XuMing&-CSDN博客

原创 PPPO 论文解读：前缀决定推理，RLVR 只优化开头就够了

本文提出了PPPO（Prefix Optimization for LLM Reasoning）方法，针对大型语言模型推理中的"开端锁定效应"（BLE）进行优化。研究发现，模型推理结果的质量主要由前15%的token决定，错误的前缀会导致后续生成难以纠正。 PPPO的核心创新包括：仅对前缀token进行梯度回传，减少65%以上的计算量渐进式前缀比例策略，从15%逐步提升到35% 多续写累积奖励机制，通过8次续写评估前缀质量实验结果表明，在多个基准测试中，PPPO相比GRPO方法平均提升18个百分点，同

2026-05-31 11:15:40 490

原创 MEML-GRPO 论文解读：异构多专家互学习破解 RLVR 的奖励稀疏

本文提出MEML-GRPO方法，通过异构多专家互学习解决强化学习验证推理(RLVR)中的奖励稀疏问题。核心思路是使用三种不同风格的system prompt（ground truth、DeepSeek-R1、Doubao-1.5-thinking）作为异构专家，在同一基础模型上进行多轮rollout采样，并通过KL蒸馏让弱专家向强专家学习。方法包含三个关键组件：多专家微调(MEF)使模型具备多风格推理能力，强化互专家学习(RIEL)实现专家间知识迁移，以及困难样本缓冲机制(Hard Example Buff

2026-05-31 11:11:50 438

原创 LLMdoctor：用小模型 doctor 在 token 级别给冻结的 patient 大模型做“对齐处方“

本文提出LLMdoctor框架，通过"医生-病人"范式实现大型语言模型的高效测试时对齐。核心创新包括：1）利用冻结大模型自身通过不同prompt生成正负行为变体，无需额外训练奖励模型即可获得token级奖励信号；2）基于生成流网络（GFlowNet）的子轨迹平衡损失（SubTB）设计TFPO算法，将稀疏token奖励转化为密集训练信号；3）在推理时通过轻量级doctor模型动态调节对齐强度，实现同一模型对不同需求的快速适配。实验表明该方法在7B模型上仅需1%计算量就能达到与RLHF相当的对齐效果，为多客户场

2026-05-31 11:04:03 102

原创 Length Bias Causal 论文解读：用因果反事实拆掉 RLHF 奖励模型的“啰嗦偏好“

论文摘要：本文提出了一种基于因果推断的方法解决RLHF中的长度偏差问题。研究发现奖励模型将回答长度与质量错误关联，源于训练数据中内容质量和冗长度这两个因素的混淆。作者利用GPT-4o-mini生成了两类反事实样本（保持内容变长度和保持长度变内容），通过大规模数据增强（约945k对）实现了变量解耦。实验表明，47.43%的原始样本存在长度偏差偏好。改进后的奖励模型在RewardBench和Chatbot Arena评估中表现更优，下游PPO训练在AlpacaEval上的长度控制胜率达到37.18%，显著优于

2026-05-31 10:34:06 89

原创 Latent Reasoning Refinement：在不训练任何参数的前提下，给 Coconut 套一层“心理调节器“

Latent Reasoning Refinement：不训练参数优化推理轨迹这篇论文提出了一种无需训练的推理期优化方法，通过两个核心组件提升Coconut类模型的潜在推理能力：对比推理反馈搜索：利用训练过程中的强弱checkpoint生成对比梯度方向，动态调整潜在状态残差嵌入优化：通过加权混合当前和前序状态保持推理稳定性在MathQA和ProsQA等基准测试中取得显著提升（最高+7.7%），同时保持完全无需参数更新的特性。该方法揭示了潜在空间推理轨迹的后训练优化空间，为冻结模型场景下的推理优化提供

2026-05-31 10:07:54 216

原创 GenPRM：让 1.5B 的过程奖励模型，靠“边写边推理边跑代码“打赢 GPT-4o

我喜欢 GenPRM 的一个原因是它把"PRM 应该长什么样"这个问题重新打开了。它没有在分类式 PRM 上做小修小补，而是直接换了范式——让阅卷模型像考生一样写草稿、跑代码、然后再下结论。这种范式让"reasoning model"的概念第一次延伸到了过程监督这个原本被认为只能用 scalar 解决的领域。但我也清楚地看到，这篇 paper 的工业落地路径还很远：算力消耗、跨域泛化、code execution 的安全性，这三件事没有一件是可以靠"加更多 GPU"解决的。它的真正价值更多在科研层面。

2026-05-31 10:01:58 162

原创一个 query 写五份草稿、互评后再选最好的那一条去更新——DRAFT-RL 把 RL 训练里的“独白“改成了“群聊“

DRAFT-RL提出多路径并行RL训练框架，通过多Agent协作解决单路径RL的探索不足问题。核心方法：每个Agent对同一query生成5份短草稿，其他Agent互评打分，reward模型综合选择最优路径进行PPO+模仿学习。在MATH、HumanEval等任务上提升3%+，同时减少33-42%训练步数。创新点在于将推理时的多路径思维链（CoD）引入训练环节，通过peer evaluation增强多样性探索，实验显示其生成质量与收敛速度优于Reflexion等基线方法。

