XuMing&-CSDN博客

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 20:29:19 341

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 20:22:47 344

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 17:59:38 340

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 17:56:47 309

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 20:27:22 401

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 20:22:44 316

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 20:21:34 514 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 20:18:55 619

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 20:14:29 432

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 19:39:56 342

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 19:23:47 163

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 17:58:33 164

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 17:55:02 138

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 17:15:41 612

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 17:10:35 345

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 16:57:50 296

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 16:42:44 436

原创 AI Agent做数据科学，排名不如一半的人类团队：AgentDS竞赛的冷水与启示

AI Agent在专业数据科学竞赛中表现平平：人机协作才是王道最新研究通过组织29支队伍参与的跨行业数据科学竞赛（AgentDS）发现，当前AI Agent在需要领域知识的任务中表现远未达到替代人类的水平。GPT-4o直接提示排名第17（得分0.143），Claude Code排名第10（得分0.458），而前9名均为人类团队，最高得分0.87。研究揭示AI在领域推理、多模态数据处理和策略判断方面存在明显短板，最有效的模式是人类把控方向、AI加速执行的人机协作。该研究为"全自动AI数据科学&qu

2026-03-30 16:23:32 373

原创当知识图谱变成“黑箱“：BubbleRAG 用气泡膨胀算法让 Graph RAG 的召回率和精准率同时起飞

摘要（150字）：港科大团队提出BubbleRAG，解决黑箱知识图谱检索中的三重不确定性挑战。通过形式化为OISR问题，采用气泡膨胀算法实现多源启发式搜索，在语义锚点分组、候选证据图发现和排序等环节优化召回与精准率。实验显示，在三个多跳QA基准上，BubbleRAG平均F1达63.02%，超越HippoRAG2的60.50%，尤其在3+跳复杂推理场景优势显著（如MuSiQue领先8%）。该方法无需训练，通过动态路径探索和语义感知排序有效应对知识图谱的结构模糊性。

2026-03-30 16:08:05 355

原创 4B 小模型击败 GPT-5：Learning to Self-Evolve 用强化学习教会 LLM 在测试时自我进化

论文《Learning to Self-Evolve》提出了一种创新框架LSE，通过强化学习训练小型语言模型（4B参数）在测试时自我进化的能力。与依赖模型固有推理能力的现有方法不同，LSE专门训练"自进化策略"，配合UCB树搜索机制防止优化路径塌缩。实验表明，LSE训练的Qwen3-4B在Text-to-SQL（BIRD）和MMLU-Redux任务上分别以67.3%和73.3%超越GPT-5，且训练好的策略可零样本迁移到其他模型，带来+6.7%的性能提升。该方法突破了模型规模限制，证明了

2026-03-24 11:56:40 352

原创递归不是长上下文的解药，自反思才是：SRLM 用不确定性信号让 LLM 超越 RLM 22%

当语言模型面对超长文本时，我们习惯性地认为"递归分解"是正确答案——把长文本切碎、递归调用自身来处理。但 Apple 的这篇论文给出了反直觉的结论：递归并不是 RLM 性能提升的主要驱动力。真

2026-03-24 11:52:46 292

原创部署不是终点，而是学习的起点：微软提出 OEL 框架，让大模型从真实交互中持续进化

当前大语言模型的训练范式存在一个根本性矛盾：模型在部署后变成"静态制品"，无法从海量的真实用户交互中获益。微软研究院提出 **Online Experiential Learning（OEL）** 框架，让模型在部署阶段像人类一样"从经验中学习"——无需人工标注、无需奖励模型、无需在服务器端访问用户环境。该方法通过"经验知识提取 + 在策略上下文蒸馏"的迭代循环，在文本游戏环境中实现了 pass rate 从 7.5% 到 21.4% 的跃升，同时推理效率提升约 30%，且不破坏模型的分布外泛化能力。

2026-03-24 11:49:03 511

原创 MiroThinker-1.7 & H1：搜索 Agent 的天花板不在“搜得多“，而在“每步都靠谱“

MiroThinker-1.7 换了一条路：在预训练和 SFT 之间插入 Agentic Mid-Training 阶段，强化每一步的"原子决策"质量（规划、推理、工具使用、答案汇总）。MiroThinker-H1 再叠加一套 Local + Global 双重验证机制，让模型"做一步查一步、交卷前全局复审"。结果是 BrowseComp 88.2%、GAIA 88.5%——前者 OpenAI Deep Research 只有 51.5%，Gemini-3.1-Pro 是 85.9。

