标签： LLM

arXiv 上新论文提出 GARDEN，用大语言模型充当“奖励工程师”，为一系列相关协作场景设计同一套奖励代码，并原样迁移到训练时未见过的场景中，在 Overcooked 和 SMAX 基准上报告了明显提升。

arXiv 新论文提出 FilingLoop，一个基于 SEC 历史文件构建的“公司披露审查与修订”交互式基准和自进化智能体框架，在 380 个 IPO 审查任务上，智能体通过跨案例程序学习把要求完成率从 24.28% 提到 27.96%，但整体水平仍低。

arXiv 新论文提出 OpenFrontiers，把 12151 个开放研究问题整理成结构化语料，并配套一个 200 题的数学“再发现”基准；在 HQ-50 子集上评测七款 LLM 智能体，闭卷条件下最多只解出 40 题中的 7 题。

Hugging Face Papers 收录的 Co-Design Bench，用 273 个源自真实用户会话的多模态改码任务，测试编程智能体能否把普通人的需求真正做成可用修改；初步结果显示，即便最强模型端点也只能完整满足 26.4% 的任务，值得关注的是“部分合格”和“真正可用”之间的差距。

软件工程思想领袖 Martin Fowler 在 2026 年 10 月 29 日的文章中指出，读者能直觉感到“LLM Voice”（大模型腔）并产生类似恐怖谷的排斥反应；他建议作者别让大模型写初稿，否则连人工润色也很难消除这种腔调。