2026-05-31 09:55:34 195

原创 DEPO：把“少 token + 少步骤“同时塞进 KTO 的偏好优化

DEPO论文提出了一种针对LLM智能体的双效优化方法，将效率分解为步级token数和轨迹级步数两个正交维度。通过扩展KTO偏好优化框架，在reward函数中加入基于反比例函数的效率奖励（仅对成功轨迹施加），实现了token成本和交互成本的同时降低。实验表明，该方法在WebShop和BabyAI任务中相比基线KTO进一步减少18% token使用，部分模型性能提升达29%。特别是揭示了单纯压缩单步token数（如R1-Distill）会导致步数激增，验证了双效拆分的必要性。该方法通过轻量级修改KTO框架，为L

2026-05-31 09:50:29 355

原创 DeCoRL：把推理链拆成“乐团合奏“——AAAI 2026 一篇把 RLHF 推到 32B 打 GPT-4o 的工作

DeCoRL 提出了一种创新的并行推理框架，将传统串行推理链拆解为多个并行子模块，通过模块化设计和双奖励机制实现高效协同推理。该方法主要解决两大痛点：1）传统整链奖励难以定位具体错误点；2）串行推理延迟过高。核心创新包括：1）将推理任务垂直切分为多个专一化模块并行处理；2）引入本地质量和贡献度双奖励信号；3）采用级联DRPO训练策略，先独立优化再联合调优。实验显示，32B模型在多个评测集上超越GPT-4o，同时实现3.8倍加速和72.4%能耗降低。这种方法将交响乐式的协同思维引入AI推理，为可解释、高效的大

2026-05-31 09:39:29 280

原创 Conformal CPO：把保形预测嵌入 LLM Agent 编排策略，可证明可靠性 + 30% 成本节省

摘要：论文《Conformal Constrained Policy Optimization for Cost-Effective LLM Agents》提出将保形预测（conformal prediction）嵌入LLM Agent编排策略，实现可靠性保证与成本优化的平衡。该方法通过Base-Guide双模型协作（如LLaMA-2-7B与GPT-4o），利用强化学习训练策略选择模型响应，同时通过在线conformal prediction动态调整阈值，确保覆盖率≥1-α。实验显示，在HotpotQA任

2026-05-31 09:28:42 380

原创强LLM不一定是好“优化器“：决定胜负的不是参数量，而是“局部精修“的能力

研究揭示：LLM作为优化器的性能差异主要取决于局部精修能力而非参数量法国格勒诺布尔大学团队通过15个模型在8个任务上的大规模实验（72K+候选解）发现： Zero-shot能力仅解释10.3%性能差异，关键指标是模型作为"局部精修器"的稳定性突破率（Breakthrough Rate）比新颖性更重要：持续小步改进的模型（如Mistral-24B）优于偶尔大跃进的模型性价比王者：Mistral-24B-Instruct在帕累托前沿上超越GPT-4o和Gemini-1.5-Pro 该研究颠覆了"更强LLM

2026-05-15 21:10:27 61

原创 GFT：把 SFT 当成“极度稀疏奖励 + 不稳定重要性权重“的 RL 重做一遍

本文提出GFT方法，从RL视角重新审视SFT训练，发现SFT本质上是一种奖励极度稀疏且重要性权重不稳定的RL形式。通过Group Advantage Learning解决奖励稀疏问题，利用Dynamic Coefficient Rectification控制梯度爆炸，在数学推理任务上显著提升模型性能。实验显示，GFT在10K数据上训练Qwen2.5-Math-1.5B模型，将MATH分数提升23.96分，同时避免了传统SFT导致的能力退化问题。该方法创新性地将SFT和RL优化统一到一个框架中，为后训练方法提

2026-05-15 21:03:59 310

原创你的检索器其实在“假装“听指令——Snowflake 用一个反转技巧把 305M 小模型拉到 SOTA

摘要 Snowflake最新研究揭示了一个关键问题：当前多数检索模型对用户指令"假装听话"——它们只匹配主题而忽略约束条件。研究者提出"Dual-View"创新方法，通过指令极性反转技术，强制模型真正理解指令语义。具体做法是：对每个指令负样本，用LLM生成一条互补指令，使原本的正负样本角色互换。实验显示，仅305M参数的小模型在指令跟随检索任务上性能提升45%，超越多个更大规模的通用模型。该方法特别适用于企业搜索和RAG系统，其核心价值在于：(1)即插即用的数据增强流程；(2)揭示了混合通用数据会削弱指令敏

2026-05-15 21:00:18 382

原创 DR-Venus：4B 小模型靠 1 万条开源数据，把 Deep Research 干到 9B 全员碾压

摘要蚂蚁集团Venus团队提出的DR-Venus模型在Deep Research领域取得突破性进展。该研究通过仅使用1万条开源SFT数据和1千条RL数据，基于Qwen3-4B基座模型，开发出性能超越9B以下所有开源Agent的4B小模型。关键创新包括：1）SFT阶段对长轨迹进行5倍加权重采样，显著提升长程任务表现；2）RL阶段采用基于信息增益的IGPO算法替代传统GRPO，实现turn-level密集奖励。实验结果显示，该模型在BrowseComp评测中达到29.1分，BrowseComp-ZH达到37.

