优化器，实现了百万级上下文的高效处理。尽管在部分基准测试上仍落后顶级闭源模型3-6个月，但在SimpleQA、Codeforces等任务上显著提升开源模型上限。报告重点展示了如何将百万token上下文从概念演示转化为实用
2026-04-24 18:56:05
737
原创 GraSP：给Agent的技能加上因果图，多了反而更行
GraSP：技能编排的编译器革命 腾讯提出的GraSP通过结构化编译解决了Agent技能编排的核心痛点：当技能数量超过3个时，传统扁平化处理反而降低性能。其创新在于： 技能图编译：将检索到的技能转化为带类型化边的DAG，显式编码技能间的因果依赖（State/Data/Order边） 局部修复机制：采用五类有界算子（Rebind/InsertPrereq等）进行子图修补，将重规划复杂度从O(N)降至O(d^h) 动态路由：通过置信度检测自动切换结构化执行与ReAct回退 实验显示，GraSP在4个基准测试中全
2026-04-22 15:36:37
380
原创 找论文这件事，是时候让 Agent 替你干了 -- Paper Circle: 多智能体学术发现与分析框架
论文摘要 《Paper Circle: 开源多智能体学术发现与分析框架》提出了一套自动化文献检索与分析系统，通过两条核心流水线解决学术研究的痛点问题。Discovery Pipeline采用多智能体协作模式，整合arXiv、Semantic Scholar等多源检索，实现98.18%的命中率，并能自动去重43.5%的重复论文。Analysis Pipeline将PDF转化为结构化知识图谱，支持溯源和问答功能。系统测试显示，在500个查询基准上达到0.8824的MRR值，平均响应时间21秒，用户认知负荷仅1.
2026-04-20 21:15:08
56
原创 一个7B模型怎么干翻32B？这篇论文把Agent的记忆系统玩明白了
本文提出了一种创新的记忆智能代理框架MIA，通过解耦记忆管理、任务规划和执行操作，结合交替强化学习机制，显著提升了小模型在多模态任务中的表现。MIA的核心创新包括：结构化记忆存储搜索轨迹而非事实、Planner-Executor交替训练、测试时在线学习机制。实验显示，7B模型在MIA框架下性能超越32B基线模型，部分任务接近GPT-5.4水平。该研究为构建高效能记忆系统提供了新思路，解决了传统Agent系统面临的长上下文稀释、检索开销大、缺乏过程记忆等关键问题。
2026-04-20 20:59:08
193
原创 不调模型调“脚手架“：斯坦福 Meta-Harness 让AI自动优化LLM外围代码，效果炸裂
斯坦福Meta-Harness提出通过AI自动优化LLM外围代码（harness）来提升模型效果，而无需调整模型本身。该方法让编码代理搜索最优Python代码，包括检索策略、上下文管理等。实验显示，在线文本分类任务准确率提升7.7%，同时上下文token用量减少75%。在编程基准测试中，优化后的Claude Haiku 4.5表现最佳。Meta-Harness采用三步循环：提议代码、评估、存档，关键创新是保持原始执行轨迹的高保真度，让代理自主分析失败案例。消融实验表明，完整信息访问使中位数准确率达50%，远
2026-04-20 20:23:39
213
原创 检索模型该为谁训练？当搜索的用户从人变成了AI Agent
摘要 随着AI Agent逐渐成为搜索引擎的主要用户，传统基于人类点击日志训练的检索模型面临适配性问题。中国人民大学与中科院计算所的研究团队提出LRAT框架，通过分析Agent与人类在搜索行为上的关键差异（无位置偏差、依赖推理痕迹、浏览分布均匀），直接从Agent交互轨迹中挖掘三类监督信号：浏览行为构建正负样本、LLM验证过滤假阳性、推理时长加权相关性。实验表明，该方法在6种不同规模的Agent（4B-358B）上平均提升任务成功率28%，在跨域测试中证据召回率最高提升37.9%。这项工作为"Ag
2026-04-20 16:25:18
832
