搜索
香港科技大学 MMSense Lab 的 Visual-Native Agent Harness 通过为图片编号实现跨工具复用，并提出 On-policy Data Evolution（ODE）按 rollout 动态调整出题规则，使 8B 模型八项评测平均准确率从 24.9% 升至 39.0%，该工作获 NeurIPS 2026 接收。
论文中的一道菜单题，看起来只需要做一次简单加法：一张 Funghi 披萨 6.90 欧元，一张 Prosciutto 披萨 7.90 欧元，总价是多少？
看起来像硬质塑料，按下去却十分柔软 —— 当视觉与触觉发生冲突，人类往往会依赖触感修正视觉误区；但现有的多模态模型却常常更相信视觉，从而误判物体的真实物理属性。
「沿着走廊直走，经过左侧玻璃墙后，在拐角左转，继续走到墙边停下来。」
AI agent开始接管终端之后，安全问题也进入了执行现场。当智能体能够读取文件、编写脚本、运行命令，并根据系统反馈持续调整下一步操作，一次错误决策就可能影响真实的文件与系统状态。
深圳市大数据研究院与华为联合研发的ASP被NeurIPS 2026接收，该系统基于昇腾910B3和MindSpeed-RL，以队列感知调度优化多实例异步RL训练，生成吞吐最高提升222%、单轮迭代时间最多降低76%，并将电信百卡集群训练周期从3个多月缩短至约2个月。
Firefly 在 NeurIPS 2026 提出“先探索、后出题”的训练数据合成流程，利用真实 MCP Server 和可离线复现的检索增强模拟器生成5,144个可验证任务，使 Qwen3-4B-Thinking-2507 的 pass@1 从28.1%升至41.5%。
香港中文大学与微软团队提出EchoChat，将感知、心理状态推断与语音回复生成纳入统一优化框架，通过级联门控、SDCA步骤级信用分配和AAA声学注意力约束减少共情推理中的错误传播，相关成果发表于NeurIPS 2026，并发布EchoDialogue-400K数据集与EchoEval评测。
国防科技大学与清华大学团队提出ICRPM（In-Context Risk Predictive Model），利用近期任务—风险记录预测策略更新后的风险，在无需额外rollout或环境交互的情况下提升大模型RLVR、Meta-RL及鲁棒控制中的任务排序与训练效果。
在 LLM/MLLM 领域，基于 verifier 奖励的强化微调（Reinforcement Fine-Tuning, RFT，如 GRPO）在激发复杂推理能力方面展现出显著优势。由于 On-policy 优化的特性，很多研究指出 RFT 相比传统的监督微调（SFT）天然具备更强的抗遗忘能力。