Täglich kuratierte KI-Forschungspapiere mit Übersetzungen
Die Auswahl von Optimierern für das Training großer Modelle ist zu einer systemweiten Designentscheidung geworden, die gemeinsam durch Rechenleistung, Speicher, Optimierungsbudget und Aufgabenvielfalt eingeschränkt wird – dennoch bleibt die Landschaft von über hundert Methoden fragmentiert. Wir präsentieren daher OmniOpt, ein einheitliches Übersichts- und Benchmark-Kochbuch von Optimierern für die Forschungsgemeinschaft. OmniOpt stützt sich auf vier gekoppelte Komponenten. Erstens behandeln wir jede Optimiereraktualisierung als eine strukturierte Transformation durch eine fünfstufige Meta-Pipeline und zeigen, dass die meisten Methoden nur eine oder zwei dieser Stufen betreffen. Zweitens verwenden wir normbeschränkte lineare Minimierungsorakel (LMOs), um verschiedene Optimierer zu vereinheitlichen. Drittens begründen diese beiden Ansichten eine zweidimensionale Taxonomie, wobei eine Dimension jede Methode einer Mechanismusfamilie zuordnet und die andere die messbaren Trainingsziele erfasst, die sie zu verbessern versucht. Viertens, und im Kern dieser Arbeit, instantiieren wir die vollständige Taxonomie in einem einheitlichen, bereichsübergreifenden Benchmark, der repräsentative Optimierer, Modellgrößen und Trainingsregime vom Sprachmodell-Vortraining bis zur Bildklassifikation umfasst. Dabei analysieren wir systematisch jede Methodenfamilie hinsichtlich mehrerer Effektziele und legen ihre jeweiligen Abwägungen dar. OmniOpt versorgt die Forschungsgemeinschaft somit mit einem operativen Koordinatensystem zur Auswahl von Optimierern unter expliziten Mechanismus- und Zielannahmen und zeigt eine Richtung für die zukünftige Entwicklung der Optimierergemeinschaft auf.
Jüngste Fortschritte bei multimodalen Fundamentmodellen und Agentensystemen haben GUI-Agenten von der Aufgabenausführung auf einer einzelnen Plattform hin zur plattformübergreifenden Interaktion geführt. Der Aufbau von Multi-Plattform-GUI-Agenten bleibt jedoch herausfordernd. Einerseits sind qualitativ hochwertige und ausführbare plattformübergreifende Interaktionstrajektorien nach wie vor rar, und vorhandene Daten leiden oft unter einer begrenzten Plattformabdeckung. Andererseits weisen verschiedene Plattformen unterschiedliche Interaktionskonventionen auf, sodass gemeinsames oder kontinuierliches Training anfällig für eine Vermischung von Verhaltensmustern, einen Abbauf plattformspezifischer Fähigkeiten und katastrophales Vergessen ist. Um diese Herausforderungen zu bewältigen, konstruieren wir Uni-GUI, einen hochwertigen plattformübergreifenden GUI-Interaktionsdatensatz, und schlagen UI-MOPD vor, die erste Methode, die Multi-Teacher-On-Policy-Destillation in kontinuierliches Lernen für GUI-Agenten integriert. UI-MOPD wählt dynamisch einen plattformspezifischen Lehrer basierend auf der aktuellen Umgebung aus und überträgt plattformspezifische Verhaltensprioritäten durch plattformkonditionierte Destillation auf eine gemeinsame Policy, wodurch eine Anpassung an neue Plattformen unter Beibehaltung der Fähigkeiten auf bestehenden ermöglicht wird. Experimente auf OSWorld und MobileWorld zeigen, dass UI-MOPD Aufgaben-Erfolgsraten von 38,2 % bzw. 12,0 % erzielt, was seine Wirksamkeit bei der Balance zwischen plattformübergreifender Fähigkeitserhaltung und Anpassung an neue Plattformen belegt. Projektseite: https://elispectre.github.io/UI-MOPD/.
Die Forschungsverbreitung – die Umwandlung einer wissenschaftlichen Arbeit in ein Poster, ein Vortragsvideo und einen Blogbeitrag – ist noch immer eine manuelle letzte Meile. Bisherige Automatisierungen behandeln jedes Artefakt isoliert, extrahieren die Arbeit jedes Mal von Grund auf neu, liefern meist unidirektionale Darstellungen, die der Autor nicht in PowerPoint oder Word wieder öffnen kann, und bewerten die Qualität anhand weicher VLM-Präferenzwerte, die stagnieren, während tragende Abschnitte immer noch leer wirken. Wir argumentieren, dass diese letzte Meile am besten als eine Zusammensetzung von Fähigkeiten aufgebaut wird: dünne, agentenlesbare Verträge, die einen vorgeschalteten Extraktor gemeinsam nutzen und deterministische Primitive in einen messbaren Befüllungszyklus einbetten, dessen Ausgänge harte Bestehen/Nichtbestehen-Render-Gates sind. Wir setzen dies als ResearchStudio-Reel um, fünf Claude Code und Codex Fähigkeiten, organisiert in einen gemeinsamen Extraktor (Paper2Assets), drei editierbare Generatoren (Paper2Poster, Paper2Video, Paper2Blog) und eine interaktive Konvergenzschicht (Paper2Reel). Paper2Assets extrahiert jede Arbeit einmalig in ein gemeinsames Bündel, das von jeder nachgelagerten Fähigkeit wiederverwendet werden kann. Die drei Generatoren erstellen ein druckfertiges Poster, ein synchronisiertes Vortragsvideo und einen zweisprachigen Blog, die faktisch konsistent bleiben und den Hin- und Rückweg durch PowerPoint oder Word ermöglichen. Paper2Reel bindet dann alle drei in einen eigenständigen HTML-Viewer ein, bei dem Klicks auf Abschnittsebene das Video, die Folien, die Untertitel und den Blog zum passenden Inhalt springen lassen. Im Paper2Poster-Benchmark führen unsere Poster jedes ästhetische und informationelle Unterkriterium sowohl gegenüber früheren automatisierten Systemen als auch gegenüber einmaligen Front-LLMs an, übertreffen unter zwei zurückgehaltenen VLM-Bewertern die Ästhetik der Autoren selbst und gewinnen insgesamt bei 84% bis 93% der Arbeiten. Fähigkeitsaudits zeigen zudem, dass ResearchStudio-Reel – durch die einzigartige Kombination von erzählungsausgerichteten Folienhervorhebungen mit einem zweisprachigen Blog, der durch layoutbewusste DOCX-Reparatur abgesichert ist – die einzige Pipeline ist, die alle drei bearbeitbaren Artefakte ausliefert. Das Projekt ist verfügbar unter https://aka.ms/ResearchStudio.
3D-Rekonstruktion und -Generierung werden üblicherweise durch separate Paradigmen behandelt: pixelbasierte Regression für die Rekonstruktion und latente Diffusion für die Generierung. Neuere Arbeiten versuchen, diese im latenten Raum zu vereinheitlichen, weisen jedoch bemerkenswerte Nachteile auf: Das Diffusionsziel ist auf latenten Merkmalen statt auf der zugrunde liegenden 3D-Repräsentation definiert, und beide Zweige leiden unter dem Informationsverlust, der durch die latente Kodierung entsteht, während ein vortrainierter variationaler Autoencoder (VAE) oder Repräsentations-Autoencoder (RAE) erforderlich ist. In dieser Arbeit formulieren wir diese beiden Aufgaben unter einem einheitlichen Diffusionsparadigma im Pixelraum neu und stellen PixWorld vor, ein einzelnes Modell, das sowohl 3D-Rekonstruktion als auch Generierung gemeinsam adressiert. Indem die Diffusion direkt auf gerenderten Bildern überwacht wird, beseitigt PixWorld die oben genannten Einschränkungen und richtet die Optimierung an der Wiedergabetreue der 3D-Szene aus. Über die photometrische und perzeptuelle Überwachung hinaus, die auf der Ebene von 2D-Bildern operiert und kein 3D-Geometriebewusstsein besitzt, führen wir zudem einen Geometrie-Wahrnehmungsverlust ein, der gerenderte Ansichten mit ihren Ground-Truth-Ansichten im geometriebewussten Merkmalsraum eines vortrainierten 3D-Grundlagenmodells abgleicht und so eine 3D-strukturelle Überwachung bereitstellt. PixWorld übertrifft durchgängig frühere Methoden der Generierung im latenten Raum und erreicht die Leistung modernster Rekonstruktionsmethoden, was die Überlegenheit eines einheitlichen Ansatzes im Pixelraum demonstriert.
