分类： AI 资讯

云端写程序、端侧小模型答问：混合代理架构在AppWorld成功率最高提升14.9个百分点

一项 arXiv 新论文提出“云端模型写程序、本地小模型临场答疑”的混合代理架构，试图在数据不出设备的前提下，缩小端侧代理与云端大模型代理之间的效果差距。

arXiv 上一项新研究提出 MOSAIC，试图回答视觉语言模型的预测究竟由哪些训练样本、哪些图像区域和文本短语共同影响。它把此前多停留在样本级的归因，推进到多模态的局部证据层面，值得关注是因为它触及大模型可解释性中最难的一环：跨模态因果追踪。

arXiv 上一项新研究用反事实干预方法，发现仅以奖励为目标训练的 PPO 智能体，其价值函数内部似乎编码了 Crafter 环境中的部分规则，比如钻石何时可收集、水和食物如何影响健康等。这为理解无模型强化学习是否隐含世界模型提供了可视化证据。

华为诺亚等团队提出AesCode，用图像生成结果作为美学参考来指导代码生成，在视觉质量基准上比同规模基线提升31.1个百分点，为“让代码模型看懂画面”提供了新思路。

arXiv 新论文显示，在 CTI-REALM 安全检测任务中，开放权重模型在放宽对话轮数限制后，奖励超过闭源模型，且成本不到后者的十分之一。这一发现挑战了“闭源前沿模型必然更强”的默认假设。

ReTerm 提出让终端智能体专门从自己的失败任务中学习恢复，在 Terminal-Bench 2.0 上把 Qwen3.5-9B 的 Pass@1 从基础水平提升到 34.8%，高出 14.6 个百分点。

arXiv 2026年10月14日发布的一篇新论文提出 VETNET，一个面向动物科学与兽医领域的实时基准数据集与评测框架生态，试图用标准化数据缩小兽医 AI 与人类医学 AI 之间的差距。目前仅为论文摘要披露，尚无论文全文实验核验。

论文 X-Ragent 提出一种工具增强强化学习后训练框架，让模型自己学会何时查询辅助证据、并只允许有效测量进入诊断推理；在三个胸片基准上取得最佳结果，其中完全留出的 ChestAgentBench 提升 8.6 分。

arXiv 上一份新论文提出长时程终端基准测试 LHTB 2.0，通过扩展任务和密集进度评分，发现只看最终结果会严重低估智能体在执行过程中的实际进展。

2026年10月，Hugging Face Papers 收录的论文提出 Multics，一种用分层通信替代全连接通信的多玩家视频生成框架，在4至6人场景下达到新的最优表现，并展示出从4人训练扩散到10人推理的泛化能力。