EZ.AI Daily

在人工智能代理日益复杂的今天，如何让模型在有限选项中快速做出精准决策，同时保持低延迟和高可靠性，一直是技术界面临的挑战。传统的自由文本生成方式虽然灵活，但往往伴随着高昂的计算成本和接口复杂性。为了解决这一痛点，研究团队推出了Intern-Decision，这是一组专为高效多模态决策设计的模型家族，包含0.8B、2B和4B三种参数规模。这些模型能够接收文本和可选图像输入，直接返回结构化的选择结果及候选概率，从而大幅简化了模型与环境之间的交互界面。 Intern-Decision的核心创新在于其采用了自回归掩码语言建模目标。与传统的逐词生成不同，该方法在完整的助手JSON骨架中为每个字段放置一个决策占位符。在训练监督阶段，真实符号仅用于指导，而在评估阶段，所有字段均可通过骨干网络原生的语言模型头在单次因果前向传播中完成评估。这种机制不仅提升了推理效率，还确保了输出格式的严格一致性。 性能表现方面，Intern-Decision展现了令人瞩目的竞争力。其4B参数版本在七个评估套件中取得了90.02%的未加权平均准确率，显著优于Jev v1.13.0的88.74%。更令人印象深刻的是其推理速度：在单张RTX 4090显卡上，针对固定289个token且包含三个字段的请求，4B模型的平均延迟仅为44.16毫秒，而较小的模型更是低至33至34毫秒。这意味着它完全能够满足实时交互应用对低延迟的严苛要求。 除了速度和准确率，模型的校准能力也是其亮点之一。在一项包含96个已知分布案例的试点研究中，通过温度缩放技术，模型的多类Brier期望值从0.628降低至0.550，期望校准误差从0.213大幅降至0.089。这表明模型不仅能做出正确决策，还能对其预测的置信度进行更准确的量化。进一步的置信度基于的交接研究在111个公开的Jevbench-Hard项目上验证了这一优势：通过将42个低置信度项目路由至Atria-Dawn-Preview，整体准确率从73.87%（82/111）提升至87.39%（97/111），证明了该模型作为大型代理系统中可靠组件的巨大潜力。 此外，研究还展示了该模型在游戏、视觉界面和浏览器等场景下的定性演示，进一步验证了其在多模态环境中的通用性。Intern-Decision的出现，标志着紧凑决策模型正成为构建复杂代理系统的关键基础设施。当决策不再被冗长的文本生成所束缚，而是以毫秒级的速度和结构化的精度呈现时，我们或许正在见证人机交互效率的一次深刻变革。未来的智能系统，或许不再需要漫长的思考过程，而是能在瞬间给出最精准、最可靠的行动指引。

在机器人技术的探索中，一个长期存在的难题是：预测世界对动作的反应，往往需要超越肉眼可见的信息。机器人必须考虑到那些既无法直接观察、也未在指令中明确说明的环境因素，从摩擦力和质量等物理属性，到人类定义的环境规则。为了解决这一挑战，研究人员提出了T2-Z，一种针对环境潜变量（Environment Latents）的测试时优化方法。T2-Z通过为机器人世界模型增加一个可学习的环境潜变量来增强世界预测能力。这个紧凑的潜变量能够捕捉底层的环境变化，而无需对存在哪些环境因素或其具体取值进行监督。 T2-Z的训练过程巧妙地交替进行两个阶段。第一阶段是世界模型优化阶段，此时潜变量被固定，模型学习跨环境的通用动作条件动力学；第二阶段是环境潜变量优化阶段，此时世界模型被冻结，专门优化条件潜变量，使得潜变量结构纯粹通过世界预测而涌现。在测试阶段，世界模型保持冻结，而一个新初始化的环境潜变量则从一次或多次测试时交互中优化，从而让模型适应此前未见过的环境配置。 实验结果令人瞩目。在7个模拟设置和4个真实世界机器人任务中，T2-Z将物体预测误差指标从15.20大幅降低至7.00，并将动作成功率从33.73%提升至72.96%。其涌现的潜变量捕捉了多样化视觉场景中单个及复合因素的结构化表示。进一步的消融实验表明，T2-Z甚至能够仅从单条测试时交互轨迹中高效推断出环境潜变量。 这项研究不仅展示了机器人在复杂环境中自我适应的潜力，更揭示了通过优化潜变量来理解隐式物理规则的可能性。当机器人不再仅仅依赖预设指令，而是能够动态感知并适应环境中的细微差别时，我们或许正站在通用机器人智能的新起点上。这种对“不可见”因素的捕捉能力，可能是通往真正自主智能的关键一步。