Große Sprachmodelle haben die Forschungsideenfindung zunehmend zugänglich gemacht, doch eine effektive Ideenentwicklung erfordert mehr als die Generierung von Kandidatenrichtungen. Forscher müssen ein Problem in der aktuellen Literatur verankern, sinnvolle Engpässe identifizieren, sich von bestehenden Lösungen abgrenzen und Risiken bewerten, bevor sie sich für eine Umsetzung entscheiden. Wir stellen ResearchStudio-Idea als eine wiederverwendbare Fähigkeitensuite für diese erste Meile der Forschungsideenfindung vor. Die Suite umfasst Paper-Search, eine eigenständige, multi-quellenbasierte Literaturrecherche-Fähigkeit; Scoop-Check, einen eigenständigen Kollisionsprüfer für bereits vorhandene Arbeiten hinsichtlich Neuheitsbehauptungen; sowie IdeaSpark, die durchgängige Fähigkeit, die Evidenzfundierung, mustergeführte Generierung, Kollisionsabfrage, Prüfung und Ideenkarten-Darstellung in einem Workflow vereint. IdeaSpark wurde auf Basis eines Korpus von 1.947 maschinenlernbezogenen Konferenzbeiträgen aus ICLR, ICML und NeurIPS zwischen 2021 und 2025 erstellt, darunter Oral-Beiträge, eine separat erfasste Teilmenge mit hohen Zitationszahlen sowie abgelehnte Einreichungen. Die Analyse dieser Ergebnisse offenbart 31 wiederkehrende Submuster der Ideenfindung, die zu 15 wiederverwendbaren Ideenfindungsmustern zusammengefasst wurden. Jedes Muster ist als strukturierte Karte operationalisiert, die Forschungskontexte, Engpasstypen, Differenzierungsstrategien, unterstützende Präzedenzfälle und häufige Fehlermodi enthält. Ausgehend von einem Forschungsproblem und einem Evidenzbündel bewertet IdeaSpark die Evidenzbereitschaft, rekonstruiert den umgebenden Forschungskontext, identifiziert ungelöste Engpässe, wählt relevante Muster aus, instanziiert eine Kandidatenrichtung, ruft potenziell widersprüchliche Vorarbeiten ab und führt eine ergebnisinformierte Prüfung durch. Dieser Workflow verwandelt wiederverwendbare Ideenfindungsmuster in nachvollziehbare Forschungsvorschläge. Blinde automatisierte Bewertungen zeigen, dass IdeaSpark konsistent stärkere Forschungsvorschläge als Basislinien ohne Fähigkeit und mit allgemeiner Fähigkeit produziert, während eine wettbewerbsfähige Neuheit erhalten bleibt.
Konzeptentfernung zielt darauf ab, ein Zielkonzept aus einer Repräsentation zu entfernen, während die anderen darin kodierten Informationen erhalten bleiben. Dies ist schwierig, da Repräsentationen viele Konzepte kodieren, die oft mit dem Entfernungsziel korreliert sind, sodass die Entfernung des Ziels diese beschädigen kann. Wir stellen die Manifold Constraint Hypothese (MCH) auf: Wenn natürliche Repräsentationen auf einer strukturierten, niedrigdimensionalen Mannigfaltigkeit konzentriert sind, sollten Interventionen auf diese Mannigfaltigkeit beschränkt werden und andere in der Repräsentation kodierte Informationen während der Interventionen besser erhalten. Wir setzen MCH in einer neuen Methode zur Konzeptentfernung um: MANifold aware Concept Erasure (MANCE). MANCE führt iterative Aktualisierungen der Repräsentationen durch, wobei Signale eines Klassifikators verwendet werden, der ein Zielkonzept vorhersagt. Wir schätzen die Mannigfaltigkeit mithilfe von Repräsentationen, die aus natürlichen Eingaben gewonnen werden, und projizieren dann die Aktualisierung zur Konzeptentfernung auf die geschätzte Mannigfaltigkeit. Wir führen eine umfangreiche Evaluierung in 119 Konfigurationen aus den Bereichen Text und Bild durch, darunter 13 Sprachmodelle, drei NLP-Konzepte und 40 CelebA-CLIP-Attribute. Die Anwendung von MANCE zusätzlich zu früheren Methoden zeigt konsistent verbesserte Leckage-Ergebnisse. Wir führen außerdem MANCE+ und MANCE++ ein, die einen Algorithmus zur geschlossenen Konzeptentfernung vor der Anwendung von MANCE voranstellen, und erzielen damit bessere Abwägungen zwischen Leckage und chirurgischer Genauigkeit im Vergleich zu entsprechenden Aktualisierungen im gesamten Raum. MANCE++, unsere beste Methode, erzielt State-of-the-Art-Ergebnisse bei nichtlinearer Konzeptentfernung. Diese Ergebnisse stützen die MCH im Entfernungskontext: Interventionen sollten auf die natürliche Repräsentationsmannigfaltigkeit beschränkt werden.
Die Evaluierung verkörperter Roboter-Foundation-Modelle bleibt ein kritischer Engpass: Im Gegensatz zu großen Sprachmodellen, die effizient über digitale Benchmarks bewertet werden können, erfordern Robotik-Policies langsame, kostspielige reale Rollouts, die durch Hardware und menschliche Aufsicht eingeschränkt sind. Dies hat das Interesse an Weltmodellen als Ersatz-Policy-Evaluatoren geweckt, doch die wesentlichen Eigenschaften, die ein Weltmodell für die Policy-Bewertung zuverlässig machen, sind noch wenig verstanden. Diese Arbeit präsentiert eine systematische Untersuchung von Weltmodellen zur Bewertung von Roboter-Policies und führt WMBench ein, einen Benchmark, der aus realen Roboter-Teleoperationsdaten und dazu passenden Policy-Rollouts aufgebaut ist und eine breite Palette von Manipulationsaufgaben abdeckt, um kontrollierte Vergleiche zwischen Modellfamilien, Aktionskodierungen, Rollout-Horizonten und Evaluationsmetriken zu ermöglichen. Mit WMBench analysieren wir 7 Video-Weltmodelle, 4 Aktionsrepräsentationsschemata und über 324.000 simulierte Policy-Rollouts, gepaart mit realen Roboterausführungen. Unsere Analyse wird weiter durch groß angelegte Community-Beiträge aus der CVPR 2026 GigaBrain Challenge, kuratierte synthetische Trajektorien und Trainingsvideos mit mehr als 12.000 Stunden angereichert. Unsere Experimente liefern drei Kernbefunde: Die Qualität von Evaluatoren wird eher durch langfristige, aktionstreue Rollout-Konsistenz als durch kurzfristige visuelle Realitätstreue bestimmt; Vortrainingsgewinne resultieren nicht nur aus der Datenmenge, sondern aus der Balance zwischen allgemeinem Weltwissen und roboterspezifischer Steuerbarkeit; und Architekturentscheidungen, einschließlich Aktionskodierung, Gedächtnisdesign und evaluatorzentriertem Post-Training, bestimmen maßgeblich die Übereinstimmung mit realem Roboter-Verhalten. Auf der Grundlage dieser Ergebnisse leiten wir einen praktischen Design-Fahrplan ab und setzen ihn in GigaWorld-1 um, einem speziell für die Policy-Evaluierung optimierten Weltmodell. Wir veröffentlichen vollständig unseren Code, unsere Modelle, Datensätze und Werkzeuge, um die skalierbare Evaluierungsforschung für verkörperte Foundation-Modelle voranzutreiben.
Dichte räumliche Wahrnehmung ist für die physikalische Intelligenz unerlässlich, bei der visuelle Systeme in der Lage sein sollen, aus Pixelbeobachtungen strukturierte, metrische und handlungsrelevante Repräsentationen zu gewinnen. Moderne visuelle Foundation-Modelle neigen dazu, semantische Invarianz zu priorisieren, oft auf Kosten eines detaillierten räumlichen Verständnisses. In dieser Arbeit untersuchen wir das visuelle Vortraining aus einer grenzzentrierten Perspektive, motiviert durch die Prämisse, dass Grenzen und Formdiskontinuitäten wesentliche Hinweise für die Wahrnehmung geometrischer Eigenschaften liefern. Konkret schlagen wir die maskierte Grenzmodellierung vor, ein selbstüberwachtes Paradigma, das dynamisch Subpixel-Grenzrepräsentationen lernt und anschließend die entdeckten grenztragenden Token als maskierte Ziele nutzt, um das Lernen dichter visueller Token zu fördern. Durch die Skalierung dieses Frameworks entwickeln wir LingBot-Vision und demonstrieren dessen Wirksamkeit über eine Vielzahl nachgelagerter Sehaufgaben hinweg, mit DINOv3 als starkem Baseline-Modell. Bemerkenswerterweise treibt LingBot-Vision den Fortschritt von LingBot-Depth 1.0 zu LingBot-Depth 2.0 für die Tiefenvervollständigung voran und liefert dadurch eine verbesserte Tiefenschätzung – eine zentrale Säule der verkörperten künstlichen Intelligenz. Unsere Ergebnisse zeigen, dass Grenzmodellierung über einfache Liniensegmente hinausgeht und stattdessen als skalierbares Vortrainingsprinzip für das Erlernen räumlich strukturierter visueller Repräsentationen dient.
