Beacon:让多模态大模型学会“看题用工具”,在13个基准上实现真收益
针对这一核心痛点,最新研究提出了多模态推理模型 Beacon 。该研究不仅系统性量化了智能体调用工具的“自适应性”与“真实净收益”,更通过一套包含“必要性感知自适应奖励”与“提示引导能力拓展”的强化学习框架,彻底改变了智能体盲目调用外挂的现状。
针对这一核心痛点,最新研究提出了多模态推理模型 Beacon 。该研究不仅系统性量化了智能体调用工具的“自适应性”与“真实净收益”,更通过一套包含“必要性感知自适应奖励”与“提示引导能力拓展”的强化学习框架,彻底改变了智能体盲目调用外挂的现状。
基于预训练掩码语言模型 mmBERT-base(307M 参数),团队分别构建了单向量模型 mDenseOn 与多向量模型 mLateOn。两者训练时的骨干网络完全相同,训练批次完全相同,数据配比完全相同,且均引入了针对重排器 mxbai-rerank-large-v2 的 KL 散度知识蒸馏目标。
针对这一痛点,最新研究提出了 LedgerMind ,其核心理念是将多模态智能体的交互轨迹形式化为一个“带溯源约束的状态机”(Provenance-Constrained State Machine)。LedgerMind 不依赖任何微调或参数训练,而是通过运行时机制对多模态推理全流程建立严格...
针对这一割裂现状,最新研究提出了 SESA (Self-Evolving Skill-Augmented Agent,自演化技能增强智能体)。该方法首次将在线程序化技能演化无缝嵌入工具增强搜索的自博弈训练中。
发表于近期的一项研究提出了 TraceViT 。它的核心主张看似直观:既然人类在纸上推理时是逐步绘制草图,循环视觉模型的中间迭代也应当沿着一条语义连贯的“轨迹”逐步推进。然而,该研究揭示了一个反直觉的现象: 如果在循环模型中直接对中间状态施加轨迹监督,模型表现不仅不会提升,反而会直接掉点。
来自北京邮电大学的研究团队在其最新工作中,将多智能体系统的推理时并行(Inference-Time Parallelism)抽象为一个双层决策空间,并提出了名为 TIPEX (Two-tier Inference-time Parallel EXecution)的可控执行框架。
腾讯混元团队在其针对元宝搜索 Agent 的技术报告中系统剖析了该瓶颈,并提出了名为 Hybrid-OPD 的联合训练框架。该方案依托 Hunyuan3 底座,巧妙地将面向自主搜索的智能体强化学习与多领域专家在策略蒸馏(On-Policy Distillation)融为一体。
针对这一痛点,最新研究提出了一种名为 EviSD (Evidence-Conditioned Self-Distillation,证据条件自蒸馏)的创新框架。该框架的精妙之处在于:它既不引入昂贵的外部判别模型(Critic),也不在推理阶段增加任何额外开销,更没有推翻原本的强化学习方向。
针对这一系列痛点,来自北京智源人工智能研究院、清华大学、中国人民大学、香港理工大学等机构的研究团队提出了 GraphThink 框架。该研究的核心洞察在于:不能把长程规划完全寄托于大模型的自由文本生成,而是应当在任务逻辑与物理环境之间构建结构化的约束网络。
来自云知声、自然资源部、深信服、深圳理工大学和天津大学等机构的研究团队提出了 LiLa-WAM (Lightweight Latent Reasoning World-Action Model)。它打破了传统世界模型必须依赖几十上百卡算力集训的门槛, 仅凭一张消费级 24GB 显存显卡即可实现...
香港科技大学(HKUST)的研究团队在最新论文中提出了 MCTS-Report 。该方法完全颠覆了预设的线性流水线,将表格生成多模态报告的过程重新形式化为结构化搜索空间中的树构建问题。
来自北京航空航天大学的研究团队在最新论文中给出了破局思路,他们提出了名为 ToolLIFT 的通用工具规划框架。该研究的核心洞见在于:对于相似性质的复杂任务,即使底层调用的具体工具千差万别,它们在更高维度的“功能级工作流结构”上却展现出惊人的一致性。
多伦多大学(University of Toronto)的研究团队针对上述痛点,提出了专为微服务根因定位与事件响应设计的图增强多智能体框架 GALA+ 。该框架的核心哲学十分务实: 用系统物理依赖图作为 Agent 推理的“拓扑紧箍咒”,将复杂的跨模态证据推理严格限制在故障传播的局部因果邻域内 。
研究表明,大模型在判断“自己是否做错了”这件事上展现出了极高的敏锐度;但在进一步判断“该用哪种协作协议挽救错误才最划算”时,现有的所有路由策略几乎全线受挫。这一不对称现象,给盲目迷信多智能体架构的工业落地敲响了警钟。
Rollplex:然而,当工程师们直接把为纯文本 LLM 设计的强化学习运行时架构(如 OpenRLHF、verl、ROLL 等)套用在 VLM 上时,会立刻撞上一堵无形的系统性能墙。
为了打破这种主观评测与单一场景的局限,卡耐基梅隆大学(CMU)的研究团队提出了一套完整的评估基准与无须微调的自优化框架: Social Gym 与 SPaRTan 。
SocialBuddy:针对真实社交网络极度私密、数据无法直接用于公开训练与评估的难题,研究团队首先构建了首个大规模社交搜索仿真环境 SocialEnv ,内含 20 万虚拟用户画像、1000 万条社交动态以及 5 万条高质量推理轨迹;随后,针对长程社交搜索中奖励极度稀疏、归因极其困难的痛点。
来自香港中文大学(CUHK)的研究团队在论文中提出了 SynAct ,一个专为芯片自适应逻辑综合调优设计的闭环推理-行动(Reasoning-Acting)大模型智能体。与以往割裂的方案不同,SynAct 将综合优化建模为带有状态反馈的动态交互过程。
针对这一痛点,一项名为 Tree-of-Experience(ToE)的新研究提出了全新的解题思路:它不再将经验平铺或聚类,而是直接将经验镜像构建为一棵与模型思考方式同构的“层次化分析视角树”。
针对这一顽疾,研究团队提出了 FCPAgent (Falsifiable Commitment Planning Agent)。其核心思想借鉴了认知心理学中的目标导向行为理论——真正鲁棒的行为是具备前瞻预期的,规划不应是一成不变的指令序列。
针对这一痛点,来自北京大学、清华大学、中国科学技术大学等机构的研究团队提出了 MAPD(Multi-Agent Protocol Distillation,多智能体协议蒸馏框架)。
为了打破这一脱离临床现实的评测范式,来自哈尔滨工业大学、新加坡国立大学、北京协和医院以及 PuzzleLogic 的研究团队构建了专门评测多模态模型“主动寻证能力”的基准体系: PathAgentBench 。通过建立多尺度诊断树结构,他们测试了 20 个主流通用、医疗与病理专用大模型。
来自加拿大高级研究所、麦吉尔大学和 Mila 魁北克人工智能研究所等机构的研究者提出了 Search-on-Graph-R1 (简称 SoG-R1 )。该方法摒弃了对外部庞大模型和辅助判断模块的依赖,通过“SPARQL 引导的冷启动轨迹蒸馏”配合“基于确定性奖励的强化学习(GRPO)”。
来自阿尔伯特·爱因斯坦医学院、香港中文大学(深圳)以及伊利诺伊大学厄巴纳-香槟分校的研究团队提出了一种全新解法: GuideSkill 。他们没有选择继续“卷微调”或“堆检索”,而是构建了一个模型外部的解耦推理层,将死板的临床指南文本“编译”成结构化的可执行技能(Executable Skil...