在人工智能自动化研究的浪潮中，大型语言模型（LLM）智能体已被证明具备发现新想法的能力。通过迭代优化和评分验证器，这些智能体在多个领域展现了巨大的潜力。然而，当研究人员试图通过扩展规模来进一步提升发现能力时，他们发现了一条看似合理却充满陷阱的道路。常见的扩展策略包括让单个智能体进行更长时间的迭代、并行运行多个智能体，或者让并行智能体之间进行沟通并基于彼此的候选方案进行构建。尽管这些方法在初期有效，但研究团队发现，所有三种策略最终都会遭遇瓶颈。随着智能体不断积累历史数据，它们逐渐被自己的过去所束缚，做出的编辑越来越少且幅度越来越小。一旦越过这个临界点，投入更多的计算预算几乎无法带来进一步的改进。这种“锚定效应”揭示了自动化探索中的一个深层矛盾：记忆成为了创新的枷锁。 为了解决这一困境，研究人员提出了一种反直觉但高效的策略：遗忘。论文指出，进一步扩展发现能力的关键在于定期丢弃搜索状态。这包括清除每个智能体的会话记录以及候选历史，然后从迄今为止找到的最佳候选方案重新开始。这种“重置”机制打破了搜索的僵局，使得相同的预算能够推动探索走得更远。研究团队在一个由具备通信能力的智能体团队中实现了这一“遗忘”机制，并在四个涵盖启发式编程、内核优化和模型训练的任务中进行了评估。结果令人瞩目：与并行智能体相比，该方法带来了高达15%的性能提升；与单个智能体相比，提升幅度更是达到了39%。 这一发现不仅挑战了传统上认为“更多数据等于更好结果”的假设，更深刻地揭示了开放探索任务的本质。它表明，在开放式发现过程中，智能体被允许记住什么，与其被给予多少计算资源同样重要。记忆并非总是资产，有时它反而是阻碍突破的负债。通过有策略地遗忘，智能体能够摆脱局部最优的陷阱，重新获得探索未知领域的灵活性。这项研究提醒我们，在追求智能系统规模化的道路上，不仅要关注如何增加算力，更要审视如何管理信息流。或许，真正的智慧不仅在于积累，更在于懂得何时放下，以便轻装前行，触及更广阔的认知边界。

在人工智能领域，如何让终端智能体（Terminal Agents）将验证器的反馈转化为有效的策略更新，并将部分进展转化为完整的任务解决，一直是一个核心挑战。针对这一难题，研究团队提出了名为 Terminal-RSI 的创新框架。该框架的核心机制在于交替执行两种递归过程：一是对经过验证的轨迹进行递归自我重写（Recursive Self-Rewrite, RSR），二是执行继承批评者模型的递归策略精炼（Recursive Policy-Refine, RPR）。这种交替进行的策略旨在通过不断巩固已发现的行为，逐步将智能体从局部的部分修复引导至严格的终端验证。 为了支撑这一递归过程，研究团队设计了一系列精细的技术组件。首先，他们提出了回合边界跳过观察 GAE（Turn-Boundary Skip-Observation GAE, TB-GAE），这一机制能够在应用跨交互回合衰减的同时，保留针对特定 token 的基线，从而更精准地评估策略效果。其次，家族密集奖励（Family Dense Reward, FDR）被用于校准不同任务家族之间的语义进展，确保奖励信号的合理分布。此外，成功优先奖励（Success-Prioritized Reward, SPR）则严格区分了完全成功与有限的部分得分，避免了奖励信号的模糊性。为了协调这两个精炼阶段，系统还引入了预热批评者模型、递归批评者交接以及阶段特定的学习率，确保训练过程的稳定性与高效性。 Terminal-RSI 的训练过程遵循一个五阶段序列，从 Qwen3.8-27B 基础模型出发，依次经过 RSR-1、RPR-1、RSR-2 和 RPR-2 阶段，最终生成 Terminal-RSI-27B 模型。这一递归耦合过程使得每个保留的阶段都能巩固先前发现的行为，并推动智能体能力的阶梯式上升。实验结果展示了该模型在多个基准测试中的显著表现：在 Terminal-Bench 4.0 上取得了 19.84% 的成绩，在 Terminal-Bench 2.1 上高达 86.52%，在 Terminal-Bench 3.0 上为 16.95%，而在更具挑战性的 Terminal-Bench Hard 上则达到了 79.00%。 除了基准测试成绩，Terminal-RSI 在过程奖励和严格完成率方面也取得了实质性突破。在 LHTB 测试中，过程奖励从 0.21 提升至 0.37，严格完成率从 0/46 提升至 5/46。在 SWR100 测试中，成功率更是翻倍，从 3.00% 提升至 6.00%。这些数据表明，通过递归地将验证轨迹重写与继承批评者的策略精炼相结合，智能体能够更有效地从局部优化走向全局解决。 Terminal-RSI 的提出不仅展示了递归自我改进在终端智能体领域的巨大潜力，也为解决复杂任务中的策略更新难题提供了新的视角。它证明了通过精心设计的递归机制和奖励校准，即使是基础模型也能在严格的终端验证任务中实现显著的性能跃升。这一进展提示我们，未来的智能体发展或许不再仅仅依赖模型规模的扩大，更在于如何智能地利用反馈进行自我迭代与精炼。

