SwitchMem提出GUI代理记忆模态动态路由，三种基准超越静态记忆基线
一篇新论文发现，视觉语言模型驱动的 GUI 代理在不同操作步骤中偏好的记忆表示方式并不固定，于是提出 SwitchMem 框架，在每一步动态选择文本或视觉记忆，在三个 GUI 基准上优于固定使用单一记忆模态的基线。
标签： 算力
人大团队提出Ares优化器：让大模型强化学习按梯度谱自适应调整更新秩
针对大模型可验证奖励强化学习（RLVR）中优化器仍沿用监督训练思路的问题，中国人民大学 RUCAIBox 团队提出自适应秩优化器 Ares，根据梯度谱能量分布动态调整更新秩，在多个模型规模与 RLVR 任务上报告了优于常用优化器的准确率。
AReA为高分辨率DiT图像生成提供免训练注意力方案
Hugging Face Papers 收录的一篇论文提出 AReA，一种免训练的注意力机制，让 Diffusion Transformers 在超出训练分辨率生成图像时减少结构扭曲与细节退化，同时提升速度与效率。摘要称其在目标分辨率和不同模型上优于现有免训练基线，但尚未核验全文实验。
TPPO 改进 PPO 价值追踪，数学推理较 PPO 提升 7.0 与 8.4 分
2026 年 10 月 12 日 Hugging Face Papers 收录的论文提出 TPPO，用累积价值参数化改善 PPO 在稀疏终局奖励下的价值追踪，在 Qwen3-4B-Base 和 Qwen3-8B-Base 上数学推理总分较 PPO 分别提升 7.0 和 8.4 分。
BranchOPD 分支式同策略蒸馏：数学平均准确率提升 18.55 个百分点
Hugging Face Papers 于 2026 年 10 月 9 日收录的论文提出 BranchOPD，用学生不确定性和师生分歧挑选分支点，在共享前缀上重采样，让同策略蒸馏一次采样覆盖更多行为路径；摘要称其在数学与 ALFWorld、WebShop 智能体任务上全面超过 Vanilla OPD 和 7…
GeoFix：用单一几何奖励提升4D生成一致性，WorldScore提升39%
视频扩散模型生成4D内容时常出现几何不一致，GeoFix提出用单一几何奖励进行训练与推理对齐，在WorldScore 3D一致性上提升39%，VBench质量分提升4%。
DeltaTTG提出Token-to-Go进度信号，多轮Agent训练平均分提升5.7以上
Hugging Face Papers 收录的论文 DeltaTTG 提出用“Token-to-Go”作为多轮 Agent 训练中的可复用进度信号，在不改变奖励函数的前提下重新分配各步骤优势值；摘要显示其在 ALFWorld 等三个任务上平均分较 GRPO 提升 5.7 以上。目前信息仅来自论文摘要，尚不代表…
扩散模型新训练框架SALD：无教师网络，用双噪声路径实现自参考优势学习
一篇 2026 年 10 月 7 日发布在 Hugging Face Papers 的论文提出 SALD，让扩散模型用同一条模型在两种噪声水平下的表现差异，生成训练信号，不再依赖外部教师网络或额外可训练参数。
UltraBERT论文提出双掩码比训练法，单编码器同时刷新GLUE与BEIR纪录
Hugging Face Papers 收录的论文《UltraBERT: Beyond the Limit of BERT Pre-Training》提出重新设计双向编码器的预训练配方，让单一模型首次同时在分类和检索任务上达到最优，分别取得 GLUE 91.0 和 BEIR 47.7 的成绩。
Harness^2 提出递归智能体框架：无需真值验证也能改进执行外壳
Hugging Face Papers 收录的论文 Harness^2 提出一种即插即用的递归智能体执行框架，通过任务级和框架级两层递归，在没有标准答案验证器的情况下自动改进大模型智能体的执行外壳，并在多个基准上取得提升。值得关注的是，它试图回答“开放式任务中智能体如何自我进化”这一关键问题。