候选生成策略如何影响 LLM 测试时扩展的能耗与性能

针对长程任务中强化学习奖励稀疏的问题，研究者提出环境侧适配范式，构建反馈增强环境（FEEs），在幕内探索与幕间演化的后期将反馈从动作引导转向观察丰富化。基于Qwen3多种规模模型及GRPO、GSPO、DAPO等RL算法在SciWorld和BFCL基准上的大规模实验显示，FEEs相较标准设置持续带来性能提升，并稳定训练动态、促进主动探索、将环境引导内化至策略权重。

A*-Thought-V2 将思维链建模为隐藏状态轨迹，通过显式-隐式交错潜在架构替代硬删除，用 3D PCA 空间中的方向角判断推理步骤去留。在 Qwen3.5-9B 和 Qwen3.6-27B 上，该方法平均准确率最高提升 2.6%，响应长度缩短近一半，Accuracy per Computation Unit 提升 2.29 倍，预处理和训练时间分别减少 94.6% 和最高 80.3%。

Thousand Token Wood v2使用四个不同实验室的小模型（gpt-oss-20b、MiniCPM3-4B、Nemotron-Mini-4B及微调Qwen 0.5B）驱动金融模拟游戏的智能体。核心发现是异构服务层摩擦在于vLLM 0.22.1需CUDA工具包，而非模型本身。通过容忍性JSON解析层，添加模型只需一条配置。信息隔离确保内幕标志不在提示词中，扫描测试验证无泄露。记忆用情绪摘要截断避免淹没。微调0.5B模型实现0%自成交、100%有效报价，真相防火墙零…

开发者用Qwen2.5-3B构建了五人森林生物多智能体经济体，每个智能体独立运行，通过vLLM部署在Modal，以Gradio为交互窗口。3B模型在100%调用中输出有效JSON，但经济判断能力弱。通过设计稀缺性（食物品种限制、易腐坏、冬季燃料危机）和优化提示词（禁止买入自产物品、给出示例）提升决策质量。15轮模拟中，蜜价从10跌至3、柴价从4涨至7、财富基尼系数从0.14扩至0.38。项目展示了小模型可靠格式化与不可靠推理之间的工程填补。

MachinaCheck是一款基于多智能体AI的系统，旨在革新小型CNC机加工车间的报价分析流程。传统上，车间经理需花费30-60分钟手动分析图纸，而该系统在上传STEP文件及材料、公差等简单输入后，能在30秒内生成完整的可制造性报告，明确指出零件能否制造、所需工具及生产前需采取的行动。其核心在AMD MI300X加速卡上本地运行Qwen 2.5 7B模型，利用192GB HBM3显存确保客户设计数据无需离开本地，满足了制造业对数据隐私的严格要求。系统采用五组件流水线，结合…

Qwen3.8-Flash-Next

研究提出 ActObs，在 SFT 阶段除动作 token 外也监督轨迹中已有的观测 token，不增加数据、参数、序列长度或前向计算。

GPT-Policy 是一个面向上下文机器人学习的通用智能体框架，由上下文编译器、提出机器人工具动作的 VLM 和验证并执行动作的受限控制器组成，无需梯度更新或改动任务专属参数。真机试验中，人类视频演示即使没有机器人动作标签也能提升任务完成度，对齐的动作参考在接触敏感任务上带来进一步提升。

一项研究让拟人手用同一组手指完成移动、支撑体重与环境交互，且保留原有手指设计与位置控制器。该方法用强化学习应对手指不均衡问题，并在依据硬件测量校准的模拟器中训练，其奖励公式下的移动速度快于为四足机器人调优的奖励。硬件上，任务专用策略实现了无缆爬行、转向与跌倒恢复，还能在无视觉条件下执行连续键盘指令，并借助俯视视觉反馈将物体推至目标。

研究提出一种推理架构，将设计方向作为显式中间决策，通过预生成带典型性评分的结构化设计规范、外部选择器采样、下游生成器在固定设置下实现所选规范，从而把探索与实现分离。