Meta 等提出 Context Language Models，模型自管上下文

本周顶级 AI 论文（9月28日 - 10月4日）： - JAZ - CASD - Agensh - Jev-Mem - AutoGym - Taste-Bench - Context Language Models 继续阅读了解更多：

NVIDIA 发布 Mid-Harness 论文，提出在模型与 harness 之间采样并验证候选动作再执行的测试时计算方法。TerminalBench-Lite 上，GPT-5.6 Sol 验证器从 8 个采样动作中选择时，Pass@1 从 50.0% 升至 68.0%；弱验证器下增加采样几乎无收益。

微软提出 ActiveSaddler，通过自适应调整训练场景来优化 AI 智能体框架（harness）。该方法将反复出现的失败归类为失败模式，以非平稳赌博机方式追踪每种模式的学习价值，动态分配预算在复现已知弱点和探索新弱点之间。在相同优化器下，GAIA2 测试 Pass@1 提升 4.4 分，Terminal-Bench 2.0 提升 7.5 分。

Meta 提出 RankEvolve，通过编译协议约束各研究阶段与门控，让 Claude Code 和 Codex 作为独立节点互相审查修复改动。在同等预算下，双产品组合将执行准确率从单一最佳产品的 45.8% 提升至 62.5%。在开源 HSTU 推荐模型上迭代 12 次，MovieLens-20M 的 NDCG@10 较已发表结果提升 4.48%。

Meta Superintelligence Labs 等机构论文发现，轻量 harness 的基座模型在足够采样下常比 RL 后训练版本解决更多智能体任务，在 BFCL v4 multi-turn、ACEBench 和 WebShop 上，大 K 时基座常解开后者从未解开的任务。

NVIDIA 发布 Long-Transduction 测试框架，让模型在数千次输出中持续读取、更新并输出状态相关结果，分别变化三个因素。在七个开源权重模型上，上下文从 4K 增至 128K 时准确率下降 62.8%，仅改变输入格式下降 36.5%，单步操作变难下降 39.9%。

微软提出免训练方法 FOCUS，在测试时压缩 AI 智能体的交互历史：它判断智能体下一步决策真正依赖哪些历史片段，保留这些片段、丢弃其余部分，无需训练数据或微调，可作为独立层接在闭源 API 模型前。在工具调用、QA、网页与多轮对话基准上，FOCUS 将峰值上下文最多削减 48%，任务成功率最多提升 8.9 个百分点。

Meta Superintelligence Labs 提出用专门的控制器决定智能体下一步该做什么，在相同 worker 和相同预算下，GPT-5.5 的 ProgramBench 成绩从 63.7% 提升到 71.5%，Codex 为 58.0%。

Meta 等机构提出 Context Language Models（CLM），把上下文作为文件让模型用 Bash 自由编辑，自主决定保留、重写或删除内容，并区分于 RLM 不允许模型直接编辑实时交互上下文的做法。zero-shot 下在 BrowseComp-Plus 上比现有上下文管理策略高 11.4% 准确率、省 21.5% FLOPs；在线 RL 使 Qwen3.5-9B 提升 47.6% 且少用 12% FLOPs；配套 Suffix Cache Reuse 相比…

Salesforce AI Research 提出 Critical-State RL，用于多轮工具调用的强化学习训练：当奖励依赖后续轮次时，其变化很大程度来自下游噪声，该方法用嵌套采样分离出当前动作带来的奖励变化，只对选定的关键调用做上下文赌博机更新。在 BFCL v4 缺失函数任务上，训练选定的那一轮可提升约 14 分，而训练其他候选轮则准确率持平或下降。