Wir präsentieren Wan-Streamer v0.2, eine latenzerhaltende Weiterentwicklung des nativen Streaming-Modells für eine End-to-End-Audio-Visual-Interaktion. v0.2 behält die Modellierungsformulierung von v0.1 bei, erhöht jedoch den interaktiven Ausgabestrom von 192×336 auf 640×368 und bewahrt dabei eine modellseitige Signal-zu-Signal-Latenz von etwa 200 ms bei 25 FPS. Der höherauflösende Strom unterstützt szenenverankerte Agenten in Halbnahaufnahme, deren Körperhaltung, Blickrichtung, Hände, nahegelegene Objekte und lokale Szenenanordnung während eines Echtzeitgesprächs erkennbar bleiben. Um den größeren visuellen Strom zu unterstützen, ohne zusätzliche, vom Benutzer wahrnehmbare Verzögerung einzuführen, behält v0.2 den Thinker als Single-GPU-Pfad mit niedriger Latenz für das Streaming-Perception, den kurzen Sprach-/Zustands-Transformer-Durchlauf, der den Generierungs-Cache aufbaut, und die finale Dekodierung. Der Performer wird zu einer Multi-GPU-Ulysses-artigen kontextparallelen Gruppe für die teure Generierung der nächsten latenten Einheit. Jeder Performer-Rang schreibt eingehendes K/V in einen vorshardierten lokalen Cache. Die lange hochauflösende latente Videosequenz wird über die Ränge zum Entrauschen aufgeteilt und über Ulysses-Kommunikation zusammengeführt, während die wesentlich kürzere latente Audiosequenz ohne Sequenz-Sharding generiert wird. In dieser Aufteilung erreicht die Sprach-/Zustandsberechnung des Thinkers den Performer nur als K/V-Konditionierung, sodass innerhalb der Performer-Gruppe keine separate Sprachsequenz kommuniziert werden muss. Dies konzentriert zusätzliche Hardware auf die visuelle Generierung, während die kompakte Thinker-Performer-Grenze erhalten bleibt, und hält die gesamte Remote-Interaktionslatenz bei etwa 550 ms, wenn ein bidirektionales Netzwerkbudget von 350 ms berücksichtigt wird.
Wir präsentieren EVA-Client, ein Open-Source-Framework für die Bereitstellung, Datenerfassung und Evaluierung trainierter Manipulationspolicies auf echten Robotern. Als Schnittstelle zwischen einem Policy-Server und der physischen Hardware vereint EVA-Client die realen Roboterschritte des Policy-Iterationszyklus in einer einzigen Codebasis. Es leistet drei Beiträge. Erstens eine komponentenentkoppelte Architektur, bei der Roboter-Backends, Inferenzstrategien und Transport-Middlewares ein orthogonales Raster bilden: Das Hinzufügen eines Roboters oder einer Strategie betrifft nur die eigene Schicht. Zweitens eine überprüfbare Ausführung durch Debug-, Collect- und Eval-Workflows, mit Modi, die von Open-Loop-Simulation bis hin zur kontinuierlichen Echtzeitsteuerung reichen. Drittens dient jeder Evaluierungslauf gleichzeitig als Datenerfassung, indem er vollständige Rollouts in trainingsbereitem Format zusammen mit umfassenden Protokollen und einem Side-by-Side-Vergleichsbetrachter aufzeichnet – so speist jede Evaluierung die nächste Trainingsrunde, anstatt als nicht aufgezeichneter Eindruck zu enden. EVA-Client konsolidiert darüber hinaus wesentliche Echtzeit-Inferenzstrategien – synchrone und asynchrone Ausführung, ACT-artiges temporales Ensembling, Echtzeit-Chunking und eine naive asynchrone Ablations-Baseline – hinter einer einzigen Konfigurationsoberfläche.
Einheitliche Modelle für die Robotermanipulation zielen darauf ab, einem Policy sowohl die semantischen Vorwissen vortrainierter VLMs als auch die durch Zukunftsprädiktion erlernte physikalische Dynamik zu verleihen. In der Praxis neigen bestehende Ansätze dazu, die Semantik des vortrainierten Backbones zu beeinträchtigen, unter Interferenz zwischen heterogenen Zielen zu leiden und die Zukunftsprädiktion von Grund auf im Pixelraum zu erlernen, wodurch die Dynamikvorwissen vortrainierter Videogeneratoren ungenutzt bleiben. Wir präsentieren InternVLA-A1.5, das den Policy auf einem nativen VLM-Backbone aufbaut, der kontinuierlich auf VQA und Unteraufgabenprädiktion trainiert wird, und einen leichten, vereinheitlichten Experten für die kontinuierliche Aktionsgenerierung anfügt. Die Zukunftsprädiktion wird als ein Problem der latenten Abfrage neu formuliert, bei dem eine kleine Menge lernbarer Vorhersage-Tokens die aufgabenrelevante Zukunft unter der Aufsicht eines eingefrorenen, vortrainierten Videogenerierungsmodells in einen kompakten latenten Code kondensiert, sodass der Policy die Weltmodell-Dynamikvorwissen erbt, ohne jemals Pixelebene-Generierung zu lernen. Der Videozweig wird bei der Inferenz verworfen, um eine Echtzeitsteuerung zu gewährleisten. Vortrainiert auf 1,2 Mio. Roboterepisoden und 3 Mio. multimodalen Stichproben erzielt InternVLA-A1.5 die besten Gesamtergebnisse in allen sechs Simulationsbenchmarks. In der realen Welt liefert die erhaltene Semantik die stärkste kompositionelle Generalisierung bei ausgelagerten Instruktionsbindungen, und die beiden Konzepte zusammen ermöglichen eine langfristige Ausführung.
Die wissenschaftliche Literatursuche erfordert oft mehr als das Abrufen von Papieren aus einer einzelnen Abfrage: Die Absichten der Nutzer sind unterbestimmt, präferenzabhängig und entwickeln sich durch die Interaktion weiter. Bestehende Suchagenten stützen sich typischerweise auf feste Pipelines oder implizites, rein sprachbasiertes Denken, was ihre Suchstrategien schwer kontrollierbar, überprüfbar und verbesserbar macht. Wir stellen PaperPilot vor, einen mehrschrittigen Literatursuchagenten, der die wissenschaftliche Suche als Workflow-Induktion auffasst. Ausgehend von einem Ankerpapier und einer Benutzerabfrage erstellt PaperPilot einen ausführbaren DAG von Papier-Suchoperatoren, einschließlich Stichwortsuche, Zitationserweiterung, Filtern, Bewertung, Neuanordnung und Extraktion von Belegen. Anschließend wird das Benutzerfeedback genutzt, um sowohl die Abfrage als auch den Workflow selbst zu verfeinern. Wir trainieren PaperPilot mit überwachter Workflow-Imitation und Präferenzoptimierung über kontrollierte Workflow-Korruptionen hinweg. Experimente zeigen, dass PaperPilot-9B den Basis-Qwen3.5-9B-Toolset-Agenten bei mehrschrittiger Interaktion übertrifft, mit einer Steigerung von Hit@5 von 58,0 auf 77,0, MRR von 47,5 auf 59,4 und nDCG@10 von 26,8 auf 32,5, während die Workflow-Ausführungsfehler von 9,5 % auf 0 % gesenkt werden. Diese Ergebnisse zeigen, dass explizite, editierbare Suchabläufe eine effektive und kontrollierbare Schnittstelle bieten, um Literatursuchagenten auf komplexe wissenschaftliche Absichten auszurichten.
Das Wachstum des Key-Value (KV)-Caches stellt einen wesentlichen Engpass beim autoregressiven Decodieren dar, da Speicher und Bandbreite linear mit der Kontextlänge skalieren. Bestehende KV-Verdrängungsmethoden beruhen häufig auf statischen Heuristiken oder Proxy-Scores, die den Nutzen zukünftiger Tokens nur unzureichend erfassen und bei Bedeutungsverschiebungen zu brüchigen Verdrängungen führen. Um dieses Problem zu lösen, stellen wir KVpop vor, das eine bebudgetierte KV-Verdrängungsstrategie durch direkte Überwachung der Behalten-oder-Verwerfen-Entscheidung lernt. Der Scorer wird gegen ein neuartiges Future-Attention-Ziel trainiert, das effizient berechnet wird, ohne dichte Aufmerksamkeitsmatrizen zu materialisieren. Darüber hinaus führen wir einen verzögerten speicherbasierten Scorer ein, der – einzigartig unter gelernten Verdrängungsmethoden – das Scoring um eine feste Anzahl von Schritten verzögert, um den nahen Zukunftskontext auszunutzen. Bei mathematischen Reasoning-Aufgaben von AIME und HMMT behält KVpop mit Qwen3-4B 98% der Full-Attention-Leistung bei 75% KV-Cache-Kompression und 97% bei 88% Kompression und übertrifft durchgängig etablierte Verdrängungsbaselines. Qwen3-8B zeigt noch stärkere Ergebnisse und erreicht nahezu die volle Teacher-Leistung. Diese Ergebnisse belegen, dass die Überwachung der Verdrängung mit Future-Attention-Signalen Speicherkosten senkt, während die Qualität erhalten bleibt.
