
决策模型何时需要思考?StartLux-Decision的按需推理与概率校准 (opens in a new tab)
StartLux-Decision 结合单次概率判断与按需推理,研究置信度门控、RLCD²训练和策略感知校准。论文区分推理长度、终止率与准确率,并用DecisionPivot检验关键条件变化;推理收益及置信度仍受任务分布和路由策略影响。
Categories
Practical guides to AI tools, models and related technologies.

StartLux-Decision 结合单次概率判断与按需推理,研究置信度门控、RLCD²训练和策略感知校准。论文区分推理长度、终止率与准确率,并用DecisionPivot检验关键条件变化;推理收益及置信度仍受任务分布和路由策略影响。

Realtime-Bench 用30项网页任务和20项游戏任务,对比真实时间、推理时暂停及按Token推进三种时钟。受测模型在时限下明显失分;GPT-6 Astra最高单次任务成功率44%,三次重复均成功的Pass³为36%,两者不能混用。

招商局狮子山实验室围绕能力蓝图、证据核验和评测反馈构造约31.2万条监督样本,训练总参数35B、激活约3B的具身推理模型。团队按avg@4口径报告十项基准均较基座提高,尚需结合实际机器人任务进一步验证。

上海创智学院与新序智能发布801-30B基座、技术报告及轻量SFT数据,介绍通过调试、潜力评估和共享经验改进预训练流程。报告分别比较base、同数据微调及完整后训练模型;全球仅两家等表述属于团队观察范围。

ReTerm 让终端智能体保留自身失败后的环境,尝试多种恢复办法,再用验证结果训练策略。研究发布约万条恢复轨迹,并报告9B模型在终端与软件工程基准上的提升;多数错误类别的恢复率仍不高,改进有明确边界。

Comma 用常驻Router汇总请求,把具体工作委派给Worker,并通过共享事实清单、按受众划分的记忆与事件监控维持上下文。团队还介绍依据人工验收和费用调整模型分工;这套工程设计不等于记忆与权限判断必然无误。

清华团队把成年果蝇连接组作为固定网络核心,在仿真身体中训练感觉与运动接口。研究比较跨障碍、转向、变速及不同足数身体的控制,报告相较MLP等对照的适应收益;这些结果尚不能等同真机部署效果。

普林斯顿AI Lab等团队提出SSoN:用四张室内图像判断哪张违反同一场景的空间一致性。1000题上,人类准确率83.3%,六个受测VLM最高39.7%;解释核验、相机信息干预和定向微调进一步揭示跨视角推理的短板。

ProteoCraft 结合近似梯度提案、完整结构预测和两阶段树搜索,支持结合蛋白从头设计与局部精修。团队报告计算基准改善,并在PD-L1等候选上开展结合实验;命中率按成功表达样本计算,尚需后续功能与开发性质验证。

CyberArena 让12组模型与执行框架在隔离环境中同时攻击、修补并维持服务,完成466场有效对局。结果显示静态解题与动态对抗存在明显差距,也记录虚假修复、补丁遗漏等失误;排名反映该赛制下的组合能力。

研究者在设定初始观点、社交网络和互动流程后,让1000个大模型智能体围绕三项议题交流,观察观点极化、关系重组及不同干预的效果。这是受模型和实验条件约束的社会模拟,不能直接视为对真实人群行为的预测。

ReSFlow 将单纯形上的概率流映射到球面,以模型自身生成的配对数据进行再训练,再用指数映射完成单步采样。实验覆盖图像、文本似然与DNA序列;单步速度收益需额外训练,且不代表所有质量指标优于完整ODE采样。

MT Forcing 让图像编辑学生模型接着自身输出训练,以单轮教师提供画质参照,再用参考轨迹约束内容延续。在两种SenseNova基座、100组八轮会话中,后期编辑稳定性改善;首轮部分指标仍低于基线。

CoworkOS 以三层任务协作、共享应用状态和持久工作区,支持多轮交付及跨会话推进。团队在12项基准、24个作品任务和五轮模型后训练中评估系统;后训练平均分提高仍伴随单项波动,不能等同已实现无限自主自我改进。

LongCat-2.5 总参数量1.6万亿、每token激活约480亿,结合离散视觉token与长程智能体训练。团队报告多项基准和国产加速器训练优化;原作者体验也指出3D细节和PPT排版不足。不同基准有领先与落后,不能概括为全面超过海外模型。

Clover-35B-A3B-Preview 以块内并行去噪和历史状态复用提高生成效率。团队报告编程、工具使用及端侧量化结果,并介绍双向交互与联合决策探索。单用户生成速度与整机吞吐不同,性能比较受硬件、精度、框架和任务设置影响。

卡兹克记录用 DeepSeek Harness 配置电子宠物的过程,涉及QQ机器人、微信与飞书接入、人设和记忆,以及视频、直播尝试。文章区分官方与非官方接入方式,也提到账号风控、隐私和操作确认;这些是作者的实践教程,非本站代配置服务。

研究者让 GPT-6 Astra 分析神经网络权重并生成修改方案。在Qwen3.5-0.8B的特定采样设置下,50次前向调用预算的方案使MATH-500得分从7.9%升至48.1%。实验省去了目标模型的梯度更新,仍需要诊断、推理和评测计算。

论文在理想化条件下推导 JEPA 表征对齐的充分条件,并比较不同训练视图。特定评测中,109M文本模型的对齐分数超过72B基线,同规模样本效率也有改善;这些结果不意味着模型规模从未有效,或小模型已全面超过大模型。

HarnessSQL 在只读数据库沙盒内结合完整轨迹微调与执行奖励强化学习,让模型学习查表、试探查询和纠错。在Spider 2.0-SQLite上,8B模型报告45.2%执行准确率,高于所列32B基线;跨方言和更完整企业环境仍需进一步扩展。
Join the conversation
Read how to join the community. No sign-in is required to read articles.