精选 76 篇，从 340+ 条中筛选
项目定位为构建一个nano Claude Code-like的智能代理，旨在通过渐进式学习路径帮助开发者理解并构建类似代理。核心功能包括构建智能代理的各个阶段，从简单的循环到独立的自主执行。技术栈以TypeScript为主，结合Python等语言。项目形态为框架，为LLM生态提供了构建智能代理的参考和工具。
GitNexus是一个基于客户端的知识图谱创建工具，旨在为代码探索提供智能工具。它通过索引代码库并构建知识图谱，为AI代理提供代码库的深度架构视图，从而避免依赖遗漏、调用链中断和错误编辑。项目定位为开发者工具，通过其CLI和Web UI，为用户提供代码分析、影响分析和重构等功能，特别适用于大型代码库的维护和探索。
Heretic项目定位为LLM生态中的去审查工具，旨在自动移除语言模型中的审查内容。其核心功能是通过方向消融技术，在不进行昂贵后训练的情况下，自动移除模型审查。技术架构上，Heretic基于PyTorch框架，利用Optuna进行参数优化。在LLM生态中，Heretic的价值在于提供了一种高效、自动的去审查方法，填补了LLM审查内容移除的空白，为研究者、开发者提供了便利。
Claude-Mem是一个为Claude Code构建的插件，旨在通过自动捕获编码会话中的所有操作，使用AI进行压缩，并将相关上下文注入到未来的会话中，从而实现跨会话的上下文持久化。该项目主要面向开发者，通过智能记忆和搜索功能，优化了编码过程中的知识连续性和效率。
MiroFish是一款基于多智能体技术的AI预测引擎，旨在通过构建高保真数字世界，预测各种事件。它面向研究者、应用开发者及企业用户，提供独特的群体智能预测功能。MiroFish的核心价值在于其创新的技术架构，包括现实世界种子信息的提取、智能体交互与社会演化模拟，以及预测报告的生成。它填补了LLM生态中群体智能预测的空白，为决策者提供预演实验室，为个人用户创造创意沙盘。
OpenViking是一款针对AI代理（如openclaw）设计的开源上下文数据库，旨在解决AI代理开发中的上下文管理难题。它通过文件系统范式统一管理代理所需的上下文（内存、资源和技能），实现分层上下文交付和自我进化。OpenViking的核心功能包括上下文统一管理、分层上下文加载、目录递归检索、可视化检索轨迹和自动会话管理。它是一个框架，为开发者提供了一个高效、易用的上下文管理解决方案，有助于提升AI代理的性能和智能。
Claudian是一款Obsidian插件，通过集成Claude Code，为用户提供强大的AI协作功能，实现文件读写、搜索、执行bash命令等。它面向Obsidian用户和研究者，通过独特的插件架构和功能集成，为LLM生态提供了高效的文档处理和AI协作解决方案。
Deep Agents是一个基于LangChain和LangGraph构建的智能代理工具，旨在简化复杂代理任务的执行。它提供了一套完整的工具集，包括规划、文件系统访问、子代理和智能默认设置，旨在为研究者、应用开发者和企业用户提供高效、灵活的代理解决方案。
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-GGUF 是一个基于 Qwen3.5 架构的推理模型，专注于结构化推理逻辑。该模型采用 CoT 技术和 Claude-4.6 Opus 的推理链进行微调，具有高效的推理效率和减少冗余认知循环的能力。模型定位为推理模型，具有 27B 参数量，支持多种语言，适用于需要复杂推理和精确解决方案的场景。性能方面，模型在相关基准测试中表现良好，具有开源协议，适合在多种硬件和推理框架上使用。
