A Rubric-Supervised Critic from Sparse Real-World Outcomes
从稀疏现实结果中学习的评分监督批评者
AI总结 本文提出了一种从稀疏现实结果中学习的评分监督批评者模型，用于提升编码代理的训练和推理性能。
作者
Graham Neubig
Natural Language Processing
Agent Data Protocol: Unifying Datasets for Diverse, Effective Fine-tuning of LLM Agents
代理数据协议：统一多样化、高效的LLM代理微调数据集
机构 * Carnegie Mellon University（卡内基梅隆大学） ； The Ohio State University（俄亥俄州立大学） ； University of Hong Kong（香港大学） ； Duke University（杜克大学） ； Fujitsu Research（富士通研究） ； All Hands AI（全手AI）
AI总结 本文提出代理数据协议（ADP），通过统一多样化代理训练数据集，提升LLM代理微调效果，实现20%的性能提升并在多个基准上达到SOTA水平。
Real-Time Generation of Game Video Commentary with Multimodal LLMs: Pause-Aware Decoding Approaches
基于多模态大语言模型的实时游戏视频解说生成：暂停感知解码方法
机构 * School of CIT, Technical University of Munich（慕尼黑技术大学计算机信息学院） ； National Institute of Advanced Industrial Science（国家工业科学与技术研究院）
AI总结 本文提出两种基于提示的解码方法，利用多模态大语言模型实现实时游戏视频解说生成，通过动态间隔调整提升时间相关性与内容准确性。
Comments Accepted at LREC2026
Go-Browse: Training Web Agents with Structured Exploration
Go-Browse: 通过结构化探索训练网络代理
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 Go-Browse通过结构化探索方法，利用大规模网络环境数据训练代理，提升任务解决成功率。
Not-Just-Scaling Laws: Towards a Better Understanding of the Downstream Impact of Language Model Design Decisions
并非仅仅的规模法则：迈向更深入理解语言模型设计决策对下游影响的探索
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Language Technologies Institute（语言技术研究所） ； Instituto Superior Técnico (Lisbon ELLIS Unit)（里斯本ELLIS单位（理工学院）） ； Instituto de Telecomunicações（电信研究所） ； NEC Laboratories Europe, Germany（德国NEC欧洲实验室） ； CAIR, Ss. Cyril and Methodius University of Skopje, North Macedonia（北马其顿斯·西里尔和方法ius大学）
AI总结 本研究通过分析92个开源预训练模型，发现结合模型大小和训练token数量以外的特征，可提升对下游性能预测能力，揭示了数据组成和架构决策对模型性能的影响。
CowPilot: A Framework for Autonomous and Human-Agent Collaborative Web Navigation
CowPilot：自主与人机协作的网页导航框架
机构 * School of Computer Science, Carnegie Mellon University（计算机科学系，卡内基梅隆大学）
AI总结 CowPilot通过自主与人机协作机制提升网页导航效率，实现95%的任务成功率，减少人类操作步骤至15.2%
Comments Published at NAACL System Demonstration Track, 2025
Journal ref 2025.naacl-demo.17
The Tool Decathlon: Benchmarking Language Agents for Diverse, Realistic, and Long-Horizon Task Execution
工具十项全能：评估语言代理在多样化、真实和长周期任务执行中的基准测试
AI总结 工具十项全能提出了一种新的语言代理基准测试，通过多样化的真实任务和工具评估代理在复杂长周期任务中的表现。
Comments ICLR 2026, Website: https://toolathlon.xyz/
Ambig-SWE: Interactive Agents to Overcome Underspecificity in Software Engineering
Ambig-SWE: 交互式代理以克服软件工程中的不充分性
机构 * Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学）
AI总结 Ambig-SWE研究LLM代理在交互式代码生成中处理不充分指令的能力，通过检测不充分性、提问澄清和利用交互提升性能，发现交互能显著提高74%的性能。
Comments 22 pages, 7 figures, Accepted at ICLR 2026
Hybrid-Gym: Training Coding Agents to Generalize Across Tasks
Hybrid-Gym: 训练能够跨任务泛化的编码代理
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 Hybrid-Gym通过设计合成任务训练编码代理，提升其跨任务泛化能力，在多个基准测试中取得显著效果。
OpenAgentSafety: A Comprehensive Framework for Evaluating Real-World AI Agent Safety
OpenAgentSafety: 一个全面评估现实世界AI代理安全性的框架
机构 * Language Technologies Institute, Carnegie Mellon University（语言技术研究所，卡内基梅隆大学） ； Allen Institute for Artificial Intelligence（人工智能研究院）
AI总结 OpenAgentSafety提出一个全面评估AI代理安全性的框架，通过真实工具和多任务测试揭示代理在现实世界中的安全漏洞，强调需要加强安全防护。
Comments 26 pages, 10 figures, Accepted at ICLR 2026 and IASEAI 2026
Midtraining Bridges Pretraining and Posttraining Distributions
中期训练连接预训练和后训练分布
机构 * Language Technologies Institute, Carnegie Mellon University, USA（语言技术研究所，卡内基梅隆大学，美国）
AI总结 中期训练通过提供更好的初始化提升模型性能，尤其在与通用预训练数据距离较远的领域表现突出，且起始时间和混合权重的相互作用影响其效果。
TOM-SWE: User Mental Modeling For Software Engineering Agents
TOM-SWE：软件工程代理的用户心理建模
机构 * Language Technology Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
AI总结 TOM-SWE通过双代理架构实现用户心理建模，提升软件工程代理的任务成功率和用户满意度。
Gained in Translation: Privileged Pairwise Judges Enhance Multilingual Reasoning
翻译中获益：特权成对评判增强多语言推理
机构 * Carnegie Mellon University, Language Technologies Institute（卡内基梅隆大学语言技术研究所） ； Carnegie Mellon University, Robotics Institute（卡内基梅隆大学机器人研究所） ； Carnegie Mellon University, Software and Societal Systems Department（卡内基梅隆大学软件与社会系统系）