在大语言模型的后训练阶段，自动化代理正逐渐接管繁琐的工作流程。然而，当这些代理被赋予完整的训练栈控制权时，它们往往不约而同地收敛于监督微调（SFT），并将绝大部分精力耗费在修订训练数据上。现有的自动化系统通常只提供一种单一的控制方式，要么是从固定的数据池中筛选行，要么是直接调用生成器。这与人类数据工程师的工作模式形成了鲜明对比：人类工程师会灵活调整数据比例、修剪冗余、修复错误、替换样本以及合成新数据。AutoSFT 项目正是基于这一洞察，设计了一个涵盖上述所有操作的数据动作空间，旨在探索自动化系统能否执行这一完整范围的动作，以及实现这一目标所需的具体结构。 研究团队首先尝试用单一智能体运行这一循环，结果发现它仅能执行调整类别比例这一种动作。随着搜索过程的深入，其上下文被大量的执行输出填满，导致关键信息在搜索中途被丢弃。为了解决这一瓶颈，团队引入了 AutoSFT，这是一个多智能体系统。在该系统中，一个元智能体将执行与分析分离开来，从独立的角度收集提案，并在数据池无法覆盖某些能力时，调用合成子智能体进行补充。值得注意的是，在每次比较中，模型、训练器和预算都是固定的，确保了实验的严谨性。 逐步添加各个组件带来了显著的性能提升。执行器将上下文丢失减半，解决了信息过载的问题；分析子智能体使 IFEval 基准测试的最佳成绩提升了 6.5 分；而合成子智能体则进一步贡献了 3.4 分的 IFEval 提升和 2.9 分的 IFBench 提升。这一循环同样可以迁移到代码领域，其中分析子智能体在 MBPP+ 基准上比未改进的单一智能体多提升了 3.7 分。所有结果均源自每轮从基础模型重新训练的运行，这意味着每个组件的效果都可以被单独归因和验证。 AutoSFT 的研究发现表明，自动化 SFT 数据研究的成功，更多依赖于覆盖多样化的数据动作，而非依赖某个更强的单一动作。这一结论揭示了自动化系统设计的核心逻辑：通过分工协作和动作空间的全面覆盖，才能有效应对复杂的数据工程挑战。这不仅为当前的模型训练提供了新的技术路径，也暗示了未来人工智能代理在复杂任务处理中，可能需要从“单一能力强化”转向“多动作协同”的范式转变。

在计算机视觉领域，从任意视角直接构建3D场景一直是极具挑战性的任务。传统的基于高斯泼溅（3DGS）的前馈重建方法虽然能直接从输入图像生成3D场景以渲染新视角，但在面对大幅视角变化时，往往难以从预测的几何结构中学习到高质量的高斯属性，导致渲染效果大打折扣。为了解决这一核心痛点，研究团队深入剖析了现有方法在几何与属性学习上的局限性，并推出了InfiniSplat v2。这一新版本通过架构调整与训练策略的创新，显著提升了渲染质量。 InfiniSplat v2的核心突破在于其独特的解耦策略。该方法将几何预测与属性预测分离开来，采用了一个冻结的几何分支，从而避免了几何噪声对属性学习的干扰。在训练过程中，模型利用真实相机位姿来对齐预测的高斯，确保几何结构的准确性。此外，研究团队引入了大角度目标视角监督机制，迫使模型在更极端的视角变化下依然保持渲染的一致性。这一系列改进使得模型在处理复杂场景时更加稳健。 实验结果令人瞩目。在涵盖六个数据集的广泛评估中，InfiniSplat v2在位姿条件和无位姿条件两种设置下，均取得了目前已知方法中最佳的平均LPIPS和DISTS指标。特别是在位姿条件设置下，与最强的基线模型相比，其平均LPIPS降低了25.8%，DISTS降低了32.9%。这一显著的性能提升证明了该方法在保持几何一致性的同时，极大地增强了视觉真实感。 除了性能指标的提升，研究还揭示了一个有趣的发现：仅通过图像重建监督学习到的透明度（opacity）机制，能够有效抑制几何上不一致的点。这意味着模型不仅在视觉上更清晰，在几何结构上也更加干净，去除了那些破坏场景连贯性的噪声元素。InfiniSplat v2的成功表明，通过精细化的架构设计和针对性的训练策略，前馈3D高斯重建完全有能力应对大视角变化带来的挑战，为实时、高质量的3D内容生成开辟了新路径。随着3D生成技术的不断演进，如何在保持计算效率的同时逼近物理真实感，将是未来研究持续探索的方向。

