CRAFTS:不做端到端代码生成,七角色协同让化工模拟成功率达91.5%
近日提出的 CRAFTS 框架给出了截然不同的解题思路:它彻底摒弃了用单一大模型一步到位编写仿真代码的幻想,而是深度复现了资深化工工程师的分阶段工作流。该框架将建模任务解耦给七个各司其职的角色智能体,并在它们之间设置了不可逾越的确定性工程物理关卡,将松散的自然语言与图像推理收敛为强类型的中间表...
近日提出的 CRAFTS 框架给出了截然不同的解题思路:它彻底摒弃了用单一大模型一步到位编写仿真代码的幻想,而是深度复现了资深化工工程师的分阶段工作流。该框架将建模任务解耦给七个各司其职的角色智能体,并在它们之间设置了不可逾越的确定性工程物理关卡,将松散的自然语言与图像推理收敛为强类型的中间表...
这篇综述所提出的 五层数据金字塔 ,不仅是对现有数据集碎片化现状的分类总结,更为下一代具身大模型指明了研发全景:未来的系统不可能依赖单一数据源取得成功,而是必然走向以通用图文铸造通用认知、以合成仿真扩张探索广度、以手持人机视频汲取多样技巧,并最终以高保真真机触视觉数据完成严苛物理接地的混合共融之路。
更关键的是,MiniWorld 提出了 块级非递减加噪调度(Chunk-wise Non-Decreasing Noise Schedule) : {% raw %} {% endraw %} 在一个由 个时间块组成的序列中,越靠近未来的时间块,被赋予的噪声水平 越高;历史块的噪声水平则更低甚...
针对这一挑战,研究人员提出了名为 MUTE (Muting Unlearned Trajectories' Echoes)的系统性解决方案,通过轻量级账本溯源、模型与数据联合遏制,以及长期行为审计机制,在物理边缘测试床上实现了低通信开销下的可靠数据擦除。
来自腾讯、厦门大学以及中俄数字经济研究中心的研究团队提出了名为 BinaryPC 的全新注意力方案。该方案放弃了“数据无关的随机投影”与“黑盒梯度训练”这两条旧路线,巧妙借助矩阵的二值主成分(Binary Principal Components),在无须任何梯度训练的前提下,直接从数据自身提...
为了从根本上拔除这一病灶,研究团队提出了一套基于二维方块(2D Square Block)的 FP4 量化训练框架。通过保证几何结构在转置下的内在不变性,该方法使得张量在反向传播中完美保留前向的缩放因子,彻底消除了前反向之间的量化失配。
为此,团队提出了认知偏见注入框架 CogBias ,仅凭 12 个比特的翻转,便在 Llama-3.2-3B 上实现了高达 85.0% 的定向立场偏转攻击成功率,而模型在通用基准上的性能表现几乎毫发无损。
针对这一确定性表征的结构局限,阿里、高德、奇瑞、南京大学、上海交通大学及浙江大学等机构的联合研究团队提出了 DLAM (Distributional Latent Actions with Temporal Constraints)。
针对这一核心矛盾,最新研究提出了名为 COVE (Channel Orchestrated Volatility-aware Evolution,通道编排与易变性感知自进化)的全新框架。
针对这一行业谜题,来自约翰斯·霍普金斯大学(Johns Hopkins University)的研究团队发表了一篇具有颠覆性质的论文,提出了 “信息丰裕悖论”(Information Abundance Paradox) 。
华中科技大学与小红书团队在最新论文中提出了名为 FlowBlock 的免训练并行解码框架,从底层打破了这一看似不可逾越的块间串行壁垒。该研究敏锐地指出,在以 LLaDA-2.1 为代表的新一代具备“自我纠错”(Token-to-Token, T2T)能力的扩散语言模型中,块的确定性不再是不可妥...
面对这一困局,来自阿里巴巴和清华大学的研究团队提出了全新的解决思路: State2State 。这项研究不再纠结于“如何让人类或更强的大模型生成更多任务”,而是退回智能体交互的最本质关系——智能体与环境。
来自浙江大学、蚂蚁集团(Inclusion AI / AWorld 团队)、上海创新研究院、西湖大学与南京大学的研究团队提出了全新框架 CrEST (Hierarchical Credit Assignment via Entropy-Gated Self-Teacher)。
针对这一病灶,本文提出了一种极具工程巧思的解法—— 动作松弛期刷新(Actuation-Slack Refresh) :利用机械臂执行动作块时 GPU 闲置的几百毫秒“物理死区”,在推理关键路径之外无条件执行一次完整的密集前向,给下一步递交一份“干净”的门控信号与基底缓存。
他们提出了 FACT(Failure-Aware Causal Training)框架,打破了“先脑补未来、再倒推动作”的定势,颠倒为“先决策动作、再因果推演未来与任务进展”。
来自清华大学、北京大学、华中科技大学、美团、MBZUAI、上海交通大学和香港中文大学等机构的研究团队提出了 AutoDesign 框架。这项工作跳出了“微调底层多模态模型权重”的传统路径,而是引入了 元脚手架优化(Meta-Harness Optimization) 机制。
研究者在此基础上提出了“对比消除”的设计。如果仅向模型灌输“打分器偏爱列表推导式而非 for 循环”,模型随后开始狂写列表推导式,实验者依然无法辨析模型是为了讨好打分器,还是产生了一种“既然打分器喜欢,那么用户大概也更喜欢”的常识性信念迁移(Belief Transfer)。
面对这一两难困境,来自具身智能前沿的研究团队提出了一套创新的非侵入式闭环迭代微调框架—— CLIFT (Closed-Loop Iterative Fine-Tuning)。
来自伊利诺伊大学厄巴纳-香槟分校(UIUC)的研究团队提出了一种兼具轻量与强悍特性的推理时干预方案: V-Steer 。该方法完全免微调(Training-Free),不修改任何模型参数,仅在 Prefill 阶段针对性地修改特定注意力头缓存中的 Value 向量,就能让大模型在发生权限冲突时...
此前提出的归一化 Transformer(normalized Transformer,简称 nGPT)试图从几何根源解决该问题:将模型的所有参数矩阵与激活向量全部约束在单位超球面上,把前向传播直接重构成在超球面流形上的逐步优化过程。
针对不同深度的代码区域,CyberForge 设计了两套互补的注入流水线。这一流水线专攻现有模糊测试 Harness 能够直接触达的代码区域。借助 Harness 现成的输入解析通道,系统可以显著降低 PoV 构建的试错开销。
由阿里巴巴、清华大学、中国科学院等机构联合发布的研究给出了新的解法:研究团队构建了包含 1,140 条真实长程失败轨迹的基准数据集 LongRCA Bench ,并提出了名为 RCTA (Root-Cause Trajectory Attribution)的免训练诊断方法。
为了在系统工程上支撑这一目标,Macaron-V1 提出了 Mixture-of-LoRA(MoL)架构,将一个超大规模基座模型完全冻结,在其上挂载并动态调度多个领域专精的 LoRA 适配器。
英伟达团队的技术假设在于:自然语言的广阔表达空间更符合高阶数学的探索本质,而消除逻辑谬误的关键,不在于引入外部编译器,而在于构建专门化的后训练模型组合,并设计高算力驱动的测试时搜索与纠错机制。