2026-03-24 11:42:39 664

原创 MetaClaw：让部署后的 AI 智能体在失败中持续进化——UNC联合UC Berkeley提出双时间尺度元学习框架

MetaClaw提出了一种双时间尺度的元学习框架，使部署后的AI智能体能够持续进化。该框架通过"技能驱动的快速适应"和"机会主义策略优化"两个互补机制，让智能体在使用过程中自动提升性能，无需停机或人工干预。实验表明，在44天的模拟测试中，MetaClaw将Kimi-K2.5的准确率从21.4%提升至40.6%，接近GPT-5.2的基线水平。关键创新包括技能代际版本控制和基于空闲信号的训练调度，有效解决了传统方法在知识迁移和参数优化方面的局限性。该系统在办公自动化和科研

2026-03-24 11:36:46 636

原创不改模型参数，准确率翻倍：Memento-Skills 让 Agent 自己设计 Agent

持续学习不必驻留在模型权重中。一个不断增长的、自我改进的技能库可以作为任何冻结 LLM 都能调用的持久化智能层。这种"技能即记忆"的范式，将 Agent 的能力进化从昂贵的参数更新转移到了轻量级的文件操作上。但这也引发了更深层的问题：当 Agent 开始设计自己的技能，甚至设计新的 Agent 时，我们如何确保这个自进化过程不会脱离控制？论文中单元测试门控和回滚机制是初步的安全网，但距离生产级的安全保障还有很长的路要走。

2026-03-24 11:20:58 1184

原创让LLM智能体像人脑一样从经验中共同进化：Complementary RL 如何用双系统协同打破样本效率瓶颈

阿里巴巴与港科大团队提出Complementary RL框架，借鉴人脑互补学习系统理论，通过双系统协同进化解决LLM智能体样本效率低下的问题。该框架让策略执行器与经验提取器在强化学习过程中相互促进：执行器优化决策，提取器则根据经验对执行器的实际帮助效果自我改进。实验显示，在单任务场景中性能提升约10%，多任务场景下3任务和6任务混合训练分别带来6.6%和8.1%的提升，且任务多样性越高优势越显著。关键创新包括CISPO目标函数、分组优势估计和异步双循环架构，有效解决了传统静态经验库导致的"经验与能

2026-03-24 11:14:45 616

原创 Attention Residuals：让深层网络学会按需回看历史层，而不是把所有层一股脑叠上去

论文摘要：《Attention Residuals》提出了一种改进Transformer残差连接的新方法，通过将传统的固定权重累加替换为深度方向的注意力机制，使当前层能动态选择性地融合历史层信息。传统PreNorm结构在深层网络中会导致隐藏状态幅值膨胀和梯度失衡问题。作者提出的Full AttnRes方案允许每层通过可学习权重聚合所有前驱层，而Block AttnRes则通过分组块间注意力降低内存开销至O(Nd)。实验表明，该方法在多个规模下持续提升模型性能（如528M参数模型loss从1.719降至1.

2026-03-19 15:43:36 459

原创 ReAct：让大模型学会“边想边干“的智能体范式

ReAct是一种让大语言模型实现"边推理边行动"的智能体范式。它通过Thought→Action→Observation的循环机制，让模型在每一步行动前进行推理说明，再根据外部反馈调整策略。相比单纯推理（易产生幻觉）或单纯行动（缺乏灵活性），ReAct在知识问答（HotpotQA/Fever）和交互决策（ALFWorld）任务中展现出更好的可解释性和适应性。实验表明，ReAct与思维链（CoT）方法结合能取得最佳效果，将幻觉率降至0%。该工作无需模型微调，仅通过Prompt工程即可实现，

