标签：大模型

AGORA提出按可靠性聚合LLM评审：依托项目反应理论，小样本评测更稳

arXiv 上出现一篇新论文，提出 AGORA 方法，用项目反应理论按“可靠性”加权聚合多个 LLM 评审（LLM-as-a-judge），希望解决评审池水平参差、人工标注验证集只有几百条时的聚合偏差问题。

arXiv 新论文提出智能体框架 VTHarness，把虚拟临床试验方案转化为可执行分析流程；摘要称在需求澄清后，95.1% 的合成工作流生成了与参考匹配的队列输出，对照组为 60.4%。

快手AI生成代码占比一年内从26%升至60%，但AI代码引发的线上故障和技术债同步增加。其架构治理团队在AICon北京站分享“知识+约束”方案，通过Skill门禁与Harness拦截管控增量风险。

Hugging Face Papers 收录的论文提出 H2RB 框架，试图用人类演示数据帮助预训练视觉-语言-动作（VLA）模型适配目标机器人，减少对昂贵机器人专用数据的依赖。

Hugging Face Papers 收录的论文提出 FrontierPhysics 基准，用 42 位物理学家设计的 56 项真实研究任务检验 AI 智能体，结果显示 22 个模型在 26 种配置下无一能在 168 次运行中通过超过 46 次，主要短板是推理严谨性和专家直觉。

arXiv 上一篇新论文用 102 篇“西班牙羽流”天气模式综述文献做基准，测试六款 AI 工具在发现、解读、综合与提出新方向四个阶段的文献综述能力。结论是：AI 能显著帮忙找文献和读文献，但在证据评估与研究综合上仍不能替代专家判断。

arXiv 上出现的一篇新论文主张，医疗多智能体系统不应在答题前一次性选专家、取知识，而应由外部“挑战者”在推理过程中发现知识缺口、再定向补料；摘要称该策略在 MEDAGENTSBENCH 难题集上优于前置检索。

字节跳动豆包工作团队版和企业版已默认启用Kimi K3.1Pro、GLM5.3、DeepSeek V4.1Flash三款第三方大模型，企业用户无需额外购买，调用消耗直接从账户AI积分扣除。这打破了办公Agent产品只依赖自研模型的惯例。

Hugging Face Papers 收录的论文摘要提出 StreamDuo：用可训练解说模型搭配一个冻结的“研究 agent”，让它能解说训练中没见过的游戏，并降低对原游戏的依赖。

蚂蚁集团 AI 助手灵光 2.0 上线首周帮用户托管超 116 万项事务、执行任务超 360 万次，用户数突破 2000 万，产品定位从“按指令办事”转向“持续跟进事务”。