Research paper — korshunov.ai

Research paper 页 1 / 4

AIDE^2 实现 AI 研究代理的递归自我改进

研究人员提出了 AIDE^2，该系统通过优化自身代码，为 AI 研究代理实现了递归自我改进的循环。该系统对其内部逻辑提出更改，在 AI 研发任务上对修改后的版本进行基准测试，并仅保留在隐藏评估中表现最佳的改进。

arxiv arXiv cs.AI · 3 小时前 WebArena · 45.3% · 13 次浏览

Growing Harness 通过故障引导训练将重复的代理控制转化为可复用代码

作者提出了 Growing Harness，这是一种训练范式，它从任务反馈中学习代理的控制结构，而不是依赖标准的、上下文密集的 harness。通过将重复的控制决策转换为可执行代码，并将 LLM 调用保留用于语义推理，该方法旨在创建可复用的专家代理。

arxiv arXiv cs.LG · 4 小时前 · 11 次浏览

AIDE^2 实现 AI 研究代理的递归自我改进

研究人员提出了 AIDE^2，该系统通过优化自身代码，为前沿 AI 研究代理实现了递归自我改进的循环。该系统对其内部逻辑提出更改，在 AI 研发任务上对修改后的版本进行基准测试，并仅保留在隐藏评估中表现最佳的更新。

arxiv arXiv cs.CL · 7 小时前 · 12 次浏览

Agensh 将组织智能扩展至 1,024 个代理

研究人员推出了 Agensh，这是一个可扩展的自组织多代理框架，通过允许并发工作者异步认领子任务并合并进度，消除了中心协调器的瓶颈。

arxiv arXiv cs.CL · 7 小时前 · 11 次浏览

TelecomGPT-R1：面向异构电信任务推理的统一后训练方法

研究人员推出了TelecomGPT-R1，这是一套开源的统一电信推理模型家族，旨在通过对标准、配置和日志进行推理来自动化工程任务。该模型通过涵盖协议、知识、建模和故障四个维度的结构化方法，克服了现有通用和专业大语言模型的局限性。

arxiv arXiv cs.LG · 1 天前 HealthBench · 50.1% · 10 次浏览

Fathom-Vaidya 通过基于量表的奖励改善医疗推理

作者介绍了 Fathom-Vaidya，这是一个拥有 30B 参数的模型，它使用合成数据和基于量表的强化学习来增强诊断和临床医疗保健推理。训练框架首先对来自 MedBullets 的诊断问题应用规则引导的 RL，然后利用具有多维量表的 5.3k 合成多轮场景进行交互式临床任务。

arxiv arXiv cs.AI · 1 天前 HealthBench · 50.1% · 12 次浏览

Fathom-Vaidya通过基于量表的奖励改善医疗推理

作者介绍了Fathom-Vaidya，这是一个拥有30B参数的模型，它使用合成数据和基于量表的强化学习来增强诊断和临床医疗保健推理。训练框架首先针对使用MedBullets派生问题的诊断准确性，然后通过具有多维量表的5.3k个生成场景解决多轮临床交互。

arxiv arXiv cs.CL · 1 天前 HealthBench · 50.1% · 12 次浏览

Fathom-Vaidya 通过基于量表的奖励改善医疗推理

作者介绍了 Fathom-Vaidya，这是一个拥有 30B 参数的模型，它利用合成数据和基于量表的强化学习来增强诊断和临床医疗保健推理能力。

lab Microsoft Research Blog · 2 天前 · 29 次浏览

微软发布用于逆合成预测的RetroChimera

微软研究院已发布并开源了RetroChimera，这是一个用于逆合成预测的新框架，它结合了两个互补模型以提出高质量的合成路线。该系统将基于Transformer的从头生成模型R-SMILES 2与基于图神经网络（GNN）的NeuralLoc模型相结合，采用一种学习到的集成策略对预测结果进行排序。

media Hugging Face Forums · 2 天前 · 15 次浏览

关于命题分解与矛盾驱动推理系统的提案

作者提出了一种推理系统的设计方案，该系统通过将两个命题分解为更小的组件并搜索逻辑冲突来检测它们之间的矛盾，而不是依赖 LLM 的直接判断。

arxiv arXiv cs.AI · 2 天前 · 18 次浏览

研究人员介绍了 CodeMidas，这是一种智能体管道，它使用源代码作为唯一输入，从开源代码库中实现的功能构建强化学习环境。该方法分配智能体计算资源以探索功能、构建基于执行的测试，并通过重复 rollout 验证任务，最终生成涵盖 23 种编程语言的 5,545 个训练任务数据集。在 GRPO 的帮助下在这些任务上训练 MiMo-V2.5，在五个多样化的基准测试中提升了性能，包括 DeepSWE (+11.7%)、ProgramBench (+17%) 和 Terminal-Bench v2.1 (+8.5%)。轨迹分析表明，经过 RL 训练的代理表现出更好的行为，例如更深入的代码库探索和更多样化的自我验证。这些结果确立了源代码作为构建强化学习环境的可扩展基础，能够提升编码智能体在多样化软件任务中的表现。

arxiv arXiv cs.CL · 2 天前 · 10 次浏览