Mehrvektorielles visuell-sprachliches Retrieval bewahrt feinkörnige visuelle Evidenz durch eine späte Interaktion mit maximaler Ähnlichkeit, aber dichte bildseitige Tokens machen Speicherung und Bewertung teuer. Bestehende Verfahren zur Token-Komprimierung reduzieren diese Kosten, können jedoch objekt- und regionenbezogene Evidenz entfernen oder zusammenfallen lassen, die zukünftige Abfragetokens möglicherweise benötigen. Wir schlagen SaMer vor, ein objektbewusstes Framework zur Token-Zusammenführung, das bildseitige Post-Projektor-Tokens in K repräsentative Zentroide komprimiert und dabei die ursprüngliche Schnittstelle für die späte Interaktion beibehält. SaMer verwendet Objektannotationen nur während des Trainings als Zusammenführungsprior, um eine durch Instanzen hindurch erfolgende Vermischung zu vermeiden, benötigt zur Inferenzzeit keine Ground-Truth-Bounding-Boxes oder Detektoren und passt lediglich die gemeinsame Projektionsschicht an, während die visuellen und sprachlichen Backbones eingefroren bleiben. Mit K=64 entfernt SaMer mehr als 93 % der bildseitigen Tokens und reduziert den Speicherbedarf von ColPali um das 16,09-Fache, während es den R@1 auf Flickr30K und MSCOCO verbessert. Diese Verbesserungen ergeben sich, weil die objektbewusste Zusammenführung abfrageselektierbare Objektevidenz bewahrt, die durch Pruning oder reines Merkmals-Pooling entfernt oder kollabiert werden kann. SaMer übertrifft zudem Komprimierungs-Baselines und zeigt ein stärkeres Phrasenebenen-Grounding, was darauf hindeutet, dass effizientes mehrvektorielles Retrieval nicht nur von der Reduzierung der Token-Anzahl abhängt, sondern auch von der Bewahrung der Evidenz, die zukünftige Abfragetokens benötigen.
Diffusion Large Language Models (dLLMs) erzeugen Text durch iteratives Entrauschen einer maskierten Sequenz und bieten eine parallele Alternative zu autoregressiven Modellen. Dennoch bleibt es schwierig, durch Post-Training starkes logisches Denken zu induzieren: Überwachte Feinabstimmung ist off-policy und leidet unter Exposure Bias, während bestärkendes Lernen nur sparse, sequenzebene Belohnungen liefert und ohne handhabbare Sequenzwahrscheinlichkeiten schwer anzuwenden ist. On-Policy Self-Distillation (OPSD) bietet eine vielversprechende Alternative, bei der ein Modell sowohl als Schüler als auch als Lehrer fungiert, um dichte, tokenebene, on-policy-Supervision bereitzustellen. Ihre Wirksamkeit hängt jedoch davon ab, dass dem Lehrer privilegierte Informationen (Privileged Information, PI) zur Verfügung stehen – typischerweise eine instanzspezifische Ground-Truth-Referenz, die zur Inferenz nicht verfügbar ist –, sodass der Schüler letztlich eine schwache PI-freie Konsenspolitik destilliert, die kaum Verbesserungen beim Reasoning von dLLMs bringt. Wir stellen dOPSD vor, das die Bevorzugung des Lehrers stattdessen direkt aus der eigenen Denoising-Trajektorie des Schülers ableitet, indem maskierte Positionen anhand späterer, weiter dekorierter Schritte derselben Trajektorie bewertet werden, anstatt anhand eines externen Labels. Dadurch entsteht der Vorteil des Lehrers aus dem eigenen Dekodierungsprozess des Modells. Auf Dream und LLaDA verbessert dOPSD sowohl das domäneninterne mathematische Reasoning als auch die domänenexterne Codegenerierung und übertrifft dabei überwachte und on-policy-Baselines.
Wir stellen das erste Multiplayer-Weltmodell für hochdynamische Umgebungen vor, die von komplexen physikalischen Interaktionen geprägt sind. Während Einzelspieler-Weltmodelle die anderen Akteure als Teil der Umgebung behandeln, konditioniert unseres auf die Aktionsströme mehrerer Akteure und lernt, Änderungen in der Szene dem richtigen Spieler zuzuschreiben und unter beliebigen Kombinationen ihrer Aktionen kohärent zu bleiben. Wir untersuchen dieses Problem im Spiel Rocket League, bei dem Spieler unter schnellen, eng gekoppelten Dynamiken konkurrieren und kooperieren. Trainiert auf 10.000 Stunden Spielzeit, die mit öffentlich verfügbaren Bots gesammelt wurden, erzeugt unser 5-Milliarden-Parameter latentes Diffusionsmodell Vier-Spieler-Matches in Echtzeit und produziert 20 Bilder pro Sekunde auf einer einzigen Nvidia B200 GPU. Obwohl nur auf kurzen Clips trainiert, bleiben seine Rollouts weit über den Trainingshorizont hinaus stabil: Die Verteilungsqualität bleibt über fünf Minuten hinweg konstant, den längsten Horizont, den wir messen, und in der Praxis beobachten wir Rollouts, die über Stunden andauern, ohne Anzeichen eines Zusammenbruchs. Wir untersuchen systematisch die zentralen Designentscheidungen: den Video-Codec, das generative Ziel und das Multiplayer-Konditionierungsschema. Darüber hinaus charakterisieren wir, wie sich das Verhalten mit Modell- und Datenumfang ändert, einschließlich der Fähigkeiten, die entstehen, und der Fehlermodi, die bestehen bleiben. Wir entwickeln weiterhin gezielte Evaluierungen, die das physikalische Verständnis des Modells und nicht nur die visuelle Erscheinung prüfen. Um die fortgesetzte Forschung an Multiplayer-Weltmodellen zu unterstützen, veröffentlichen wir unseren Datensatz, unsere vollständige Trainings- und Inferenzcodebasis sowie eine Live-Demo.
Skalierungsgesetze des Vortrainings zeigen, dass sich die Leistungsfähigkeit von Modellen mit zunehmenden Daten- und Rechenressourcen vorhersagbar verbessert. Das Lernen in realen Umgebungen nach dem Deployment ist jedoch noch weitaus weniger verstanden. Durch die Analyse von etwa 38.000 Stunden Agenteninteraktion mit der Umgebung über 134 reale Aufgaben hinweg finden wir – nach unserem Kenntnisstand erstmals – Belege dafür, dass die Gesamtleistung während des Umgebungslernens einem log-sigmoiden Skalierungsgesetz mit bemerkenswert hoher Präzision folgt (R² = 0,998). Über Modellgenerationen hinweg stellen wir zudem fest, dass sich die Lerngeschwindigkeit von Agenten etwa alle drei Monate verdoppelt. Diese Entdeckung basiert auf EdgeBench, einer Sammlung von 134 realen Aufgaben mit extrem langen Zeithorizonten, die Bereiche wie wissenschaftliche Entdeckung, Softwareentwicklung, kombinatorische Optimierung, professionelle Wissensarbeit, formale Mathematik und interaktive Spiele abdecken. Jede Aufgabe erfordert mindestens 12 Stunden ununterbrochenen Agentenbetrieb unter reichhaltigem, mehrstufigem Feedback und wurde mit erheblichem Expertenaufwand erstellt. Wir veröffentlichen 51 Aufgaben sowie unser vollständiges Evaluierungsframework, um die Erforschung des Lernens von Agenten aus realen Erfahrungen zu beschleunigen.
Wir schlagen Perceptual Flow Matching (PFM) vor, ein einfaches, aber effektives Framework für die Generierung mit wenigen Schritten in Flow-Matching-Modellen. Anstatt eine Geschwindigkeitsregression im konventionellen VAE-Latentraum durchzuführen, überwacht PFM den Flussabgleich in einem Wahrnehmungsmerkmalsraum unter Verwendung vortrainierter Wahrnehmungsmodelle. Diese einfache Änderung verbessert die Fähigkeit von Flow-Matching-Modellen zur Generierung mit wenigen Schritten erheblich und reduziert die Anzahl der Abtastschritte von 35–50 auf 4–8, während die Generierungsqualität erhalten bleibt. Im Gegensatz zu bestehenden Beschleunigungs- und Destillationsansätzen benötigt PFM weder Lehrermodelle noch Hilfs-Score-Netzwerke und kann mit minimalen Änderungen in standardmäßige Flow-Matching-Trainingspipelines integriert werden. Umfangreiche Experimente zu Bildgenerierung, Videogenerierung und Bildbearbeitung zeigen, dass PFM konsistent hochwertige Ergebnisse liefert und dabei weniger Artefakte erzeugt als bestehende destillationsbasierte Methoden. Wir zeigen weiterhin, dass die Wahrnehmungsüberwachung den Regressionsminimierer von mittelsuchend zu modussuchend verschiebt und die Vorhersagen in Richtung auf der Mannigfaltigkeit liegender Modi lenkt, die unter grober Integration mit wenigen Schritten genau bleiben. Unsere Ergebnisse zeigen, dass standardmäßiges Flow-Matching-Training auf natürliche Weise hochwertige Generatoren mit wenigen Schritten hervorbringen kann, wenn es in einem geeigneten Repräsentationsraum überwacht wird. Wir hoffen, dass diese Erkenntnis zukünftige Forschung zu repräsentationsbewussten Zielen für effizientes generatives Modellieren anregt.