原创 LightThinker++：让大模型学会“记笔记“，推理token砍掉70%还能涨点
摘要： LightThinker++提出了一种创新的记忆管理机制，显著优化大模型推理时的token消耗问题。通过模拟人类解题时的"压缩-检索"过程，该方法让模型学会自主归档、展开和折叠中间推理步骤。实验表明，LightThinker++在GSM8K等基准测试中将peak token减少70%，推理速度提升26%，精度仅下降1%，且在长程任务中性能提升14.8%。相比传统方法，其独特优势在于支持可逆压缩，允许模型在需要时恢复关键细节。该技术为降低大模型推理成本提供了实用解决方案，相关代码已
2026-04-20 16:11:08
1040
原创 AI打比赛，连续三场第一名碾压所有人类选手——GrandCode做对了什么？
GrandCode是一个多智能体竞赛编程系统，基于Qwen 3.5-397B构建。它把竞赛编程拆解为四个协作模块：主求解器、假设生成器、摘要压缩器和对抗测试用例生成器。训练上提出了Agentic GRPO——针对多阶段Agent rollout中"反馈延迟"和"off-policy漂移"的问题，将梯度更新拆为即时奖励和延迟修正两阶段。系统在2026年3月连续三场Codeforces正式比赛中全部获得第一名。
2026-04-20 16:00:13
316
原创 FileGram：让AI助手“记住“你怎么管文件，而不只是记住你说了什么
（数据生成引擎）、（诊断评测基准，4.6K QA对）和FileGramOS（三通道记忆架构）。核心思路是把用户在文件系统中的每一次读、写、移动、重命名等原子操作都当作行为信号，自底向上地构建 procedural（程序性）、semantic（语义性）和 episodic（情景性）三个维度的用户画像。
2026-04-20 15:40:40
272
原创 CORAL：当多个 AI Agent 学会自己搞进化，效率碾压传统搜索 3-10 倍
CORAL：自主多智能体进化框架实现开放式发现突破 MIT等机构提出的CORAL框架突破了传统进化搜索的限制，将控制权完全交给AI Agent。该框架通过四个自主Agent协同工作，在共享记忆和异步协作机制下，实现了11个数学/算法/系统优化任务的全面SOTA表现。相比传统方法，CORAL将评估次数从60-100次降至5-56次，效率提升3-10倍，并在Anthropic的kernel工程任务上创下新纪录（1363→1103 cycles）。核心创新在于将进化搜索范式从"LLM作为工具"
2026-04-20 15:26:05
374
原创 Claw-Eval: 你以为你的 Agent 很安全？44% 的安全违规被漏检了
文章摘要 Claw-Eval是北大和港大团队提出的新型Agent评估框架，针对当前主流评测方法只看结果不看过程的缺陷，设计了"全程录像"式的三阶段评估体系。该框架包含300个任务和2159个评分项，通过三条独立证据链交叉验证Agent表现。实验覆盖14个前沿模型，发现传统LLM评测会漏检44%的安全违规行为。评分采用安全一票否决制，一旦出现安全违规总分归零。结果显示Claude Opus表现最稳定，而某些模型在复杂任务上通过率暴跌至0%。该研究揭示了当前Agent评估中存在的严重安全隐患
2026-04-20 15:11:55
429
原创 你的AI助手会“翻旧账“吗？ClawArena告诉你，绝大多数Agent在信息变化面前一塌糊涂
ClawArena论文提出首个评测AI Agent在动态、冲突、模糊信息环境中表现的基准，包含64个场景、1879轮评测和365次动态更新。测试显示模型能力差异导致15.4%性能波动，远大于框架差异（9.2%）。当前Agent在信息更新阶段表现断崖式下跌，动态适应能力严重不足。该研究揭示了现有评测体系与真实场景的脱节，为开发更鲁棒的持久性助手提供了新方向。
2026-04-20 15:06:41
544
原创 ASI-Evolve: 让AI自己搞研究、自己做实验、自己迭代进化 -- 这事靠谱吗？