2026-03-18 14:07:56 392

原创 OpenSWE：147 万美元打造最大开源 SWE 训练环境，45k Docker 环境助力代码 Agent 登顶 SWE-bench

GAIR-NLP团队投入147万美元构建了OpenSWE——目前最大的开源软件工程智能体训练框架。该框架包含45,320个可执行的Docker环境，覆盖12,800个代码仓库，所有基础设施完全开源。OpenSWE解决了构建SWE训练环境的四大挑战：依赖管理、测试验证、任务对齐和难度控制，通过多智能体协作流水线实现高质量环境构建。基于该框架训练的OpenSWE-72B模型在权威基准SWE-bench Verified上达到66.0%的准确率，刷新了现有记录。研究表明训练数据规模与模型性能呈对数线性增长关系，意

2026-03-18 12:05:52 440

原创 OpenSeeker 论文解读：首个完全开源训练数据的前沿搜索 Agent，仅 11.7k 样本单次 SFT 即超越工业级系统

上海交大团队开源了OpenSeeker，首个完全公开训练数据的搜索Agent系统。仅用11.7k合成样本进行单次SFT训练，就在BrowseComp等基准上超越了需要复杂训练流程的工业级系统。该研究突破性地提出了两种创新方法：事实驱动的QA合成（基于网页拓扑生成高难度问题）和去噪轨迹合成（让模型在噪声中学习搜索策略）。实验显示，OpenSeeker在BrowseComp-ZH上达到48.4%准确率，超越阿里通义DeepResearch的46.7%，且训练成本显著更低。这一成果打破了搜索Agent领域的数据壁

2026-03-18 11:56:58 403

原创从零搭一个 AI Agent 框架，到底需要理解什么？

本文系统拆解了AI Agent框架的核心原理与实践路径。首先阐述了Agent的三种思维模式：ReAct（边推理边执行）、Plan-and-Execute（先规划后执行）和Reflection（自我反思改进），分析了各自适用场景。接着对比了六大主流框架（LangChain、LlamaIndex等）的选型策略，强调理解底层机制的重要性。最后通过Manus案例揭示了上下文工程的关键地位，提出"文件系统作为上下文"和"代码解决通用问题"两大行业共识。全文从理论到实践，用279

2026-03-18 11:40:48 402

原创 EvoScientist：让 AI 科学家学会“长记性“——多智能体进化框架如何实现端到端科研自动化

EvoScientist提出了一种多智能体进化框架，通过研究智能体、工程智能体和进化管理智能体的协作，实现了端到端的科研自动化。该系统创新性地引入构想记忆和实验记忆机制，使AI科学家能够积累经验并持续进化。实验表明，EvoScientist在想法生成、代码执行和论文质量等方面显著优于现有系统，其全自动生成的6篇论文全部被ICAIS 2025接收。该研究为AI自主科研提供了新思路，解决了现有系统缺乏长期记忆的问题。

2026-03-16 10:09:12 942

原创你以为大模型在“思考“？其实它只是在努力“回忆“

摘要：Google Research研究发现，大语言模型在回答简单事实问题时，开启推理模式能显著提升正确率。实验表明，这主要依赖两个机制：1）"计算缓冲效应"——即使推理内容是废话，额外的前向计算也能帮助激活知识；2）"事实启动效应"——推理轨迹中的相关事实能触发联想记忆。有趣的是，模型能力越弱，推理带来的提升越明显，且这种效应与问题复杂度无关。研究揭示了Transformer模型可能通过多步计算"深度检索"参数中的知识，类似于人类考试时通过草稿纸

2026-03-16 10:00:35 593

原创别再死磕 Prompt 和 Workflow 了！DeepSeek-R1 引爆的 Agent 端到端强化学习革命

摘要： DeepSeek-R1 通过强化学习（RL）颠覆了传统 Agent 开发模式，摒弃了繁琐的 Prompt 和 Workflow 组装，转向端到端训练。传统方法因流程固化、错误级联等问题陷入瓶颈，而 RL 框架将 Agent 视为马尔可夫决策过程，赋予其自主试错与优化能力。GRPO 算法通过组内相对评分替代复杂奖励模型，大幅提升训练效率。结合分布式 Ray 架构，RL 训练的 Agent 展现出自我修正、任务分解等涌现能力，如 Search-R1 实现动态搜索与推理协同，R1-Searcher 则优化

2026-03-16 09:53:45 397

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