模型优化 第2页

MemeMind:全错样本如何破局?离线轨迹重构让Agent能力提升22%

来自哔哩哔哩(Bilibili)与复旦大学的研究团队在最新论文中提出了 MemeMind 框架,专门针对这一盲区提出了破局方案。MemeMind 的核心亮点在于 参考答案引导的工具轨迹重构 :它在离线阶段利用终局的参考答案,由专门的模块反推所需证据,主动调度异构工具完成检索、裁切与交叉验证。

微软提出OEO:自进化Agent无需预设流程,GPT-5.5在线编排省下65%交互Token

为此,他们提出了一种名为 OEO (Open-Ended Optimization,开放式优化)的极简范式:框架仅负责严格锁定目标、预算、权限和评测红线,而把“何时收集证据、如何诊断失败、提出何种粒度的修改以及何时停止”的全部过程控制权,彻底交给前沿优化器在线自主编排。

TRACE:长程Agent压缩为何频遭退化?配对闭环验证破解执行不稳定性

针对这种执行失真,研究团队提出了 TRACE ( Trajectory-Relative Agent Context ComprEssion )框架。该方法抛弃了依靠终局任务成败做逆向归因的粗粒度反馈逻辑,转而在发生压缩的“截断边界”处,通过成对的闭环局部续写来直接度量压缩带来的额外执行退化。

OneDayAgent:日常长程任务新SOTA达到0.821!任务拆解+记忆压缩+验证修复三合一框架

实验结果显示,以 GLM-5.2 作为驱动底座的 OneDayAgent 取得了 0.821 的综合得分,显著超越基准官方测试的各类通用智能体方案。在遵循指令、事实准确性、逻辑完备性等维度,以及无论是否携带多模态附件的测试组中,该方案均取得了全面领先。消融实验进一步证实了各个模块的必要性。

不是盲猜而是看懂后果:GHD用下一张截图后视蒸馏突破手机Agent

研究团队据此提出了 门控后视蒸馏(Gated Hindsight Distillation, 简称 GHD) 。该方法在训练时引入一个参数完全共享的“教师视角”,让它额外观察到下一帧真实截图,从而利用事后诸葛亮式的后验视角为推理与动作重新打分;同时设计了严格的门控机制。

HarnessOpt-Bench:AI如何自己优化AI?模型底座影响是脚手架的1.8倍

由 Scale AI 团队主导的最新研究提出了 HarnessOpt-Bench ,这是业内首个针对“端到端自动化 Harness 优化”建立的标准化评测基准。这项研究跳出了过去各家系统在自选题目、自定规则下的“自嗨式优化”,搭建了一套具备严格隔离防护与预算控制的可信评测协议。

Solar Open 2:混合注意力支撑1M上下文,1/6参数逼平1.6T模型

Solar Open 2 提出了一种名为“选择性权重迁移”(Selective Weight Transfer)的热启动策略,打破了传统认知中“架构大幅改变必须从头预训练”的铁律。模型上一代版本 Solar Open 1 采用纯 Softmax 骨架,路由专家数为 128 个。

零阶优化破解智能体自进化瓶颈:困难样本成功率从22%跃升至54%

为了打破这一“能力天花板”,来自北京理工大学和深圳北理莫斯科大学的研究团队提出了一种全新的 零阶自进化框架 。该方法彻底跳出了“必须先采出正确轨迹才能训练”的传统思维,而是对大模型的 LoRA 参数施加微小扰动,仅依据最终答案计算连续的困惑度损失差。

LOPD:给自蒸馏换上可学习隐空间,不到30%采样预算超越GRPO

他们提出了 隐式在线自蒸馏(Latent On-Policy Self-Distillation,简称 LOPD) 。该方法将特权上下文重构成一个端到端可学习的隐空间连续向量,不仅彻底摆脱了人工规则对经验形态的束缚,更在工具调用与代码生成两大高壁垒场景下。

ReCache:解耦跨工具注意力,KV显存缩减92.4%且首字提速3.6倍

针对这一瓶颈,来自东方理工大学、上海交通大学与西安交通大学的研究团队提出了 ReCache 。该框架通过三大递进机制打破了工具调用的缓存困局:用“资源级注意力”切断不同工具之间的横向交互,赋予每个工具完全独立的局部坐标,使其 KV 块具备天然的组合不变性。

SCAFFOLD:打破两层浅层抽象,递归技能蒸馏让Web Agent狂飙17分

针对这些根本缺陷,来自 MBZUAI、麦吉尔大学等机构的研究团队提出了 SCAFFOLD 框架。通过多实例参数化抽象、递归组合、基于最小描述长度(MDL)的库压缩,以及周期性的权重蒸馏,SCAFFOLD 彻底打通了从“动作轨迹”到“深层程序抽象”再到“模型内生能力”的自进化闭环。

TAPO:不靠额外数据,让大模型 Agent 学会“预判动作后果”

针对这一问题,本文提出了一种轻量且通用的后训练框架—— TAPO (Transition-Aware Policy Optimization)。该方案的核心突破在于: 不采集任何额外的专家数据,不增加任何多余的在线采样环境交互,也不在推理时引入额外的计算负担。