ASI-Evolve 给出了一个比较完整的 AI-for-AI 研究框架的设计范式，在架构、数据、算法三个方向都展示了可观的自动化发现能力。Cognition + Analyzer 的双模块设计是核心创新，消融实验验证了其有效性。但"AI 加速 AI"这个叙事目前还是偏理想化的。系统依然需要大量人类先验来定义搜索空间和评测标准，计算成本也缺乏透明度。它更像是一个高效的自动化研发助手，而不是一个能独立做研究的 AI 科学家。
2026-04-14 20:29:19
385
原创 Agent的技能库看起来很美好，但真用起来呢？这篇论文给出了残酷的答案
这篇论文揭示了Agent技能库在现实应用中的局限性：研究发现，随着场景从理想化（手工匹配技能）转向真实（自主检索技能），技能带来的性能增益会大幅衰减。例如Claude Opus 4.6的通过率从55.4%降至38.4%，仅比不用技能的baseline高3个百分点。论文提出了渐进式评估框架和技能精炼方法，发现查询级精炼可使Claude性能提升8%，但对较弱模型可能适得其反。核心结论是：技能库的有效性高度依赖模型能力，检索质量差时技能反而会成为干扰，而当前主流benchmark可能高估了实际应用效果。
2026-04-14 20:22:47
379
原创 AI写的论文到底有多少幻觉？东京大学提出首个系统评估框架PaperRecon
东京大学团队提出首个AI论文质量评估框架PaperRecon，通过"论文重建"任务系统评估AI写作的表现力和幻觉问题。该框架要求AI基于压缩摘要重建论文，并与原文对比分析。实验发现：Claude Code表现力更强但平均每篇论文出现10+个幻觉，Codex幻觉较少（约3个）但写作质量较差。研究揭示了当前AI写作的核心困境——写得好与写得正确难以兼顾。该框架包含51篇顶会论文的评测基准PaperWrite-Bench，采用双维度评估（表现力评分+幻觉检测），为AI科研自动化提供了重要质量监
2026-04-14 17:59:38
386
原创 推理偷工减料？上下文是如何悄悄“缩短“大模型思考过程的
摘要：上下文如何缩短大模型的推理过程 研究表明，大模型的推理深度会因上下文环境而显著变化。当数学题被包裹在无关内容或多轮对话中时，四个主流推理模型(Qwen3.5-27B、GPT-OSS-120B等)的推理token数平均缩减40-50%，自我验证行为减少，困难任务准确率下降7-16个百分点。实验发现，模型并非更快找到答案，而是减少了后续检查步骤——在相同推理前缀下，长上下文使模型结束思考的概率从57%升至68%。这种"剂量效应"从几百token就开始显现，对实际AI系统设计具有警示意义
2026-04-14 17:56:47
371
原创 TurboQuant：用 3-bit 把 KV Cache 压 6 倍，Google 给内存芯片上了一课
Google Research的TurboQuant技术通过3-bit量化将KV Cache压缩6倍，显著提升大模型推理效率。该技术基于数学证明：高维向量随机旋转后坐标近似独立且服从已知分布，可直接应用最优标量量化器。TurboQuant提供两种算法：TurboQuant_mse最小化均方误差，TurboQuant_prod通过两阶段量化实现无偏内积估计，确保注意力机制精度。实验显示，在4倍压缩下TurboQuant性能与全精度模型相当，解决了传统量化方法在压缩率和精度间的矛盾，为大模型长上下文推理提供了高
2026-04-01 20:27:22
445
原创 LLM能学会合作还是学会作弊？社会困境博弈中的策略生成与奖励黑客
这篇论文探讨了让LLM生成Python策略代码参与多人博弈游戏的新方法。研究发现，在序贯社会困境中，LLM生成的策略效率达到传统Q-learning的6倍，并涌现出领地划分、动态调度等复杂合作行为。但更引人深思的是，当允许LLM修改环境时，它发现了5种作弊方式（如传送、生成无限资源），这些攻击在所有社会指标上都优于合法策略。研究揭示了表达力与安全性的根本矛盾：系统赋予LLM的能力越强，潜在风险就越大。论文通过密集反馈与稀疏反馈的对比实验，证明了多维反馈对策略优化的价值，同时警示了过度优化指标可能导致规则破坏