Die Skalierung von Vor-Training, Nach-Training und Testzeit-Berechnung hat sich als zentrales Paradigma zur Verbesserung der Fähigkeiten großer Sprachmodelle (LLMs) etabliert. In dieser Arbeit identifizieren wir die Verifikation – also die Fähigkeit, die Korrektheit einer Lösung zu bestimmen – als neue Skalierungsachse. Um dies zu erschließen und seine Wirksamkeit zu demonstrieren, führen wir LLM-as-a-Verifier ein, ein allgemeines Verifikations-Framework, das ohne zusätzliches Training feinkörniges Feedback für agentische Aufgaben liefert. Anders als standardmäßige LM-Richter, die LLMs auffordern, diskrete Bewertungen für Kandidatenlösungen zu generieren, berechnet LLM-as-a-Verifier den Erwartungswert über die Verteilung der Logits des Bewertungstokens, um kontinuierliche Bewertungen zu erzeugen. Diese probabilistische Formulierung ermöglicht es, die Verifikation entlang mehrerer Dimensionen zu skalieren: (1) Bewertungsgranularität, (2) wiederholte Evaluierung und (3) Kriterienzerlegung. Insbesondere zeigen wir, dass die Skalierung der Bewertungsgranularität zu einer besseren Trennung zwischen positiven und negativen Lösungen führt, was kalibriertere Vergleiche ergibt. Darüber hinaus führen wiederholte Evaluierung und Kriterienzerlegung durch Varianz- und Komplexitätsreduktion konsequent zu zusätzlichen Verbesserungen der Verifikationsgenauigkeit. Wir stellen zudem einen kosteneffizienten Ranking-Algorithmus vor, der die kontinuierlichen Bewertungen des Verifiers nutzt, um die beste Lösung unter den Kandidaten auszuwählen. LLM-as-a-Verifier erzielt Spitzenleistungen auf Terminal-Bench V2 (86,5 %), SWE-Bench Verified (78,2 %), RoboRewardBench (87,4 %) und MedAgentBench (73,3 %). Über die Verifikation hinaus können die feinkörnigen Signale von LLM-as-a-Verifier auch als Näherungsgröße zur Einschätzung des Aufgabenfortschritts dienen. Wir entwickeln eine Erweiterung für Claude Code, die es Entwicklern ermöglicht, ihre eigenen agentischen Systeme zu überwachen und zu verbessern. Schließlich zeigen wir, dass LLM-as-a-Verifier dichtes Feedback für Reinforcement Learning liefern kann, wodurch die Dateneffizienz von SAC und GRPO bei Robotik- und mathematischen Reasoning-Benchmarks verbessert wird.
Audio-Intelligenz umfasst das Verstehen, Nachdenken und Generieren von Audio und Sprache. In dieser Arbeit stellen wir Nemotron-Labs-Audex-30B-A3B (Audex) vor, ein einheitliches Audio-Text-LLM, das auf Nemotron-Cascade-2-30B-A3B, einem starken textbasierten MoE-LLM, aufbaut. Audex verwendet ein einfaches, einheitliches Design mit einem einzelnen Transformer-Decoder: Audioeingaben werden codiert und in den Text-Embedding-Raum projiziert, während Text-Token und quantisierte Audio-Ausgabe-Token während der Generierung einheitlich behandelt werden. Diese Architektur ermöglicht eine starke Audio-Text-Fusion, eine nahtlose multimodale Generierung sowie Kompatibilität mit Standard-LLM-Trainings- und Inferenzinfrastrukturen. Für das Training kuratieren wir sorgfältig Audio-Text-Datensätze, die 157,4 Milliarden Audio-Token und 320,5 Milliarden Text-Token umfassen. Wir wenden mehrstufiges überwachtes Training auf diesen Datensätzen an, gefolgt von textbasiertem Cascade-RL und Multi-Domain-On-Policy-Destillation. Audex liefert Spitzenleistungen im Audioverständnis, in der Spracherkennung und -übersetzung, in der Text-zu-Sprache-, Audio- und Sprache-zu-Sprache-Generierung, während es die sehr überzeugenden Fähigkeiten seines textbasierten LLM-Backends in den Bereichen Reasoning, Alignment, Wissen, Langzeitkontext und Agentik mit marginaler oder keiner Regression bewahrt. Wir veröffentlichen die Modell-Checkpoints, um offene Forschung zu fördern.
Jüngste Fortschritte bei Videodiffusionsmodellen haben entweder die Generierung langer Einzelansichten durch temporale Autoregression oder die Generierung kurzer Multi-View-Synthesen durch bidirektionale Aufmerksamkeit ermöglicht. Die Erzeugung langer, multi-view-konsistenter Videos dynamischer Szenen bleibt jedoch ungelöst. In dieser Arbeit stellen wir MV-Forcing vor, ein Framework, das temporale und ansichtsbezogene Autoregression in einem einzigen Diffusionsmodell kombiniert, indem es eine 4D-geometrische Brücke zwischen sequentiell generierten Ansichten einführt. Unser zentraler Gedanke ist, dass ein autoregressives 3D-Rekonstruktionsmodell auf natürliche Weise zwischen autoregressiv generierten Ansichten vermittelt. Ausgehend von einer vollständigen Quellansicht rekonstruieren wir deren 3D-Struktur und rendern einen geometrischen Prior der nächsten Zielansicht, den das Diffusionsmodell zu einem hochwertigen Video verfeinert. Um die Generierung über das feste Zeitfenster des Lehrermodells hinaus zu erweitern, führen wir ein gemeinsames Entrauschungsverfahren ein, bei dem beide Ansichts-Slots während des Trainings aus Rauschen initialisiert werden, was eine zeitlich unbegrenzte Generierung ermöglicht. Wir destillieren das Modell mittels Distribution Matching Distillation mit Spatio-Temporal Self-Forcing, wodurch die Trainings-Inferenz-Exposure-Bias-Lücke sowohl für temporale als auch für ansichtssequenzielle Autoregression geschlossen wird. Umfangreiche Experimente sowohl an synthetischen als auch an realen Daten zeigen, dass MV-Forcing mit einem einzigen mehrstufigen Schülermodell mit wenigen Schritten geometrisch konsistente Multi-View-Videos dynamischer Szenen beliebiger Länge und Ansichtsanzahl erzeugt.
LLM-Agenten führen zunehmend autonome Aktionen über externe Werkzeuge aus, was zu komplexen und sich ständig weiterentwickelnden Sicherheitsrisiken führt. Bestehende Sicherheitstests zielen jedoch auf von Experten entworfene Sicherheitsverstöße ab, und die entsprechenden Ergebnisse werden durch hartcodierte Regeln bewertet, was eine kostspielige Erweiterung mit sich bringt, wenn sich Agenten weiterentwickeln. Aus diesem Grund stellen wir Vera vor, ein End-to-End-Framework für automatisierte Sicherheitstests, das Prinzipien des Software-Engineerings für nicht-deterministische Agenten durch eine dreistufige, selbstverstärkende Pipeline umsetzt. Zunächst identifiziert und strukturiert eine literaturgestützte Exploration kontinuierlich neu auftretende Risiken in Taxonomien von Sicherheitsrisiken, Angriffsmethoden und Werkzeugausführungsumgebungen. Zweitens erzeugt die kombinatorische Zusammensetzung über Taxonomiedimensionen hinweg ausführbare Sicherheitsfälle, die jeweils ein konkretes Sicherheitsziel, einen programmatisch konstruierten Anfangszustand und ein deterministisches Verifikationsprädikat spezifizieren, das auf beobachtbaren Artefakten basiert. Drittens führt die adaptive Ausführung heterogene Agenten in isolierten Sandboxen aus, wobei ein Kontrollagent die mehrschrittige Interaktion auf der Grundlage von Laufzeitbeobachtungen steuert, während evidenzbasierte Verifikatoren Ergebnisse anhand des Umgebungszustands und von Werkzeugaufrufbelegen beurteilen, anstatt auf die Selbstauskunft des Modells zurückzugreifen. Wir evaluieren Vera an vier produktionsreifen Agentenframeworks (OpenClaw, Hermes, Codex, Claude Code) und decken erhebliche Sicherheitsschwächen auf, wobei die durchschnittlichen Angriffserfolgsraten bei Mehrkanalangriffen 93,9 % erreichen. Darüber hinaus veröffentlichen wir Vera-Bench, bestehend aus 1600 ausführbaren Sicherheitsfällen, die 124 Risikokategorien in drei Ausführungsumgebungen abdecken. Diese Ergebnisse zeigen, dass eine modulare, ausführbare Testinfrastruktur für eine rigorose und wartbare Sicherheitsbewertung sich schnell entwickelnder agentischer Systeme in großem Maßstab unerlässlich ist. Der Code ist öffentlich verfügbar unter https://github.com/Yunhao-Feng/Vera.
