让 AI 直接上手玩:交互式评测如何把坏应用修好

一项名为 Interaction-as-a-Judge 的研究提出让 computer-use agent 直接操作运行中的网页、桌面应用和游戏,用交互过程来评估和修复 AI 生成的交互式应用。相比只读代码的评测方式,该方法在预测人类偏好和验证需求上均有提升,还能在推理阶段以更高比例修复损坏功能。

一项名为 Interaction-as-a-Judge 的研究提出让 computer-use agent 直接操作运行中的网页、桌面应用和游戏,用交互过程来评估和修复 AI 生成的交互式应用。相比只读代码的评测方式,该方法在预测人类偏好和验证需求上均有提升,还能在推理阶段以更高比例修复损坏功能。

一个 2.57 亿参数的世界模型把预训练 VLA 的语义理解与显式未来预测连接起来,让动作生成能参考自身后果,在仿真与真实机器人任务上给出更高成功率。

Hugging Face Papers 收录论文提出 WorkRover,用递归环境演化提升长程协作智能体的强化学习训练效率,并在多个办公协作基准上报告显著提升。

2026年10月,一篇上传至 Hugging Face Papers 的论文提出 RSI-Nav,通过让导航模型边生成指令、边执行筛选、边即时更新,缓解了合成监督数据落后于策略演化的问题。

一篇 Hugging Face Papers 论文提出 VRSD,用系统提示约束“特权信息”在自蒸馏中的使用方式,在 12 组模型-任务设置中 11 组提升 Pass@1,平均提高 3.9 个百分点,并倾向于保持更高的输出 token 熵。

alphaXiv 2026年10月12日收录的论文提出 EvoSpatial,让空间推理智能体把成功与失败的操作路径沉淀为可复用的技能和工具,在20个基准上平均成绩超过 SpatialClaw 4.0 个百分点。

alphaXiv 2026年10月13日展示的论文提出 AReaL-RSI 框架,通过多智能体协作实现递归自我改进,无需更新大模型权重,在终端任务和GPU内核优化上取得可量化提升。

alphaXiv 收录的论文 Thinker-WM 提出用同一个 Unified Dynamics Transformer 共享表征来联合建模 RGB 视频、度量深度和机器人动作,并在 EWMBench 等基准上取得领先,尝试把割裂的视觉、几何与执行打通。

Hugging Face Papers 收录的论文提出“图像事实性评估”新任务,并给出多模态 ReAct 智能体 EviScene,用于判断图像所描绘情境是否有外部证据支持,而不仅是识别它是否由 AI 生成。

一篇新论文提出 Scenario-Actor,从提示词里判断“这是学术问答还是朋友闲聊”,再为整段对话选一个采样温度,而不是所有任务共用同一个固定值。