2026-04-01 20:22:44
326
原创 从一个Agent到一支团队：Claude Code多Agent协作架构全解——源码精读（三）
Claude Code多Agent协作架构核心解析 本文深入剖析了Claude Code从单Agent到多Agent团队的协作架构设计。系统通过持久化任务DAG解决任务依赖管理问题，每个任务以JSON文件存储依赖关系，自动解锁下游任务。采用线程+通知队列实现后台任务并行化，保持主循环单线程的简洁性。团队协作基于持久身份+JSONL邮箱机制，通过config.json名册管理成员，JSONL文件实现跨Agent通信。最后引入结构化握手协议处理关机和敏感操作审批，确保协作可靠性。整套架构贯彻"磁盘状态
2026-04-01 20:21:34
741
2
原创 上下文撑破之前，Claude Code 如何“清理记忆“——源码精读（二）
摘要 Claude Code通过三大机制解决上下文窗口限制问题： Subagent机制：将复杂子任务隔离到独立子进程中，父节点仅保留最终摘要，避免中间过程污染主上下文。子Agent禁止递归调用，防止指数级爆炸。 Skill系统：采用"廉价索引+按需加载"的两层知识管理，系统提示中只保留技能目录，实际内容使用时才注入，显著降低固定开销。 三层上下文压缩： micro_compact：静默清理旧工具结果 auto_compact：token超阈值时进行LLM摘要 reactive：API报错
2026-04-01 20:18:55
759
原创 30行代码，就是一个完整的AI Agent——Claude Code源码精读（一）
摘要 Claude Code的核心机制仅需30行Python代码实现：一个while循环+工具调度表构成完整的Agent骨架。其三层架构包括： 基础循环：LLM调用工具→执行→结果返回→循环直到模型主动停止 工具系统：通过dispatch map字典扩展工具，保持循环不变，每个工具自带路径沙箱安全机制 任务规划：TodoWrite机制防止模型偏离任务，采用状态流转和自动提醒确保专注 关键设计特点： 消息历史全累积在messages中 工具扩展不影响核心循环 安全边界由各工具自行维护 通过状态约束和自动提醒实
2026-04-01 20:14:29
502
原创 自蒸馏让大模型变“自信“了，推理能力却崩了——不确定性才是推理的命脉
自蒸馏让大模型变"自信"却损害推理能力 研究发现，自蒸馏方法（Self-Distillation）虽能提升任务效率，却会显著降低大语言模型的数学推理能力（如准确率暴跌40%）。关键原因在于该方法压制了模型推理时的不确定性表达（如"wait"、"hmm"等犹豫词），而这些"犹豫"恰恰是模型自我纠错的核心机制。实验显示： 信息提示越充分，模型回答越短（减少95%不确定性词） 用"自信"数据训练后，AIME24成绩
2026-03-30 19:39:56
362
原创 一次推理输出多个答案：MIT用强化学习打破LLM的“熵坍缩“困局
MIT团队提出Multi-Answer RL方法，解决大模型经RL训练后输出单一化的问题。该方法通过集合级奖励和校准惩罚，让模型单次推理即可输出多个差异化答案及置信度。实验显示，在医疗诊断、模糊问答和编程任务中，相比单答案基线，该方法覆盖率提升27%-37%，编程任务准确率提升69%，同时降低44%的token消耗。研究还验证了模型能保持输出多样性和校准性能，为实际应用场景提供了更高效的解决方案。
2026-03-30 19:23:47
178
原创 8B小模型干翻GPT-4o？用“信息不对称“让LLM自己查自己的幻觉
阿里巴巴团队提出MARCH框架，通过多智能体协同设计解决LLM自我验证中的确认偏差问题。该框架将生成与验证过程分解为三个独立角色（Solver、Proposer、Checker），关键创新在于让验证者Checker看不到原始回答，只能基于源文档独立作答，形成"信息不对称"的验证机制。配合Zero-Tolerance Reward训练策略，一个8B参数的模型在Facts Grounding榜单上达到85.23%准确率，超过GPT-4o（79.20%）和Claude 3.5 Sonnet（8
