多模态智能体开始递归造自己

Trinity让智能体自造练习、诊断短板并改进任务脚手架，亮点是闭环，风险也在闭环。

深度专题 FEATURES — 3

PAPER HF 108

Hy-Nomas用一句话和镜头操作连续改造视频世界，并努力让每次动作留下后果。

PAPER H 9

WorldPager 把历史记忆分层放进显存、主存和 SSD，让特定世界模型在单张 4090 上连续生成 37.5 分钟。

PAPER HF 16

TAO让GPU排队时也看工具何时返回，把智能体服务从“各排各的”改成联合调度。

速览 BRIEFS — 8

PAPER

DTCA把整段奖励拆到每个Token，帮助扩散语言模型学会谁真正有功。

HF 256

PAPER

把长任务的奖励拆到“哪一轮关键”和“轮内哪些文字有用”，让智能体更会复盘。

HF 380

PAPER

ThinkBit不只把权重压到两比特，还让推理题直接参与量化方案的选择。

H 6

PAPER

WorldFailBench追问：世界模型猜对成败，是否也看懂机器人为何失败。

H 20

PAPER

VLA-HWBench逐段测量机器人端侧推理：动作生成方式比参数量更能决定延迟。

H 1

PAPER

约束 AI 按格式作答，未必拖累推理；公平比较后，反而可能提高可靠性。

H 10 · HF 7

PAPER

RoboJev为机器人操作视频自动判成败，但跨设备表现未胜过原模型。

HF 9

PAPER

缓存明明接上了，却可能一次也没命中：答案照常生成，费用和延迟却在暗涨。

H 1