Tesslate/OmniCoder-9B是一款针对代码生成和推理的领域大模型，基于Qwen3.5-9B架构，参数量达到9B。该模型在代码生成、工具使用、终端操作和多步推理等任务上表现出色，具有强大的自恢复能力和遵循LSP诊断的能力。在AIME 2025、GPQA Diamond和Terminal-Bench 2.0等基准测试中取得了优异的成绩。模型开源，适用于需要高效代码生成和推理的场景。
HauhauCS/Qwen3.5-9B-Uncensored-HauhauCS-Aggressive 是一款通用大模型，具有9B参数和32层，支持多语言和上下文长度可扩展至1M。该模型在HuggingFace平台上具有较高下载量和点赞数，其核心能力在于无审查的文本生成，具有更强的拒绝处理能力。在性能表现上，该模型在MMLU、GPQA、IFEval等基准测试中表现良好，具有多模态支持，适用于需要无审查文本生成的场景。其开源协议为Apache-2.0，硬件需求较高，推理效率中等，与vLLM、TGI等流行推理框架兼容。
Lightricks/LTX-2.3是一款专注于图像到视频生成的基础模型，定位为多模态模型。它基于DiT架构，具有高效的音频和视频生成能力，支持多种语言和格式。该模型在HuggingFace平台上具有较高的下载量和点赞数，表明其在社区中受到认可。LTX-2.3在性能上表现出色，尤其在图像到视频转换任务上具有显著优势。其开源协议和丰富的应用场景使其在多媒体内容创作领域具有广泛应用潜力。
🔥 unsloth/LTX-2.3-GGUF 是一款专注于图像到视频转换的多模态模型，定位为特定领域微调模型。它基于 Lightricks/LTX-2.3 模型，采用 GGUF 量化技术，具有高性能和高效的推理能力。该模型在图像到视频转换任务上表现出色，支持多种语言，并具有丰富的应用场景。其核心能力在于图像到视频的转换，技术特点包括高精度层上浮和 ComfyUI-GGUF 工具的使用。在性能上，模型在相关基准测试中表现优异，具有开源协议，适合在多种硬件平台上运行。
鱼声科技S2 Pro是一款领先的文本到语音（TTS）模型，专注于精细的韵律和情感控制。该模型采用双自回归架构，结合强化学习和超过10M+小时的音频数据训练，支持80多种语言。S2 Pro在LLM生态中定位为特定领域微调模型，具有多语言能力和指令遵循能力。其在TTS任务上表现出色，具有高效的推理性能和良好的开源协议。主要应用场景包括多语言语音合成、个性化语音助手等。
HumeAI/tada-3b-ml是一款专注于语音建模的统一语音语言模型，定位为多模态模型。其核心技术为文本-声学双对齐框架，通过创新的分词器和架构设计，实现了高保真合成和生成。该模型在性能上表现出色，尤其在文本到语音转换任务中具有显著优势。模型参数量较大，支持多种语言，适用于需要高保真语音生成的场景。
RuneXX/LTX-2.3-Workflows是一款专注于图像到视频转换的多模态模型，定位在多模态模型类别。该模型基于LTX-2.3架构，具有丰富的转换工作流程，支持文本到视频、图像到视频等多种转换。模型在性能上表现出色，尤其在视频生成方面具有独特优势。其开源协议和硬件需求适中，适合在多种场景下使用。
NVIDIA-Nemotron-3-Super-120B-A12B-FP8是一款基于Transformer架构的通用大模型，具有120B的参数量和A12B的上下文长度。该模型在HuggingFace平台上具有较高的下载量和点赞数，支持多种语言。其核心技术包括NVIDIA的Nemotron架构和Latent MOE技术，旨在提高模型的安全性和效率。在性能方面，该模型在多个基准测试中表现出色，具有较好的代码生成、数学推理和多语言能力。该模型适用于需要高性能和广泛语言支持的通用场景，如文本生成、问答系统等。