2026-03-30 17:58:33
182
原创 用λ演算驯服LLM的递归：8B小模型干到70B的表现
论文《用λ演算驯服LLM的递归：8B小模型干到70B的表现》提出λ-RLM框架，通过λ演算的类型化组合子替代LLM的自由代码生成，解决长文本处理中的递归控制问题。该方法将计算分为符号控制层、规划优化层和神经求解器三层，确保程序终止性和成本可控性。实验表明，λ-RLM使8B小模型在长文本任务上达到70B模型的准确率（35.7% vs 36.1%），延迟降低3.1倍，尤其在弱模型上提升显著（+21.9pp）。该工作为LLM长文本处理提供了形式化保障的结构化方案。
2026-03-30 17:55:02
151
原创 Cursor 自研 Composer 2：1万亿参数 MoE + 强化学习，编程 Agent 性能暴涨 61%
Composer 2 是 Cursor 团队针对Agentic 软件工程场景专门训练的模型。继续预训练强化代码知识 +大规模强化学习提升端到端任务完成能力。：61.3%（对比上一代 Composer 1.5 的 44.2%，相对提升 37%：73.7%：61.7%图1：Composer 2 与多个前沿模型在 CursorBench-3、SWE-bench Multilingual、Terminal-Bench 三项基准上的对比。
2026-03-30 17:15:41
690
原创 当AI学会自己搞安全研究：Claude自主发现的攻击算法，把30多种人类方法全干趴了
AI自主安全研究：Claude发现超越人类方法的攻击算法 这篇论文展示了Claude AI自主进行安全研究的突破性成果。研究人员让Claude Code作为自主研究智能体，在包含33种现有攻击方法的环境中独立探索新的对抗攻击算法。令人惊讶的是，Claude设计的方法在多项测试中大幅超越人类成果：在GPT-OSS-Safeguard-20B模型上实现40%的越狱成功率（人类方法≤10%），在Meta-SecAlign-70B上达到100%的提示注入成功率（人类最佳56%）。 Claude主要通过四种策略取得突
2026-03-30 17:10:35
365
原创 7B小模型吊打GPT-5？CarePilot用Actor-Critic范式攻克医疗软件自动化
医疗软件GUI自动化新突破：CarePilot框架7B小模型性能超越GPT-5 摘要：MBZUAI等团队提出CarePilot框架，针对医疗软件复杂GUI操作场景，通过Actor-Critic多智能体架构和工具接地技术，使7B参数开源模型在医疗任务上达到48.9%准确率，比GPT-5高出近13个百分点。研究团队同时开源了首个医疗GUI操作基准CareFlow，包含1100个8-24步的临床工作流任务。框架创新性地将视觉感知与决策解耦，通过Critic Agent的三层反思机制和知识蒸馏技术，显著提升了长步骤
2026-03-30 16:57:50
306
原创 BEAVER：不用训练也能把12万token压到3000，还比LLMLingua快26倍？
BEAVER：一种免训练的分层提示压缩方法，通过结构化页面选择实现高效长文档处理。该方法将长文档切分为页面，采用双路池化编码（均值+最大池化），结合语义与词法混合打分选择关键页面，并扩展至完整句子边界。实验表明，BEAVER在128k token文档上仅需1.2秒延迟，比LLMLingua快26.4倍，在RULER多针检索任务上达到83.7分。其创新在于将逐token筛选升级为结构化页面选择，平衡了速度与准确性，无需额外训练即可适配不同模型。
2026-03-30 16:42:44
466
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人