Meta 新论文发现，强化学习后训练让智能体首次尝试表现更好，但在最多 128 次尝试中能找到解的任务反而更少。研究在 3 个智能体基准上测试了 14 组基础模型与后训练模型，并构建了 PTGS 采样器，对困难提示提高温度、对简单提示降低温度。在 WebShop 上，gemma-4-31B 基础模型在 128 次尝试内解决超过 85% 的任务，后训练版本为 56%；作者提出的 Sharpening Tax 在 42 组模型与基准组合中有 36 组为正，意味着覆盖率缩小。作者建议为可重试的智能体选型时，应衡量模型最终能解多少任务，而不只看首次准确率。
匹配字段标题
普林斯顿与 Meta 的新论文提出 Self-Direction 方法，让失败的智能体反思本次运行，并把教训训练进一个约为模型大小 0.02% 的 LoRA 适配器，之后由路由器在遇到类似失败时加载最接近的适配器。在 Qwen3.6-27B 上，GAIA 任务成功率从 38.8% 提升到 55.8%，优于上下文反思和 Skills.md 文件方案。在 185 个此前出现过的错误中，到第三次遇到时仍有 67.3% 的修复生效，而单纯重试为 42.9%。
匹配字段标题
Meta 公布 Catching JiTTests 的生产部署结果，该系统用 LLM 为待合入的代码变更自动生成可执行测试，在代码合入前暴露缺陷。系统采用意图感知和 dodgy diff 两条工作流，并用 LLM-as-Judge 集成与规则方法 RubFake 过滤误报，同时以 human-on-the-loop 方式减少人工逐条审核。Meta 称已有 589 名工程师参与，真阳性率为 60%，2026 年上半年在 diff 阶段捕获 74 个严重隐私 SEV，使该类问题整体发生率下降 20%。
匹配字段标题
Meta发表论文,研究强化学习后训练对智能体多次尝试表现的影响。研究在3个智能体基准上测试了14组基础模型与后训练模型,并构建PTGS采样器,对困难提示提高温度、对简单提示降低温度。结果显示,后训练让智能体首次尝试表现更好,但在最多128次尝试中能找到解的任务反而更少。在WebShop上,gemma-4-31B基础模型在128次尝试内解决超过85%的任务,后训练版本为56%。作者提出的Sharpening Tax在42组模型与基准组合中有36组为正,意味着覆盖率缩小。作者建议为可重试的智能体选型时,应衡量模型最终能解多少任务,而不只看首次准确率。
匹配字段标题
Meta发表论文,研究强化学习后训练对智能体多次尝试表现的影响。研究在3个智能体基准上测试了14组基础模型与后训练模型,并构建PTGS采样器,对困难提示提高温度、对简单提示降低温度。结果显示,后训练让智能体首次尝试表现更好,但在最多128次尝试中能找到解的任务反而更少。在WebShop上,gemma-4-31B基础模型在128次尝试内解决超过85%的任务,后训练版本为56%。作者提出的Sharpening Tax在42组模型与基准组合中有36组为正,意味着覆盖率缩小。作者建议为可重试的智能体选型时,应衡量模型最终能解多少任务,而不只看首次准确率。
匹配字段标题
2026年10月30日,Rohan Paul发文介绍普林斯顿与Meta关于AI智能体持续改进的新论文。该论文提出Self-Direction方法:让失败的智能体反思本次运行,把教训训练进约为模型大小0.02%的LoRA适配器,之后由路由器在遇到类似失败时加载最接近的适配器。在Qwen3.6-27B上,GAIA任务成功率从38.8%提升到55.8%,优于上下文反思和Skills.md文件方案;在185个此前出现过的错误中,到第三次遇到时仍有67.3%的修复生效,而单纯重试为42.9%。目前该介绍尚无后续发展。
匹配字段标题
2026年10月30日,Rohan Paul发文介绍普林斯顿与Meta关于AI智能体持续改进的新论文。该论文提出Self-Direction方法:让失败的智能体反思本次运行,把教训训练进约为模型大小0.02%的LoRA适配器,之后由路由器在遇到类似失败时加载最接近的适配器。在Qwen3.6-27B上,GAIA任务成功率从38.8%提升到55.8%,优于上下文反思和Skills.md文件方案;在185个此前出现过的错误中,到第三次遇到时仍有67.3%的修复生效,而单纯重试为42.9%。目前该介绍尚无后续发展。
匹配字段标题
Meta公布Catching JiTTests的生产部署结果:该系统用大语言模型为待合入的代码变更自动生成可执行测试,在代码合入前暴露缺陷。系统采用意图感知和dodgy diff两条工作流,并用LLM-as-Judge集成与规则方法RubFake过滤误报,同时以human-on-the-loop方式减少人工逐条审核。Meta称已有589名工程师参与,真阳性率为60%;2026年上半年在diff阶段捕获74个严重隐私SEV,使该类问题整体发生率下降20%。
匹配字段标题
Meta 新论文提出 RSD 方法，让 AI 智能体在知道任务结局后回看每一步，从没人标注对错的历史尝试中学习。在 ScienceWorld 上，Qwen3-14B 的成功率从 12.9% 升到 20.6%；在 ALFWorld 上，Qwen3-8B 达到 76.6%，超过所有被测方法，包括那些获得奖励或标准答案的方法。作者建议保留智能体未标注的运行记录（包括失败），每轮重新生成回看笔记，因为冻结笔记到第 3 轮时 ALFWorld 成功率停在 59.7%，而每轮更新笔记时为 67.9%。
匹配字段标题