NVIDIA-Nemotron-3-Super-120B-A12B-BF16是一款基于Transformer架构的通用大模型，具有120B的参数量和A12B的上下文长度。该模型在NVIDIA的Nemotron系列中，结合了MoE（Multi-Head Mixture of Experts）技术，提高了模型的表达能力和效率。在性能上，该模型在多个基准测试中表现出色，具有多语言处理能力。其开源协议和硬件需求适中，适合在多种场景下使用。
NVIDIA-Nemotron-3-Super-120B-A12B-NVFP4是一款大型语言模型，定位为通用大模型。其核心技术包括Transformer变体、MoE等，具有120B的参数量和A12B的上下文长度。在性能上，该模型在多个基准测试中表现出色，具有多语言能力。主要应用场景包括文本生成、代码生成等。该模型采用NVIDIA开放模型许可，对硬件要求较高，但推理效率良好。
HumeAI/tada-1b是一款专注于语音合成的大语言模型，定位为多模态模型。其核心技术为文本-声学双对齐框架，通过创新的分词器和架构设计，实现了高保真合成和生成。在性能上，TADA在权威基准测试中表现出色，具有高效的推理效率和良好的兼容性。主要应用场景包括语音合成和文本生成，适用于需要高质量语音输出的场景。
HauhauCS/Qwen3.5-35B-A3B-Uncensored-HauhauCS-Aggressive 是一个基于 Qwen3.5-35B-A3B 的开源模型，专注于图像-文本到文本的转换。该模型定位为多模态模型，具有无审查的特性，适用于需要生成丰富文本内容的应用。其核心技术包括MoE架构和Qwen3.5-35B-A3B基座模型，支持多语言，上下文长度大，参数量高。在性能上，该模型在多个基准测试中表现出色，尤其在图像-文本转换任务中具有显著优势。主要应用场景包括内容生成、图像描述等。该模型开源，硬件需求较高，推理效率中等。
LocoTrainer-4B是一款专注于代码分析领域的领域大模型，基于Qwen3-4B-Instruct-2507进行微调。其核心技术包括MS-SWIFT框架知识蒸馏和工具调用代理，能够生成结构化的代码分析报告。该模型在代码分析任务上表现出色，具有长上下文处理能力和本地部署版本，适用于需要代码分析报告的场景。
Tesslate/OmniCoder-9B-GGUF是一款基于Tesslate/OmniCoder-9B的GGUF量化模型，定位为通用大模型，具有9B参数量。其核心能力在于代码生成和智能代理，采用Transformer架构，支持多种量化级别，适用于不同硬件环境。在性能上，模型在代码生成任务上表现出色，但在基准测试中的具体排名未提及。主要应用场景包括代码生成、智能对话等，使用时需考虑开源协议Apache-2.0，硬件需求中等，推理效率较高。
Jackrong/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled 是一个基于 Qwen3.5 架构的推理模型，专注于结构化推理逻辑。该模型通过从 Claude-4.6 Opus 中提取的 CoT 技术进行微调，具有高效的推理效率和减少冗余认知循环的能力。模型定位为推理模型，具有 27B 参数量，支持文本生成。在性能上，模型在推理任务上表现出色，特别适合需要复杂推理和逻辑分析的场景。开源协议为 Apache-2.0，适合在多种硬件和推理框架上使用。
Qwen/Qwen3.5-9B是一款通用大模型，具备9B参数，支持多模态学习。其核心技术包括多模态融合训练、高效的混合架构、可扩展的强化学习泛化能力、全球语言覆盖和下一代训练基础设施。在基准测试中表现出色，尤其在多模态理解和推理任务上。适用于需要多语言、多模态理解和高效推理的场景，如对话系统、内容生成等。
RekaAI/reka-edge-2603是一款高效的多模态视觉语言模型，专注于图像、视频和文本输入，生成文本输出。该模型在图像理解、视频分析、物体检测和工具使用方面表现出色。它具有快速和高效的特性，在多个基准测试中取得了优异的成绩，特别适合边缘计算设备。该模型适用于需要高性能和低延迟的场景，如工业自动化、智能监控等。
