celebrityanime

EdgeKernelBench：大模型生成边缘内核正确率64.5%，性能达标率仅25.5%

Hugging Face Papers 收录的一篇论文提出 EdgeKernelBench 基准和 LEKA 智能体，系统评测大模型为异构边缘后端生成算子内核的能力。摘要显示：模型首次生成可编译正确率达 64.5%，但性能达标率只有 25.5%，说明“能跑”和“跑得快”之间仍有明显差距。

一篇 arXiv 新论文提出 MAMath-Bench，用 1003 道覆盖文本、图像、音频的多模态数学题，同时考察多智能体系统答案是否正确、推理过程是否可靠、以及面对对抗性推理链扰动时是否稳健。摘要显示，多智能体协作未必能稳定超过强单模型。

针对Flow-matching架构的VLA模型，研究者提出VLA-Rolling推理框架，把上一轮被丢弃的“动作尾部”当作下一次生成的初始化，在不改动底层模型的前提下减少去噪步数。摘要称在16个模型—基准组合上全部降低推理成本，最高1.48倍加速，14组成功率提升最多15.08个百分点。

一篇 arXiv 新论文提出在 Lean 4 自动证明中，把编译器对失败步骤的报错交给预训练修复模型就地修改，而不是直接丢弃重采样，在 LeanDojo 基准子集上比纯采样多解出 82 个定理、求解率相对最高提升 32%。这为自动定理证明提供了一条更省样本的新思路。

Hugging Face Papers 上的一篇论文提出 Progress-Aligned Recurrence（PAR）训练方法，让循环语言模型在远超训练长度的序列任务上保持准确率，而单纯增加推理迭代次数并不自动带来这种能力。

arXiv 于 2026 年 10 月 21 日发布一篇关于 LLM 驱动工业智能体的系统性综述，提出四层系统架构、五级能力分级和统一分类法，试图回答通用智能体为何难以直接进入工厂。

arXiv 上出现一篇新论文，提出 DataPraxis 任务合成框架，通过持续验证的工作区演化生成 5000 条分析轨迹，并用其训练出 27B 和 35B-A3B 两个模型，其中 27B 在 DABStep 和 JobBench 上的分数分别为 55.11 和 51.9。

arXiv 上一篇新论文提出 MedPAO-Assist，用 0.6B 参数级小语言模型和智能体流程，在普通笔记本 CPU 上离线完成放射科报告结构化，不依赖云端 API 或联网。它值得关注，因为它瞄准的正是医疗场景里数据隐私和算力成本这两个落地瓶颈。

一篇 arXiv 新论文提出用多目标强化学习训练大模型生成 RTL 电路，不再只追求单个电路的 PPA 分数，而是优化一批候选电路在功耗、性能、面积权衡上的覆盖质量。据摘要，在 RTLLM v2 基准上相对 Hypervolume 比无 PPA 优化基线高 13.3 个百分点。

arXiv 上一篇新论文提出用强化学习规划移动起重机动作、用定制嵌入模型提取施工环境信息，再由 ChatGPT 5 更新进度、向控制系统推送安全信息并生成报告，方法在挡土墙施工实验中验证了可行性。