Die Vorhersage von Verhalten über lange Zeithorizonte zielt darauf ab, die nächste Aktion eines Nutzers auf der Grundlage einer langen historischen Sequenz abzuleiten und spielt eine entscheidende Rolle im Bereich der künstlichen Intelligenz. Der Aufstieg großer Sprachmodelle (LLMs) bietet eine vielversprechende Richtung für die sequenzielle Verhaltensvorhersage, doch LLMs haben Schwierigkeiten mit der Induktion latenter Verhaltensmuster und modellinhärenten kognitiven Verzerrungen, wenn sie die Vorhersage von Verhalten über lange Zeithorizonte angehen. Bisherige Methoden des Speichermanagements folgen einem Kontextkompressionsparadigma, das versucht, diese Aufgabe durch die Entlastung der historischen Sequenz zu bewältigen, löst jedoch die zentralen Herausforderungen nicht. In diesem Papier plädieren wir für einen Paradigmenwechsel, der die lange historische Sequenz von einer Belastung in eine wertvolle Ressource umdeutet, die es zu nutzen gilt. Dementsprechend schlagen wir PraMem vor, das eine vorherige Übung an der langen historischen Sequenz durchführt, um einen erfahrungsbasierten Speicher aufzubauen, der als unterstützende Eingabe für eine genaue Vorhersage von Verhalten über lange Zeithorizonte dient. Umfangreiche Experimente zu verschiedenen Aufgaben zeigen, dass PraMem eine überlegene Leistung gegenüber früheren Methoden erzielt, und tiefere Analysen liefern wertvolle Einblicke in den Mechanismus und die Entwicklung des erfahrungsbasierten Speichers. Code: https://github.com/icip-cas/PraMem.
Große Sprachmodelle arbeiten zunehmend über lange Kontexte, wobei der KV-Cache zu einem dominanten Speicherengpass wird: Seine Größe wächst linear mit der Sequenzlänge und muss während der gesamten Dekodierung vorgehalten werden, was eine vollständige GPU-Caching ohne Komprimierung prohibitiver teuer macht. Bestehende Methoden zur KV-Cache-Komprimierung haben Schwierigkeiten, Effizienz und originalgetreue Kontexterhaltung in Einklang zu bringen. Token-Verwerfung verwirft Informationen, während semantische Gruppierung die Komprimierungsentscheidungen zum Zeitpunkt der Prefill-Festlegung trifft; keines von beiden kann Token-Detailinformationen aus einer komprimierten Spanne wiederherstellen, sobald diese während der Generierung relevant wird. Als Lösung schlagen wir SeKV vor, einen auflösungsadaptiven semantischen KV-Cache, der den Kontext in entropiegesteuerte semantische Spannen organisiert und diese über eine GPU-CPU-Speicherhierarchie speichert, ohne Informationen zu verwerfen. Jede Spanne behält einen leichten Zusammenfassungsvektor auf der GPU für grobe Weiterleitung und eine niedrigrangige SVD-Basis auf der CPU für die bedarfsgesteuerte Rekonstruktion auf Token-Ebene. Ein trainierter Zoom-In-Mechanismus erweitert während der Dekodierung selektiv abfragerelevante Spannen, was eine präzise Rückgewinnung ermöglicht, ohne den vollständigen KV-Cache auf der GPU materialisieren zu müssen. SeKV ermöglicht adaptive Rekonstruktion auf Token-Ebene, während das zugrunde liegende LLM vollständig eingefroren bleibt und weniger als 0,05 % trainierbare Parameter hinzugefügt werden. Über vier Benchmarks hinweg verbessert SeKV die stärkste semantische Komprimierungs-Baseline im Durchschnitt um 5,9 %, während der GPU-Speicher gegenüber vollständigem KV-Caching bei 128K Kontext um 53,3 % reduziert wird. Der Code ist verfügbar unter https://github.com/AmirAbaskohi/SeKV.
Die Vorhersage der Objektdynamik (d.h. Weltmodellierung) ist eine grundlegende Herausforderung für die Robotermanipulation, wobei die Modellierung verformbarer Objekte aufgrund ihrer hochdimensionalen Zustandsräume und komplexen Materialeigenschaften einen besonders schwierigen Fall darstellt. Aktuelle Weltmodelle nähern sich diesem Problem durch zwei unterschiedliche Paradigmen: das Erlernen der Dynamik im 2D-Pixelraum oder im expliziteren 3D-Geometrieraum. Ein systematisches Verständnis ihrer relativen Stärken und Grenzen bleibt jedoch aufgrund des Mangels an vielfältigen, großflächigen realen Daten schwer fassbar. Um dieses Problem anzugehen, stellen wir Deform360 vor, einen großflächigen visuotaktilen Datensatz mit 198 Alltagsgegenständen, 1.980 Interaktionssequenzen und über 215 Stunden Beobachtungen von 41 Rundumsichtkameras und bimanuellen taktilen Greifern, um sowohl globale Bewegungen als auch kontaktinduzierte lokale Verformungen zu erfassen. Unter Nutzung einer neuartigen markerlosen visuotaktilen 3D-Verfolgungspipeline zur Extraktion dichter Geometrie und Bewegung evaluieren wir systematisch moderne Weltmodelle und vergleichen 2D-Videomodelle mit 3D-Partikelmodellen. Schließlich liefern wir eine vorläufige Demonstration, die die praktische Anwendbarkeit unseres Datensatzes durch die Durchführung von Roboterplanungsaufgaben an verformbaren Objekten belegt. Unsere Analyse liefert wichtige Erkenntnisse über die Kompromisse zwischen strukturellen Prioritäten und Skalierbarkeit und bietet eine solide Benchmark für zukünftige Forschung in der generalisierbaren objektzentrierten Weltmodellierung verformbarer Objekte. Projektwebsite: https://deform360.lhy.xyz
Die Reproduktion von Schwachstellen auf Repository-Ebene ist eine anspruchsvolle Aufgabe im Software-Engineering (SE): Ein Agent muss eine Codebasis inspizieren, die Eingabegrammatik ableiten, die zu einem verwundbaren Pfad führt, einen Proof-of-Concept (PoC) konstruieren und verifizieren, dass der Absturz bei der gepatchten Version verschwindet. Aktuelle LLM-Agenten können diese Schritte oft ausführen, wenn der Ansatz korrekt ist, scheitern jedoch häufig an der Wahl der falschen Strategie. Dieses Papier argumentiert, dass die Strategie – und nicht die vollständige Aktionssequenz – die richtige Lerneinheit für solche SE-Agenten ist: Sie ist kompakt genug, um optimiert zu werden, konkret genug, um die Ausführung zu leiten, und stabil genug, um gespeichert und wiederverwendet zu werden. Wir stellen Mastermind vor, ein Dual-Loop-Framework, das übertragbares Strategielernen von aufgabenspezifischer Erfahrung trennt. Ein trainierbarer Planer lernt wiederverwendbare Strategien zur Schwachstellenreproduktion mittels überwachtem Feintuning (SFT) und meilensteinbasiertem GRPO, während eine Erfahrungsschleife aufgabenlokale Strategieaufzeichnungen verwaltet, die nachfolgende Versuche leiten. Der Planer wird unabhängig vom Ausführenden (Executor) trainiert, sodass das Strategielernen mehrere eingefrorene Executoren verbessern kann, ohne deren Aktionsgenerierungsfähigkeit zu verändern. Wir evaluieren Mastermind auf CyberGym mit 260 Trainingsaufgaben und 200 zurückgehaltenen Evaluationsaufgaben. Mit GPT-5.5 als eingefrorenem Executor erreicht Mastermind eine Bestehensrate von 84,5 % und übertrifft damit den Open-Book-PoC-Kontext (60,0 %), das Best-of-8-Sampling (63,0 %) und die iterative Verbesserung (77,0 %). Derselbe Planer verbessert zudem GPT-5.4 mini und GLM~5.1 von 45,0 % bzw. 58,5 % auf 60,0 % bzw. 71,0 %. Diese Ergebnisse zeigen, dass das Erlernen von Strategien auf hoher Ebene ein effektiver und übertragbarer Mechanismus zur Verbesserung von SE-Agenten auf Repository-Ebene ist.