2026-05-15 20:56:39 187

原创异质任务下的记忆提取：为什么单一Prompt就是搞不定，得“先聚类再演化“

摘要（149字）： USC团队提出CluE框架，解决LLM记忆提取在异质任务中的适配难题。传统方法在同质任务上表现良好，但面对个性化聊天、Agent操作和解题等混合场景时，单一Prompt往往顾此失彼。CluE创新性地先对训练样本按"提取场景"聚类，再分簇优化Prompt，在18个数据集的BEHEMOTH基准上实现全面提升（总体+9.04%）。实验揭示关键发现：当从强基线Prompt出发时，现有演化框架普遍负增长，而CluE仍保持+6.54%增益。该工作首次系统论证了任务异质性对记忆提取的关键影响，为通用助

2026-05-15 20:50:16 339

原创 Agent 当裁判光看 Trajectory 不够，它得自己去环境里查证 —— AJ-Bench 论文解读

摘要 AJ-Bench论文提出了一种新型Agent-as-a-Judge评估框架，解决了传统LLM-as-a-Judge在复杂任务评估中的局限性。通过为Judge配备浏览器、文件系统等60种工具，使其能够主动验证环境状态，显著提升了评估准确性。实验表明，开启Agentic模式后，模型平均F1提升13个百分点，其中deepseek-v3.2表现甚至超过未使用工具的GPT-5等大模型。该研究揭示了当前Agent在工具使用和推理能力上的瓶颈，为Agent强化学习和奖励建模提供了新思路。

2026-05-15 20:40:33 362

原创 AgentSPEX：当 Agent 框架开始把“控制流“从 Python 里抠出来

AgentSPEX提出了一种基于YAML的声明式Agent框架，通过将控制流、状态管理等从Python代码中解耦，实现了工作流配置的可读性和可维护性。该框架采用11个核心原语（如task/step区分、call组合等）描述Agent行为，并配套完整的执行环境（沙箱、断点续跑等）。实验显示其在模型版本更迭时展现出更强的鲁棒性（SWE-Bench上仅下降0.2%）。这种"工作流即配置"的设计降低了领域专家参与门槛，同时保留了足够的表达能力来处理长程任务中的分支、循环等复杂逻辑。

2026-05-15 20:32:39 640

原创 AgentSearchBench：在 1 万个真实 Agent 里挑一个能干活的，到底有多难？

文章摘要这篇论文提出了AgentSearchBench，一个针对AI Agent搜索的全新基准测试。研究团队从GPT Store等平台收集了9,759个真实Agent，构建了3,211个任务和66,740次执行评测。研究发现当前基于语义相似度的搜索方法存在严重局限——排名靠前的Agent与实际性能差距显著（NDCG@5从0.236降至0.022）。论文揭示了Agent搜索与传统工具检索的本质差异：Agent功能边界模糊、描述夸大现象普遍、必须通过执行验证能力。作者提出执行感知探针的轻量级改进方案，但更重要

2026-05-15 20:27:50 396

原创 Agent-World：当智能体训练终于不用再“假装“在跟世界打交道

LLM 越来越被期待变成"通用 agent"——不是聊天，是真的去操作 MCP server、改数据库、跑工具链。一是没有足够多、足够真的有状态环境；二是没有机制让 agent 在训练过程中持续发现自己哪里不会，再针对性补课。Agent-World 提出了一个组合拳：(1)——用一个 deep-research agent 自动从 web 上挖主题对齐的真实数据库、生成可执行工具集，再用图遍历和程序合成两条路径合成可验证任务；(2)

2026-05-15 20:17:00 586

原创 AggAgent：把并行轨迹当环境来交互，智能体聚合的新范式

AggAgent：智能体聚合新范式 Princeton团队提出AggAgent，解决智能体并行任务中的聚合难题。传统方法如投票或轨迹压缩存在信息丢失或成本过高问题。AggAgent创新地将并行轨迹视为"环境"，配备4个轻量工具让聚合Agent按需检索和交叉验证信息。实验显示，在6个基准任务上，AggAgent平均提升2.4-5.3个点，深度研究任务提升达10.3点，且仅增加5.7%额外成本。该方法实现了任务通用、非启发式、全保真的聚合，为智能体并行扩展提供了高效解决方案。

2026-05-15 19:44:54 368

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 72

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 22:01:48 202

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 21:50:19 466

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 21:42:15 190

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 21:32:06 513

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 21:17:05 800

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 18:09:02 482

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 17:56:07 502

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 17:43:39 426

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 17:26:50 393

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 22:41:38 470

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 1099

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 15:36:37 432

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 95

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 20:59:08 231

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 20:23:39 248

QQ密码保护查询器.exe及其全部代码

整理IP段工具

用C语言打造贪吃蛇的游戏

Visual_Assist_X_10.6.1856(破解补丁)

空空如也