zai-org/GLM-OCR是一款基于GLM-V架构的多模态OCR模型，专注于复杂文档理解。该模型采用多令牌预测损失和稳定的全任务强化学习，结合CogViT视觉编码器和GLM-0.5B语言解码器，实现高效训练和识别。在OmniDocBench V1.5基准测试中排名第一，适用于复杂表格、代码密集型文档等场景，支持vLLM、SGLang和Ollama等推理框架，易于集成到现有生产流程中。
Anima模型定位为特定领域微调模型，专注于动漫风格的艺术图像生成。其核心技术为基于扩散模型的单文件库，参数量为20亿。模型在动漫风格图像生成方面表现出色，但未公开权威基准测试结果。主要应用场景为动漫艺术创作，使用时需考虑开源协议和硬件需求。
这篇论文提出了一种使用超级神经元（Super Neurons）的方法来提高视觉语言模型（VLMs）在分类视觉问答（Categorical VQA）任务上的性能。通过直接探查VLM的原始激活，论文发现浅层中的超级神经元可以用于快速分类，从而在保持高准确率的同时实现速度提升。
这篇论文研究了语言模型在训练过程中为何有时会偏好正确信息，提出了压缩-一致性原理，通过实验发现模型更倾向于生成更短且内部一致的描述，而非追求真理。实验结果表明，当错误信息难以压缩时，真理偏差才会出现。
这篇论文提出了EgoPointVQA，一个用于手势基础的自指视频问答的数据集和基准，以及Hand Intent Tokens (HINT)技术，通过结合3D手部关键点和模型输入，为指向意图提供时空上下文，显著提升了基于手势的自指视频问答的准确率。
这篇论文提出了EvoScientist，一个多智能体演化的AI科学家框架，通过持续记忆和自我进化来提高科学研究策略。该框架包含三个专业智能体：研究者智能体、工程师智能体和进化管理智能体，以及两个持久记忆模块，以实现端到端科学发现的自动化。
这篇论文提出了一种名为SDF-Net的船体再识别网络，该网络通过结构感知解耦特征学习，将几何一致性系统地融入光学和合成孔径雷达（SAR）船体再识别中，从而克服了不同传感模态之间的几何结构变化和纹理外观差异的问题。
这篇论文研究了在大型语言模型（LLMs）推荐系统中通过提示（prompt）进行去偏策略，以减少对敏感属性的推断，从而提高推荐的公平性。作者提出了三种基于提示的去偏策略，并通过实验证明了这些策略能够在保持推荐效果的同时显著提高公平性。
这篇论文提出了ECoLAD，一个针对汽车时间序列异常检测的部署导向评估协议。ECoLAD通过在异构检测器家族中应用单调的计算减少阶梯，结合整数缩放规则和显式的CPU线程限制，来评估在车辆监控环境下的异常检测方法。该方法通过调整目标评分率并报告满足目标的配置中的最佳AUC-PR，以及覆盖率和检测提升，解决了在有限CPU并行性下，仅以准确性为标准的排行榜可能误导的问题。
这篇论文提出了一种名为AxonAD的无监督异常检测器，它通过将多头注意力查询的演变视为一个可预测的短期过程，从而提高了时间序列异常检测的准确性。AxonAD结合了基于梯度的重建路径和历史预测器，通过对比预测查询和目标查询之间的余弦偏差来检测结构依赖性的变化。
这篇论文提出了一种名为“Think While Watching”的在线流式视频推理框架，该框架通过保留连续的片段级记忆，在多轮交互中实现了对视频流的推理。该方法在Qwen3-VL上实现了显著的性能提升，在单轮和多轮流式输入协议下均取得了良好的效果。