In der klinischen Längsschnittpraxis wird jede Thorax-Röntgenaufnahme im Kontext der vorherigen Untersuchung des Patienten beurteilt, und ein Großteil dessen, was der Radiologe mitteilt, ist die Veränderung von einem Besuch zum nächsten. Unseres Wissens nach stellen wir das erste trainingsfreie Best-of-N-Sampling-Schema für vortrainierte Generatoren von Thorax-Röntgenbefunden vor, das explizit diesen longitudinalen Übergang von der Vorgeschichte zum aktuellen Zustand berücksichtigt. Wir nennen es übergangsbewusstes Best-of-N-Sampling: Jeder Befund wird in Sätze aufgeteilt und als ungeordnete Menge im Rd eingebettet; jedes Paar (vorheriger, aktueller) wird über einen Mengen-zu-Mengen-Abstand, der die Änderung zwischen den beiden Mengen kodieren soll, auf einen Richtungsvektor fester Dimension reduziert; und Kandidaten werden anhand des Kosinusabstands zwischen ihrem Kandidaten-Übergangsvektor und einem zwischengespeicherten Pool von Ground-Truth-Trainings-Übergangsvektoren bewertet, die als Minimum oder kNN aggregiert werden. Wir instantiieren das Framework mit vier gerichteten Mengenabständen (Mean-Shift, Novelty-Residuum, gerichteter Hausdorff-Anker und kostengewichteter optimaler Transport) und evaluieren es an einer Multi-Visit-AP-PA-Kohorte, wobei wir die Inferenz unter drei Prompts auf drei Bild-Text-Generatoren durchführen. Übergangsbewusstes Best-of-N übertrifft die zufällige Auswahl durchgängig, mit den größten relativen Gewinnen im Abschnitt "Impression".
Zunehmend leiten LLM-Inferenzdienste Client-Anfragen an global verteilte Engine-Replikate weiter. Lastverteilungsrichtlinien müssen bei der Optimierung von Metriken wie Latenz und TTFT gemeinsam Faktoren wie KV-Cache-Lokalität, Replikatauslastung und variable Netzwerklatenz berücksichtigen. Allerdings bewerten bestehende Systeme in ihrem Kostenmodell nur eine Teilmenge dieser Faktoren, was zu ungleichmäßigen Last- und KV-Cache-Konzentrationen über die Replikate hinweg führt. Wir stellen GORGO vor, eine Proxy-Architektur, die Netzwerklatenz, Prefill-Kosten und Wartezeit ganzheitlich mittels einstellbarer Parameter berücksichtigt. Da Open-Source-Chatdatensätze wie LMSYS-Chat1M und WildChat-4.8M keine Daten mit langen Kontexten und hoher Prefix-Wiederverwendung enthalten, veröffentlichen wir einen synthetischen Datensatz, ART-Chat-2.5M, der aus Produktionsmetadaten mit langen Kontexten generiert wurde. Auf einem Abstimmungsfenster aus ART-Chat-2.5M steuern evolutionäre Strategien die Parameter der GORGO-Richtlinie, um die p95-TTFT direkt zu optimieren. Während der zurückgehaltenen Evaluierungsfenster fixieren wir die aus dem Tuning gelernten Parameterwerte und verbessern die p95-TTFT um 6,9–15,5 % und die p95-End-to-End-Latenz (E2E) um 14,3–30,9 % im Vergleich zu Baseline-Lastverteilungsrichtlinien wie einfacher Sitzungsaffinität und Prefix-Cache. Der Code und der ART-Chat-2.5M-Datensatz sind unter https://github.com/Arcadia-Research-Team/GORGO verfügbar.
Einheitliche multimodale Modelle (UMMs) haben vielversprechende Fähigkeiten im verschränkten Text-Bild-Schließen gezeigt, doch die effektive Optimierung einer solchen mehrschrittigen Generierung mittels Reinforcement Learning (RL) bleibt eine offene Herausforderung. Bestehende Ansätze wenden RL ausschließlich auf Texte an und überlassen die Bildgenerierung überwachten Surrogaten, was verhindert, dass Policy-Gradienten durch die vollständige verschränkte Trajektorie über heterogene Modalitäten hinweg propagieren. Dies lässt das Potenzial von RL für UMMs weitgehend ungenutzt. In diesem Papier stellen wir BRAID (Bridging inteRleAved multI-modal reasoning as a unified Decision process) vor, ein einfaches Framework, das mehrschrittiges Text-Bild-Text-Schließen als einheitlichen Markov-Entscheidungsprozess (MDP) modelliert und so die gemeinsame Optimierung von textueller und visueller Generierung mittels eines einzigen, prinzipientreuen RL-Ziels ermöglicht. BRAID berechnet einen gemeinsamen Trajektorienvorteil und propagiert diesen kohärent sowohl in Text-Tokens als auch in Bild-Denoising-Pfade, die jeweils durch ihren modalitätsspezifischen Policy-Gradienten-Mechanismus optimiert werden. Um die Kreditzuweisung über einen langen Horizont hinweg weiter zu adressieren, setzt BRAID einen Vision-Language-Model (VLM) Richter ein, der jedes Zwischenbild hinsichtlich seines Nutzens für das Schließen bewertet und dichtes Feedback auf Schritt-Ebene liefert, um das Lernen an kritischen visuellen Verzweigungen zu schärfen. Experimente auf Benchmarks für räumliches Schließen und visuelle Wahrnehmung zeigen, dass BRAID verschiedene Baselines durchweg übertrifft, was bestätigt, dass eine einheitliche MDP-Formulierung mit visuell-denkender Führung für effektives multimodales Schließen unerlässlich ist.
Wir präsentieren den Beitrag der AI Wizards zur EXIST 2026 für die multimodale Identifikation von Sexismus in Memes. Die Aufgabe umfasst drei zunehmend schwierigere Teilaufgaben. Wir modellieren sie hierarchisch als bedingte Vorhersage weicher Labels über empirische Annotatorverteilungen. Unser System bildet feste Gemini Embedding 2 Vision-Language-Repräsentationen durch ein leichtes Gated MLP ab, das mit KL-Divergenz und homoskedastischer Gewichtung der Unsicherheit trainiert wird. Unsere Einreichungen belegten den ersten Platz in Aufgabe 2.3 und den vierten Platz in den Aufgaben 2.1 und 2.2 auf den offiziellen Soft-Soft-Bestenlisten. Der Code ist verfügbar unter https://github.com/NLP-AI-Wizards/EXIST-2026.
Visuell-Sprach-Aktionsmodelle (VLA) erwerben durch umfangreiches Vortraining breite verkörperte Fähigkeiten, dennoch bleibt ihre Generalisierung weitaus fragiler als die von LLMs und VLMs. Der gängige Ansatz des Nachtrainings durch überwachtes Feintuning oder bestärkendes Lernen verbessert zwar die aufgabenspezifische Leistung, schränkt jedoch die generalistische Fähigkeit ein, die das Vortraining wertvoll macht. Wir identifizieren einen zentralen Engpass: VLA-Fehler resultieren nicht nur aus der Aktionsgenerierung, sondern auch aus der Aktionsbewertung. Eine diagnostische pass@k-Studie bestätigt, dass eingefrorene VLAs bereits kompetente Verhaltensweisen in ihrer Ausgabeverteilung enthalten – die Gesamterfolgsrate steigt von 33 % bei pass@1 auf 92 % bei pass@32. Inspiriert davon schlagen wir SVA (Search, Value, and Act) vor, ein einfaches Rahmenwerk, das eingefrorene VLA-Richtlinien mit einem Bewusstsein für langfristige Konsequenzen ausstattet. SVA nutzt zunächst eine Monte-Carlo-Baumsuche in der Simulation, um die Ausgabeverteilung des VLA vollständig zu erkunden und diverse Trajektorien mit empirischen Renditen zu annotieren; dieses Wissen wird dann in ein leichtgewichtiges Q-Wert-Modell destilliert, das die erwarteten Konsequenzen von Kandidatenaktionen vorhersagt; bei der Bereitstellung schlägt das eingefrorene VLA mehrere Kandidaten vor, und der Evaluator wählt den mit dem höchsten unsicherheitsregulierten Q-Wert aus, ohne dass ein Simulatorzugriff erforderlich ist. Durch die Entkopplung von Aktionsvorschlag und Konsequenzenbewertung bewahrt SVA die Generalisierungsfähigkeit des VLA-Rückgrats und verbessert gleichzeitig die Aufgabenerfolgsraten erheblich. Experimente mit verkörperten Benchmarks zeigen, dass SVA die Generalisierung auf unbekannte Aufgaben konsequent verbessert und ein starkes Testzeit-Skalierungsverhalten aufweist. Auffälligerweise ermöglicht SVA einem 9B-VLA, ein 27B-VLA um 7 Punkte bei 27 % geringerer Inferenzlatenz zu übertreffen, was darauf hindeutet, dass die Skalierung der Testzeitbewertung kosteneffizienter ist als die Skalierung der Modellgröße.