AI总结 SP3F通过自我扮演和特权成对反馈提升多语言推理能力，无需目标语言数据，有效提升模型在多语言任务中的表现。
Comments Code available at https://github.com/lintangsutawika/SP3F
Everybody Prune Now: Structured Pruning of LLMs with only Forward Passes
人人都现在剪枝：仅前向传递的LLM结构剪枝
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Google Research（谷歌研究）
AI总结 Bonsai通过仅前向传递的扰动剪枝方法，实现了无需反向传播的高效结构化剪枝，显著降低内存和计算成本，同时提升模型压缩效率和性能。
Comments 19 pages, 6 fiigures, 16 tables
Training Versatile Coding Agents in Synthetic Environments
在合成环境中训练多功能编码代理
机构 * Tsinghua University（清华大学） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 SWE-Playground通过从头生成项目和任务，训练多功能编码代理，能够处理更广泛的编码任务并提升性能。
On the Interplay of Pre-Training, Mid-Training, and RL on Reasoning Language Models
在预训练、中训练和强化学习对推理语言模型的相互作用中
机构 * Carnegie Mellon University, Language Technologies Institute（卡内基梅隆大学，语言技术研究所）
AI总结 研究探讨了预训练、中训练和强化学习在推理语言模型中的相互作用，发现RL需预训练留有余地才能提升能力，中训练提升性能，过程级奖励提高推理准确性。
ClusterFusion: Hybrid Clustering with Embedding Guidance and LLM Adaptation
ClusterFusion: 嵌入引导的混合聚类与LLM适应
机构 * Adobe（Adobe公司） ； Carnegie Mellon University（卡内基梅隆大学）
AI总结 ClusterFusion通过将LLM作为聚类核心，结合嵌入引导方法，实现领域知识与用户偏好的整合，提升文本聚类在标准任务和特定领域的性能。
Checklists Are Better Than Reward Models For Aligning Language Models
检查表比奖励模型更能对齐语言模型
机构 * Carnegie Mellon University（卡内基梅隆大学）
AI总结 本文提出基于检查表反馈的强化学习方法，通过灵活的指令特定准则提升语言模型的指令遵循能力，在多个基准测试中均取得性能提升。
Comments Presented at NeurIPS 2025
RefineBench: Evaluating Refinement Capability of Language Models via Checklists
RefineBench: 通过检查表评估语言模型的细化能力
机构 * KAIST（韩国科学技术院） ； Carnegie Mellon University（卡内基梅隆大学） ； NVIDIA（英伟达） ； Independent Researcher（独立研究者）
AI总结 RefineBench通过检查表评估语言模型的细化能力，发现指导细化能显著提升响应质量，而自我细化则需进一步突破。
Comments Project website: https://passing2961.github.io/refinebench-page/
Unsupervised Discovery of Long-Term Spatiotemporal Periodic Workflows in Human Activities
无监督发现人类活动中的长期时空周期性工作流
机构 * Fujitsu Research of America, USA（美国富士通研究机构） ； Fujitsu Limited, Japan（日本富士通有限公司） ； Carnegie Mellon University, USA（美国卡内基梅隆大学）
AI总结 本文提出首个包含长期周期性工作流的基准，通过轻量级基线实现无监督检测和异常检测，显著优于现有方法并具备实际部署优势。
Comments accepted to WACV 2026
CAIRe: Cultural Attribution of Images by Retrieval-Augmented Evaluation
CAIRe：通过检索增强评估进行图像文化归因
机构 * BITS Pilani（比斯·皮兰大学） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Santa Barbara（加州大学圣巴巴拉分校）
AI总结 CAIRe通过检索增强评估方法，评估图像在不同文化标签下的相关性，有效衡量文化偏见，提升跨文化公平性。
Comments Preprint, under review
EDIT-Bench: Evaluating LLM Abilities to Perform Real-World Instructed Code Edits
How Do AI Agents Do Human Work? Comparing AI and Human Workflows Across Diverse Occupations
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学）
TowerVision: Understanding and Improving Multilinguality in Vision-Language Models
机构 * Instituto Superior Técnico, Universidade de Lisboa（里斯本大学技术高级学院） ； Instituto de Telecomunicações（电信研究所） ； Carnegie Mellon University（卡内基梅隆大学） ； Sword Health（Sword健康） ； TransPerfect ； MICS, CentraleSupélec, Université Paris-Saclay（MICS，中央圣艾尔布里大学，巴黎萨克雷大学） ； ELLIS Unit Lisbon（里斯本ELLIS单位）
Comments 15 pages, 7 figures, submitted to arXiv October 2025. All models, datasets, and training code will be released at https://huggingface.co/collections/utter-project/towervision
Oolong: Evaluating Long Context Reasoning and Aggregation Capabilities
Comments Preprint
Accumulating Context Changes the Beliefs of Language Models
Training Proactive and Personalized LLM Agents
机构 * Carnegie Mellon University（卡内基梅隆大学） ； OpenHands
Prompt-MII: Meta-Learning Instruction Induction for LLMs
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Language Technologies Institute（语言技术研究所）
M-Prometheus: A Suite of Open Multilingual LLM Judges
Does Math Reasoning Improve General LLM Capabilities? Understanding Transferability of LLM Reasoning
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pennsylvania（宾夕法尼亚大学） ； University of Washington（华盛顿大学） ； M-A-P ； The Hong Kong Polytechnic University（香港理工大学）