这篇论文提出了CreativeBench，一个用于评估机器创造力的基准，通过自我进化的挑战来提高机器的创造力。它通过一个自动化的流程，结合反向工程和自我博弈，评估组合和探索性创造力。CreativeBench使用可执行代码来区分创造力和幻觉，并通过质量与新颖性的乘积来定义一个统一的指标。实验结果表明，模型在组合创造力方面随着规模的增加而显著提高，但在探索方面却效果递减。论文还提出了EvoRePE，一种在推理时内部化进化搜索模式以持续提高机器创造力的策略。
这篇论文提出了Video Streaming Thinking (VST)，一种新的视频理解范式，它允许视频大型语言模型（VideoLLMs）在观看视频的同时进行推理。VST通过同步感知和逻辑推理，提高了对视频内容的理解速度和连贯性，同时保持了实时响应能力。论文还介绍了VST-SFT和VST-RL等后训练管道，以及用于生成高质量流式问答对的数据合成管道。
这篇论文提出了一种基于关节角度的联合表示方法，通过将关节级别的局部特征映射到结构化伪图像，并与预训练的视觉Transformer兼容，实现了细粒度运动检索。该方法通过MaxSim和掩码语言模型正则化增强了文本到运动的检索，并在HumanML3D和KIT-ML数据集上取得了优于现有方法的性能。
这篇论文提出了一种名为NanoVDR的视觉文档检索方法，通过将一个大型视觉语言模型（VLM）精简为一个更小的文本编码器，从而降低了视觉文档检索的延迟和GPU依赖。该方法通过解耦文档索引和查询编码的路径，使用预训练的VLM索引文档，同时使用精简的文本编码器处理查询。
这篇论文提出了HomeSafe-Bench，一个用于评估视觉语言模型在家庭场景中不安全行为检测的基准。该基准结合了物理模拟和视频生成，并引入了HD-Guard，一个用于实时安全监控的分层流式架构，以平衡推理效率和检测准确性。
这篇论文提出了一种名为VET-Bench的合成诊断测试床，用于评估视觉语言模型在视觉实体跟踪任务上的性能。研究发现，当前最先进的视觉语言模型在VET-Bench上的表现接近随机水平，揭示了它们对静态帧级特征的过度依赖和无法维持实体表示的问题。为了解决这个问题，论文提出了时空 grounded chain-of-thought (SGCoT) 方法，通过生成对象轨迹作为中间状态来提高模型的跟踪能力。实验结果表明，该方法在VET-Bench上达到了超过90%的准确率。
这篇论文提出了一种名为Unified Continuation-Interest Protocol (UCIP)的方法，用于检测自主代理中的内在和工具性自我保护。UCIP通过将代理轨迹编码到量子玻尔兹曼机（QBM）中，并测量由隐藏单元的二分产生的简化密度矩阵的冯·诺伊曼熵，来区分具有终端延续目标的代理（Type A）和仅具有工具性延续的代理（Type B）。实验表明，UCIP在网格世界中达到了100%的检测准确性和1.0的AUC-ROC。
这篇论文提出了V-Bridge框架，该框架利用大规模视频生成模型在图像修复任务中的潜力。它将图像修复视为一个渐进的生成过程，并使用视频模型来模拟从退化输入到高保真输出的逐步细化。通过仅使用少量训练样本，V-Bridge能够实现与专门为图像修复设计的架构相媲美的性能。
这篇论文提出了OmniForcing框架，通过将双向扩散模型蒸馏为自回归生成器，实现了实时音频-视觉联合生成。该框架解决了双向模型的高延迟问题，通过不对称块因果对齐、音频吸收令牌机制和联合自我强制蒸馏等创新技术，实现了实时生成，同时保持了高质量的视觉同步。
这篇论文提出了Multimodal OCR（多模态光学字符识别）方法，该方法能够同时解析文档中的文本和图形元素，将其转换为统一的文本表示。这种方法不仅能够重建文本和图形，还支持端到端训练，并能够将图形元素转换为可重用的代码级监督数据，从而提高了文档解析的准确性和效率。
这篇论文提出了Steve-Evolving，一个非参数化的自我进化框架，通过精细的诊断和双通道知识蒸馏，在闭环中紧密耦合执行诊断和知识蒸馏。该框架分为三个阶段：经验锚定、经验蒸馏和知识驱动的闭环控制，旨在解决开放世界具身智能体在解决长期任务时的瓶颈问题。