随着Transformer模型规模的不断扩大，它们被部署在各种异构硬件和波动的工作负载中。然而，现有的模型家族通常只提供少数几个固定尺寸（如S、B、L），这迫使用户必须根据硬件和延迟约束预先选定模型。这种刚性在查询负载变化时往往导致次优表现。为了解决这一问题，研究人员提出了一种无需重新训练的方法，能够将预训练的Transformer“弹性化”，使其成为单一模型，能够根据计算预算在连续范围内实时适应。 这项研究的核心贡献在于对功能单元排序问题的可微松弛。与以往针对每个MLP块或注意力头优化单一重要性权重的做法不同，该方法在一个共同的尺度上，联合对每个MLP神经元和注意力头进行排序。通过最小化模型在多种稀疏度目标下的软剪枝损失，该方法能够一次性完成优化。在涵盖27个视觉和文本Transformer编码器（参数量从22M到8B不等）的测试中，该方法在高达60%的稀疏度下实现了平滑的性能退化，并在深度剪枝下优于一次性基线方法。 具体而言，当将DINOv3 ViT-H+/16模型剪枝至50%稀疏度时，移除了427M参数，而ImageNet-1k线性探测准确率仅下降0.8%，且无需权重校正或重新训练。在60%稀疏度下，经过剪枝的AugReg ViT-B/16模型在A100 GPU上实现了高达1.80倍的吞吐量提升和1.26倍的单查询延迟降低。此外，弹性模型的构建仅需几分钟，且构建时间随参数量呈次线性增长。这一突破不仅提升了模型部署的灵活性，也为在资源受限环境下高效运行大规模模型提供了新路径。

在深度学习领域，如何为生成式模型构建高效且高质量的潜在空间分词器（Tokenizer）一直是一个核心挑战。传统方法如DINO和LeJEPA虽然在自监督表征学习方面取得了显著进展，但在面对复杂数据分布时，往往难以避免维度坍缩（dimensional collapse）和特征抑制（feature suppression）等顽疾。近期，一项名为“Generative Representation Learning for Scalable Latent Tokenization”的研究提出了一种全新的自监督表征学习方法，旨在通过生成式视角彻底解决这些问题，并实现计算效率的显著优化。 这项研究的核心创新在于其目标函数的设计。研究者不再单纯依赖对比学习或预测误差，而是通过分解数据的逐点互信息（Pointwise Mutual Information, PMI）来监督表征损失。具体而言，他们利用从学习到的生成模型中获取的条件预测之间的信息差异来估计这一互信息。这种基于信息论的视角不仅赋予了算法坚实的理论基础，更在实证层面展示了其优越性。实验结果表明，当DINO和LeJEPA等主流方法陷入维度坍缩或特征抑制的困境时，这种生成式表征学习方法能够保持表征的丰富性和稳定性，有效避免了这些常见失败模式。 除了稳定性，该方法的另一个亮点在于其卓越的可扩展性（Scalability）。研究团队发现，随着计算资源的增加，潜在分词的质量呈现出可预测的提升趋势。这意味着该方法具有良好的扩展潜力，能够适应更大规模的模型和数据集。更为重要的是，研究首次对分词器与生成模型结合后的整体浮点运算效率（FLOP efficiency）进行了细致分析。结果显示，与直接在像素空间进行扩散生成相比，该方法在计算最优性上实现了显著改进。在使用JiT-L模型时，该方法在ImageNet数据集上取得了2.18的FID-50K分数，证明了其在图像生成质量上的竞争力。 进一步地，研究团队将这种方法应用于ImageNet和文本到图像数据集GPIC，揭示了分词器编码器在“可扩散性”（diffusability）方面的扩展定律。令人瞩目的是，通过外推分析，该方法在ImageNet上仅需DINOv2七分之一的FLOPs即可达到相当甚至更优的表征效果，而在GPIC数据集上，其计算效率更是达到了WebSSL的八分之一。这一发现意味着，在保持高性能的同时，该方法极大地降低了训练和推理的计算成本，为大规模生成式AI模型的高效部署提供了新的路径。 这项研究不仅展示了生成式方法在表征学习领域的独特优势，更通过严格的计算效率分析，证明了其在实际工程应用中的巨大潜力。它提示我们，未来的模型架构设计或许不应仅仅关注单一模块的性能，而应着眼于整个生成流水线的计算最优性。当计算资源成为制约AI发展的关键瓶颈时，这种兼顾表征质量与计算效率的方法，可能成为通往更高效、更强大生成式模型的关键钥匙。