Recovering Wasted Compute in Autoresearch Agents
恢复自动研究智能体中浪费的计算资源
机构 * Columbia University（哥伦比亚大学） ； Georgetown University（乔治城大学） ； Capital One（第一资本金融公司）
AI总结 本文针对自动研究智能体应用于表格数据集时的四类计算资源浪费问题，提出针对性干预措施，仅通过优化智能体设计即可大幅提升其性能。
高校专区
Columbia University（哥伦比亚大学）
HSMLA: Hierarchical Softmax Multi-scale Linear Attention for Efficient Vision Transformers
HSMLA：用于高效视觉Transformer的分层Softmax多尺度线性注意力
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学） ； The University of Melbourne（墨尔本大学）
AI总结 针对视觉Transformer高分辨率密集预测的计算开销问题，提出HSMLA，结合多类注意力机制与深度卷积，在多项任务上实现精度与效率的优异平衡。
CoEvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification
CoEvoSkills: 通过共进化验证实现自进化代理技能
机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） ； MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； McGill University（麦吉尔大学） ； Columbia University（哥伦比亚大学） ； Zhejiang University（浙江大学） ； University of British Columbia（不列颠哥伦比亚大学）
AI总结 本文提出CoEvoSkills框架，使代理能自主生成复杂技能包，通过共进化验证提供反馈，实现在SkillsBench上最高通过率和强泛化能力。
Comments COLM accepted
On The Statistical Limits of Self-Improving Agents
关于自我改进智能体的统计极限
机构 * Columbia University（哥伦比亚大学）
AI总结 研究探讨了自我改进智能体的统计极限，揭示了效用驱动的自我修改可能引发的学习能力下降问题，并提出了容量有界条件下的安全自我改进边界。
Comments Published in TMLR 2026