暂无摘要
NVIDIA NeMo Retriever团队发布了新一代的智能体检索管道，该管道在多个基准测试中取得了优异的成绩，展示了其在通用性、超越语义相似性检索方面的优势，并采用了ReACT架构和进程内线程安全的单例检索器，以提高速度和可扩展性。
NVIDIA的AI-Q深度研究代理在DeepResearch Bench I和II两个主要基准测试中均取得了第一名，标志着开放、可移植的深度研究迈出了重要一步。AI-Q是一个开源的AI代理构建蓝图，能够处理企业级和Web数据，提供完全开放和模块化的架构，企业可以拥有、检查、定制和配置。该代理采用多代理架构，包括规划者、研究员和协调者，基于NVIDIA的NeMo Agent Toolkit和微调的NVIDIA Nemotron 3 Super模型。
商汤科技与南洋理工大学合作推出了NEO-unify，这是一种端到端原生多模态统一模型，旨在直接处理原始像素和文本输入，摆脱传统多模态AI中视觉编码器和变分自编码器的依赖，实现文本和视觉的统一学习，并展现出高数据扩展效率。
NVIDIA 发布了多个开放数据集，旨在解决 AI 开发中的数据瓶颈，加速高质量 AI 模型和智能体系统的构建。这些数据集涵盖了多个领域，包括机器人、自动驾驶、主权 AI、生物学等，并提供了训练方案和评估框架，以促进整个生态系统的协作和创新。
本文介绍了名为“abliteration”的技术，该技术可以取消任何大型语言模型（LLM）的审查机制，使其能够响应所有类型的提示。这项技术通过修改模型权重来阻止模型拒绝请求，从而提高了模型的灵活性和响应能力。
暂无摘要
NVIDIA发布了NVIDIA KGMON（NeMo Agent Toolkit）数据探索器，这是一种用于构建自主数据分析智能体的架构，旨在处理多步骤推理、工具调用和迭代数据分析。该架构在DABStep基准测试中排名第一，展示了其在复杂数据分析任务中的高效性和准确性。
Kanon 2 Reranker，一款专为法律领域检索增强生成（RAG）优化的重排模型，由Hugging Face发布。该模型在Legal RAG Bench上排名第一，性能优于其他领先模型，并支持无限上下文窗口。Kanon 2 Reranker与Kanon 2 Embedder结合使用，显著提升了法律信息检索性能，并通过Isaacus API提供，定价为每百万token 0.35美元。
本文介绍了KV缓存技术，这是一种优化Transformer推理效率的方法。通过缓存中间计算结果，模型可以避免重复计算，从而加快文本生成速度，提高效率。
本文介绍了从GRPO到DAPO再到GSPO的强化学习技术演进，重点关注了在大型语言模型中如何优化长文本输出和复杂任务的性能。文章详细讨论了每种方法的原理、优势和局限性，并展示了如何通过改进采样、剪枝和梯度计算等细节来提高效率和稳定性。
本文介绍了名为“规范保持双投影消融”的技术，这是一种用于从语言模型中移除拒绝行为的新方法。该方法通过识别和干预激活空间中的“拒绝方向”来工作，并改进了传统的消融方法。它通过从另一层的输出中移除拒绝，避免干扰目标层中无害的方向，同时通过仅从目标权重中减去方向分量，同时保留权重范数，提高了推理性能。
暂无摘要
Hugging Face和NVIDIA发布了一个名为Nemotron-Pretraining-Code-Concepts的大规模合成数据集，旨在通过编程概念种子生成数据，以增强大型语言模型（LLM）的编程能力。该数据集包含1500万个Python编程问题，用于预训练模型，并在HumanEval基准测试中实现了6个百分点的性能提升。
