τ-Emotion-Bench 发布:情绪波动会让 LLM Agent 工具调用成功率大幅下降

Hugging Face Papers 收录的论文提出 τ-Emotion-Bench,一个覆盖 10 个领域的工具调用 Agent 评测基准,专门把用户情绪状态纳入交互变量,并配套发布 Tracer 数据生成流水线。它揭示了一个容易被忽略的问题:即使工具调用逻辑正确,用户情绪变化也可能让 Agent 任务完…

Hugging Face Papers 收录的论文提出 τ-Emotion-Bench,一个覆盖 10 个领域的工具调用 Agent 评测基准,专门把用户情绪状态纳入交互变量,并配套发布 Tracer 数据生成流水线。它揭示了一个容易被忽略的问题:即使工具调用逻辑正确,用户情绪变化也可能让 Agent 任务完…

研究者提出 EMHO 框架,不再训练具身模型本身,而是让控制规划、工具调用和上下文管理的 agent harness 从执行轨迹中自我迭代改进。这意味着具身智能体可能通过优化"外围配置"而非"大脑"来提升任务成功率。
今日看点:Artificial Analysis 首次给“语…

Artificial Analysis 发布 AA-Robotics v0.1 研究预览,首次用 8 个桌面任务评测前沿语言模型直接控制 6 轴机械臂的能力。GPT-6 Astra 以 69.4 分居首,但平均每任务耗时 30 分钟、成本 16.36 美元,距生产可用仍有明显距离。

Hugging Face Papers 收录的一篇论文提出 Pristine Models,试图在文生图模型预训练阶段就把安全与不安全知识拆到独立参数分支,推理时可直接切断不安全分支,从而兼顾生成质量与安全控制。

Hugging Face Papers 收录的一篇论文提出“潜空间世界动作模型”,把 GUI 智能体的未来状态预测从整屏像素重建改为潜空间中的动作条件建模,在离线与在线 GUI 任务上报告成功率相对提升最高 31.9% 和 40.6%,推理延迟最多降低 98.9%。这是研究层面的方法提案,不是已上线产品。

自动驾驶VLA模型AUGUstus提出统一扩散生成与自回归理解的新架构,在NAVSIM等基准上取得领先规划成绩,并初步在实车上实现12Hz运行。

一项名为 LongR 的新研究提出用“推理与查文档交替”的机制,加上基于相对信息增益的密集奖励,来提升大模型的长上下文推理能力,论文摘要称在 LongBench v2 上取得超过 9% 的提升。

论文 AutoEnvScaling 让一个智能体扮演“出题者”,根据另一个智能体在终端任务中的失败记录自动生成并验证新的强化学习环境,在 Terminal-Bench 2.1 上带来最高 12.2 分的提升,目前仍属研究阶段的方法验证。

研究者用 268 组 MoE 实验拟合出文本、视觉、音频的混合数据缩放定律,发现不同模态的算力最优分配并不相同,视觉与音频之间存在明显的不对称干扰。