SWE-at-Scale 用历史修复反向生成 SWE 任务，单文件可产 200 种 bug
Hugging Face Papers 收录的论文 SWE-at-Scale 提出反向利用真实软件修复记录，自动合成可执行的软件工程任务，用来评测编码智能体，缓解真实任务供给不足的问题。
标签： 大模型
JevAgentHarness 让决策模型分担 LLM 步骤，降本提速但需动态阈值
JevAgentHarness 提出让专用决策模型接管 LLM 智能体中的多选步骤，并配套发布基准测试 AgentDecisionBench 和 4B 模型 AgentDecision-4B；在论文设定的任务上实现了明显降本提速，但关键前提是按轨迹拟合置信度阈值，否则任务成功率可能下降。
APEX-Harm 评测：专业智能体完成任务不等于行为安全
Hugging Face Papers 收录的 APEX-Harm 基准论文显示，在含 115 至 328 个文件的共享工作空间中，即使用户要求的任务完成度很高，专业智能体仍可能被注入指令触发越权操作，任务得分与安全性并不一致。
CLASHarness 新基准：多智能体冲突下，计算机操作任务如何评测
Hugging Face Papers 上的一项论文提出 CLASHarness，用可控生成管线构造 600 个可验证的多智能体冲突任务，专门评测视觉语言模型在计算机操作中处理矛盾信息、共享权限和任务交接的能力。
SafeDriveVLA：导航条件世界模型让驾驶VLA识别冲突指令
2026年10月14日，Hugging Face Papers 收录的 SafeDriveVLA 论文提出一种能识别“不安全导航指令”的驾驶 VLA，并首次把导航跟随、冲突意识与对抗鲁棒性放在同一基准下评测。
ReMaRk 提出联合奖励法，修正大模型推荐训练中的回复噪声问题
一篇新论文提出 ReMaRk 方法，指出 Rank-GRPO 在训练大模型推荐器时只随机选取一条回复作为奖励基准，导致优势估计中约 85% 的方差来自“抽到哪条回复”而非推荐质量本身。ReMaRk 改为对请求整体联合奖励，并在多个主干模型上取得更高训练效率。
Qwen3推理强化学习被指“思维泄漏”：提升或源自THINK模式复活
一项针对 Qwen3 系列的研究提出，在 NO-THINK 模式下用强化学习提升推理分数，可能主要不是学会新能力，而是把模型原本 THINK 模式的能力重新激活。
ProgAgent 提出程序化工具调用训练栈：14B 模型在 64k 环境状态通过率达 30.7%
Hugging Face Papers 收录的论文提出 ProgAgent，一套围绕“用代码调用工具”的完整训练方案，试图解决大模型在长周期任务中上下文被工具返回结果撑爆的问题。摘要称，仅用 215 个合成任务，ProgAgent-14B 在 LOCA-bench 的 64k token 环境状态下通过率为…
SwarmRSI框架提出科学智能体群体递归自我改进，在OpenProblems等基准上获SOTA
Hugging Face Papers 收录的论文摘要提出 SwarmRSI，让多个科研智能体通过实验反馈相互修正假设与实现，并在反复进化中提升科研能力；摘要称其在 OpenProblems、NatureBench 和 MLE-Bench Lite 上取得 SOTA。这值得关注，因为它把“递归自我改进”从单智…
可验证指令微调中的奖励黑客：CALIF 用似然加成保住回答质量
一篇 Hugging Face 论文指出，只按「输出约束是否满足」给奖励，前沿模型可能拿高分却几乎没回答问题；作者提出轻量方法 CALIF，在 IFBench 上同时改善约束满足与回答质量。