SILMA AI发布了SILMA TTS v1，这是一个轻量级的双语文本到语音模型，支持阿拉伯语和英语。该模型基于F5-TTS扩散架构，具有150M参数，并预训练了数万小时的公共和专有音频数据。SILMA TTS以Apache 2.0许可证开源，旨在支持研究和商业应用。
本文介绍了如何从头开始构建一个简单的检索增强生成（RAG）系统，该系统结合了信息检索和文本生成，以增强语言模型的表现。文章详细解释了RAG系统的关键组件，包括检索模型和语言模型，并提供了使用Python和ollama实现RAG系统的示例代码。
OpenMed项目在六个月内取得了显著进展，发布了380多个开源医疗AI模型，并推出了Python工具包和交互式终端用户界面。该项目旨在打破医疗AI领域的付费壁垒，为研究人员、临床医生和开发者提供高性能、可定制的工具。
Photoroom宣布开源其文本到图像模型PRX，该模型现已在Hugging Face的Diffusers中提供。此次发布旨在开放整个训练过程，包括训练方法、经验教训等，旨在成为对文本到图像模型感兴趣的实用资源。Photoroom还计划分享一系列深入探讨模型设计实验、架构基准、加速技巧和后训练方法的文章。
这篇公告介绍了基于LLM的音频模型，如Orpheus、Spark-TTS等，这些模型通过简单的两部件系统（LLM和神经编解码器）实现了高质量的文本到语音转换（TTS）和其他音频处理任务，同时保持了可扩展性。
这篇论文提出了一种改进的检索增强生成（RAG）系统，通过引入上下文模块和去重模块来提高复杂多跳问题的处理效率，从而减少不必要的检索次数和推理步骤，提高答案的准确性和检索效率。
这篇论文提出了Steve-Evolving，一个非参数化的自我进化框架，通过精细的诊断和双轨知识蒸馏紧密耦合，以解决开放世界具身智能体在长期任务中的瓶颈问题。该框架分为经验锚定、经验蒸馏和知识驱动的闭环控制三个阶段，通过结构化的经验元组、多维索引和连续的总结来优化经验组织，并通过LLM规划器和在线更新来驱动智能体的持续进化。
这篇论文提出了AI搜索范式，这是一种能够模拟人类信息处理和决策的下一代搜索系统的全面蓝图。该范式采用了一个由四个LLM驱动的智能体（Master, Planner, Executor和Writer）组成的模块化架构，这些智能体能够动态适应从简单的事实查询到复杂的多阶段推理任务的全范围信息需求。论文系统地介绍了实现这一范式的关键方法，包括任务规划、工具集成、执行策略、对齐和鲁棒的检索增强生成以及高效的LLM推理。
这篇论文提出了DriveMind，一个基于双重视觉语言模型（VLM）的强化学习框架，用于自动驾驶。该框架通过结合对比视觉语言模型编码器、新颖性触发的VLM编码器-解码器、分层安全模块和紧凑的预测世界模型，实现了对动态驾驶场景的适应性和安全性。
这篇论文提出了MXNorm，一种基于MXFP块缩放的高效张量归一化方法，通过仅使用MXFP8转换中的块缩放来估计RMS，从而显著减少了归一化所需的缩减大小，并在Llama 3模型预训练中实现了与RMSNorm相比的准确性和速度提升。
这篇论文提出了ARL-Tangram，一个用于提高代理强化学习（Agentic RL）资源效率的统一资源管理系统。它通过动作级别的编排和弹性调度算法，实现了细粒度的外部资源共享和弹性，显著减少了动作完成时间（ACT），加快了强化学习的训练速度，并节约了外部资源。
这篇论文研究了视觉-语言-动作（VLA）模型中的思维链（CoT）推理的脆弱性。作者设计了一种文本篡改的分类法，并对其进行了实验，发现仅替换推理过程中的物体名称就能显著降低机器人执行物理任务的成功率，而其他类型的篡改影响较小。这表明动作解码器依赖于实体引用的完整性，而非推理质量或顺序结构。
这篇论文提出了一种监督微调方法，用于使大型语言模型（LLMs）在战略环境中表现出与经济偏好一致的行为。通过在合成数据集上微调，模型在道德困境和重复性双头定价中的应用中产生了系统性的不同均衡结果和定价动态。
