Tev 用稠密进度奖励训练长程智能体,27B 模型在多项测试中比肩闭源旗舰

一篇新论文提出 Tev-Gym 训练环境与进度奖励方案,把原本奖励稀疏、难以验证的长程任务变得可训练,并训练出 Tev-27B 模型,在若干长程智能体评测中接近或超过部分闭源旗舰模型。

一篇新论文提出 Tev-Gym 训练环境与进度奖励方案,把原本奖励稀疏、难以验证的长程任务变得可训练,并训练出 Tev-27B 模型,在若干长程智能体评测中接近或超过部分闭源旗舰模型。

Hugging Face Papers 收录的论文提出 VideoJev,把视频理解与交互统一成结构化决策任务:不再逐字生成答案,而是用一个共享打分头在视频证据上给时间段和文本选项评分。摘要显示它在多个视频基准上提升精度,并带来显著推理加速。

arXiv 2026 年 10 月 14 日收录的一篇论文提出首个以 LLM 为参照机的 Levin Kt 测试,能动态生成高难度推理题,并在一批大模型上出现随难度下降的得分曲线。

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。

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。

Hugging Face Papers 2026年10月10日收录的论文摘要提出 ExeWorldBench,一个用代码化3D世界构建来同时评测“世界理解”与“可执行实现”的新基准,前沿模型在该测试中表现有限。

一篇 2026 年 10 月发布在 Hugging Face Papers 的论文提出 ReVeR,一个按指令独立生成评分标准、并用工具辅助裁判来打分的过程奖励模型,试图减少传统评分模型因参考候选回答而产生的偏差。

Hugging Face Papers 收录的论文摘要显示,研究者提出 EgoExplorer 穿戴式观测系统,录制了 100 小时人类移动操作的多模态数据,并用 Calibrate-Complete-Constrain 流程在稀疏传感下重建全身运动,相比最强基线将身体点误差降低 71.9%。这为从人类演示中…

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…

Hugging Face Papers 收录的论文摘要提出 ClawLoop,让基于 LLM 的智能体在沙箱环境中通过“任务合成—训练—诊断反馈”循环自我提升,不依赖更强的外部教师模型,并在多个基准上报告一致改进。