Meta 从更大的 Muse Spark 蒸馏出稠密 30B 模型 Muse Glimmer，用模拟应用中的合成智能体轨迹训练，4-bit 权重不到 20 GB，可在单张 RTX 5090 上运行。在多工具测试 MCPAtlas 上它得 75.5，高于 Gemma4-31B 的 54.2 和 Qwen3.6-27B 的 62.5；但在 OSWorld-Verified 上以 65.9 落后于 Qwen3.6-27B 的 75.6。
匹配字段标题
Meta 新论文指出，主动式助手（如 AI 眼镜）的失败点在于自主判断何时开口，而不只是说什么。团队构建了 ProPerMem 基准，用第一视角视频搭配平均 618K token、干扰丰富的全年记忆，并设有人工核验的触发窗口。所有基线得分最高仅 15%，即便使用检索增强记忆的前沿模型也是如此；在窗口内提供 oracle 证据时 GPT-5.3-Chat 达到 96%，但让它自行选择时机后降至 38%，加入检索后降至 15%。同时把握内容与时机并减少触发频率，可把准确率从不足 10% 提升到 42.4%。
匹配字段标题
Meta 发布 Muse Glimmer 技术报告，这是一个 30B 开源权重模型，面向消费级硬件上的智能体任务。该模型在 4-bit 精度下可在 Mac 或 PC 的单张消费级 GPU 上以实用速度运行，在工具使用和多步规划上领先同规模开源模型。报告涵盖模型架构、蒸馏配方和量化等内容。
匹配字段标题
Meta 发布 30B 开源权重模型 Muse Glimmer 的技术报告，该模型面向消费级硬件上的智能体任务，在单张消费级 GPU 上以 4-bit 精度运行，在工具调用和多步规划上领先同规模开源模型。转述者补充称，该模型部分指标超过 Qwen3.6-27B 和 Gemma4-31B，4-bit 量化后约 17GB，目标在 24GB 显存设备上运行，采用 DFlash 推测解码在 RTX 5090 上约 233 tokens/s，相比普通解码提速约 3.1 倍。
匹配字段标题
Meta 新论文让权重冻结的智能体在象棋、围棋、Hex 和 NetHack 中反复改写自己的工具与笔记，再用留存对局表现和每美元学习成本衡量其可塑性。在困难象棋中，Claude Fable 5 的留存对局胜率从 37.5% 升到 73.3%；在象棋、围棋和 Hex 上，GPT-5.6 Sol 每 1000 美元学习成本提升 298 分，Claude Fable 5 为 57 分。作者建议评测自我改进型智能体时跟踪留存学习曲线与成本，并检查智能体是否真正用上了自己保存的内容。
匹配字段标题
Meta 表示正在探索 AI 加速健康科学研究，为此搭建了一个由 Muse Spark 1.3 和 Muse Wonder 驱动、人类主导的研究脚手架，可访问 500 万份回顾性去标识电子健康记录和公开数据。一组医学专家使用该系统开展原创研究，加速假设生成、代码执行和手稿撰写，同时保留对科学决策的完全决定权。Meta 当天公开了由此产出的 10 篇研究手稿，覆盖心脏病学、肿瘤学、传染病、急诊医学等领域。
匹配字段标题
Meta 新论文提出 GitSwarm，让多个相同智能体在共享 Git 仓库上协作，没有调度者分配任务，每个智能体读取过往工作、选择尝试方向，并提交结果及所依赖的早期 commit，包括其他分支的 commit。在 ProgramBench 的 50 个程序重建任务上，GitSwarm 得分 79.4%，而单个 Codex 智能体在相近算力下持续工作最高为 65.1%；后续智能体建立在 94.7% 的已保存贡献之上。论文指出，多数给智能体增加算力的方式把每次运行视为独立，运行结束后部分结果和失败都会消失。
匹配字段标题
东京都立大学一篇新论文发现，AI 文本检测器 Pangram 漏掉了 79.8% 由 Meta 的 Muse-Glimmer 改写的科学摘要，同时只把 5000 篇人类摘要中的 1 篇误判为 AI 生成。Pangram 的漏检率主要取决于改写所用的 LLM 版本，它能识别 93.5% 的 GPT-5 改写内容。
匹配字段标题
Meta 称数学家通过常规聊天界面在 Thinking Mode 下与 Muse Spark 1.1 和 1.2 协作，在无定制研究框架的情况下完成六篇开放数学问题的论文，涵盖概率、微分方程、群论、优化、算术物理和非结合代数。每篇论文由数学家主导研究、另一组数学家评审，并标注哪些段落主要由人类或 AI 起草。其中群论论文由 Muse Spark 生成搜索代码找到反例，团队验证结果并完成证明。
匹配字段标题
Meta 公布六篇由数学家与 Muse Spark 1.1、Muse Spark 1.2 在 Thinking Mode 下协作完成的论文，覆盖概率、微分方程、群论、优化、算术物理和非结合代数六个方向。这些协作通过普通聊天界面进行，没有定制研究脚手架，由数学家主导研究、另一组数学家复核，每篇论文标注哪些段落主要由人类或 AI 起草，并注明所依据的先前研究。Meta 表示目标不是批量生产论文，而是赋能研究者。
匹配字段标题
Meta 发布 Muse Realtime Voice 与 Muse Realtime Avatar，二者通过共享语音 token 流组成统一流式架构，前者生成编码内容与韵律的语音 token，后者消费同一流并生成流式视频。系统以固定长度历史作为后续分块的动作上下文，在任意对话长度下保持有界计算，同时生成同步的语音、唇动与表情。团队将带 3-way CFG、每段视频需 120 次评估的 40 步扩散教师模型蒸馏为无引导的 2 步因果学生模型，配合固定长度 KV cache 与 self-forcing，以少 60 倍的评估次数接近教师质量；在自家实时通话产品中与两个商用化身系统对比，Muse Realtime Avatar 在整体偏好上领先。
匹配字段标题