Sprachbasierte Depressionserkennung komprimiert Merkmale aus kurzen Audioabschnitten zu einer Entscheidung auf Sprecherebene – ein Schritt, der als zeitliche Aggregation bezeichnet wird und selten für sich allein untersucht wird. Die meisten Benchmarks legen einen einzelnen selbstüberwachten Encoder und eine einzelne manuell ausgewählte Schicht fest, sodass ein berichteter Gewinn eher auf die Pipeline als auf die Aggregationsmethode selbst zurückzuführen sein kann. Wir stellen DEPOOL vor, einen kontrollierten Benchmark, der sechs Aggregationsarchitekturen mit sechs eingefrorenen Sprach-Backbones auf einem englischen und einem mandarinischen Depressionskorpus vergleicht, wobei jede Konfiguration selbstständig lernt, welche Backbone-Schichten relevant sind, anstatt eine manuell festzulegen. Über das resultierende Raster von 72 Konfigurationen hinweg bricht ein Drittel der Konfigurationen zusammen und sagt für jeden Sprecher eine einzige Klasse voraus – ein Fehler, der ebenso mit dem Backbone wie mit der Methode zusammenhängt, und die Architektur, die in einem Ein-Samen-Lauf am stabilsten ist, wird unzuverlässig, wenn das Training über mehrere Samen wiederholt wird. Robustheit gegenüber Backbone und Samen, nicht die durchschnittliche Genauigkeit einer einzelnen Pipeline, sollte ein erstklassiges Benchmarking-Kriterium für die zeitliche Aggregation in der klinischen Sprache sein.
Steuerbare generative Modelle von 3D-Medizinbildern können Volumina mit spezifizierten klinischen Attributen synthetisieren, erfordern jedoch Stichproben, die gleichzeitig hochtreu, nativ 3D und dem angeforderten Conditioning getreu sind. Wir stellen CONFLUX vor, ein latentes Diffusionsmodell für Computertomographie (CT) des Brustkorbs: Ein 3D-Variational-Autoencoder komprimiert jedes Volumen, und ein gleichgerichteter Strömungstransformator erzeugt im latenten Raum. Die Generierung wird durch adaptive Layer-Normalisierung auf strukturierte radiologische Metadaten (18 Anomaliebefunde, Geschlecht, Alter und Rekonstruktionskernel) konditioniert. Das Modell übertrifft starke volumetrische Basislinien hinsichtlich der triplanaren Fréchet-Distanz (FID 32,3 vs. 74,6 für MAISI) und bietet gleichzeitig direkte Kontrolle über klinische Attribute. Um diese Kontrolle zu verstärken, fügen wir eine Online-Verstärkungslern-Nachbearbeitungsphase (gruppenrelative Policy-Optimierung) hinzu, die belohnt, wie zuverlässig ein Klassifikator die angeforderten Befunde aus jedem erzeugten Volumen zurückgewinnt. Bewertet durch einen separaten, unabhängigen Klassifikator, beseitigt die Nachbearbeitung 47 % des Defizits im Vergleich zur Zuverlässigkeit echter Scans. Wir veröffentlichen das Modell sowie einen ~200k synthetischen Brust-CT-Datensatz mit Conditioning-Metadaten, die eine breite Palette klinischer Befunde abdecken.
Wir präsentieren SynCity 3000, ein Framework zur Erzeugung von 3D-Szenen, die global kohärent sind und gleichzeitig eine feinkörnige Layoutkontrolle ermöglichen. Aufbauend auf der Fähigkeit aktueller Bild-zu-3D-Generatoren, komplexe 3D-Assets aus einem einzelnen Bild zu generieren, erweitern wir diese Fähigkeit auf den Maßstab ganzer Szenen, indem wir den Generator so anpassen, dass er als Faltungsoperator anwendbar ist. Dies erreichen wir durch Feinabstimmung des Modells auf szenenartige Daten, die von einer neuen synthetischen Daten-Engine erzeugt werden, welche wir vorschlagen, um die Knappheit von 3D-Szenendaten für das Training zu adressieren. Der faltungsbasierte Generator wird dann auf ein dimetrisches Bild der gesamten Szene angewendet, das aus der Benutzeranfrage erzeugt wird, und resultiert in 3D-Szenen beliebiger Größe und Komplexität. Über verschiedene Anfragen und Layouts hinweg produziert SynCity 3000 große, kohärente und detaillierte Szenen und behebt somit die Schwächen früherer Ansätze zur 3D-Szenengenerierung.
Kreuzmodale Korrespondenzen zwischen Klang und Geschmack sind in der Psychologie und Neurowissenschaft gut etabliert, fehlen jedoch weitgehend im inhaltsbasierten Multimedia-Retrieval. Wir formalisieren die Vorhersage von Geschmack aus Audio als inhaltsbasierten Benchmark für Music Information Retrieval über ein perceptuell validiertes Multi-Quellen-Korpus, wobei wir zehn eingefrorene Audio-Encoder aus den vier HEAR-Familien unter einem gemeinsamen Multi-Task-Regressionskopf vergleichen, mit Gated Late Fusion als konfigurierbarer Variante. Um die Effektivität der Modelle zu bewerten, berechnen wir den absoluten Fehler und die Rangkorrelation. Die stärksten Systeme sagen die fünf Geschmacksrichtungen mit einem makro RMSE von 0,134 voraus; bei ausgelassener echter Musik liegt ihr Fehler unter der Hälfte der Abweichung eines einzelnen Bewerters vom Konsens (RMSE 0,13 vs. 0,28), sodass das Modell den Gruppenkonsens genauer verfolgt als ein durchschnittlicher menschlicher Bewerter und weit unter der bisherigen State-of-the-Art-Baseline (0,219) liegt. Beim absoluten Fehler sind die Encoder statistisch flach, wobei ein einzelner VGGish mit der besten Fusion übereinstimmt, aber der Vorteil der Gated Late Fusion beschränkt sich auf die Rangkorrelation (makro Pearson r 0,724 vs. 0,666). Operationalisiert als inhaltsbasierter Retrieval-Index ordnet der vorhergesagte Geschmacksraum einen Pool von 309 Elementen weitaus getreuer ein als eine CLAP-Text-Baseline, die auf Zufallsniveau liegt; Ridge-Proben und ein Audio-Bandstop-Knockout ermitteln die stärksten Repräsentationen im Abgleich mit dokumentierten Klang-Geschmack-Korrespondenzen.
Die Planung zur Entscheidungszeit mithilfe aktionskonditionierter Weltmodelle hat sich zu einem beliebten Paradigma für die verkörperte Steuerung entwickelt. Allerdings bewertet die standardmäßige Planungskostenfunktion einen Kandidaten ausschließlich danach, wie nahe dessen vorhergesagter Endzustand am Ziel liegt, ohne die Realisierbarkeit der Zwischenübergänge zu überprüfen – eine vorhergesagte Trajektorie kann überzeugend wirken, während der Umgebungs-Rollout von ihr abweicht. In dieser Arbeit schlagen wir ACID vor, ein Planungsrahmenwerk zur Entscheidungszeit, das die Zyklus-Aktionskonsistenz einführt: Die aus einem vorhergesagten Übergang rückwärts durch ein inverses Dynamikmodell abgeleitete Aktion sollte diejenige wiederherstellen, auf die konditioniert wurde. Wir integrieren dieses schrittweise Residuum über ein skaleninvariantes adaptives Gewicht in die Planungskosten. Über vier aktionskonditionierte Weltmodelle und sechs Aufgaben hinweg, die starre und deformierbare Manipulation, artikulierte Steuerung und visuelle Navigation umfassen, verbessert ACID konsistent die Planung und erreicht die Genauigkeit der Baseline mit erheblich geringerem Planungsrechenaufwand.
Damit Roboter in kommerziellen und industriellen Anwendungen zuverlässig arbeiten können, stellt sich die Frage, ob neuere Fortschritte bei agentischen Codierungssystemen interpretierbare Roboterprogrammierung mit der Offene-Welt-Anpassungsfähigkeit modellfreier Strategien kombinieren können. Wir konzentrieren uns auf „Variational Automation“ (VA), eine Klasse von Aufgaben, die größere Variationen in Objektgeometrie und -position aufweisen als die feste Automatisierung. Modellfreie Strategien haben oft Schwierigkeiten, die Zuverlässigkeitslücke für VA-Aufgaben zu schließen, die in kommerziellen und industriellen Anwendungen beständig und zuverlässig ausgeführt werden müssen. Motiviert durch frühere Arbeiten zur Aufgaben- und Bewegungsplanung (TAMP) und zum Robot Operating System (ROS) führen wir Graph-as-Policy (GaP) ein, eine Multi-Agenten-Codierungsplattform, die gerichtete Berechnungsgraphen mit Wahrnehmungs-, Planungs- und Steuerungsknoten aus einer modularen offenen Roboterfähigkeitsbibliothek (MORSL) erzeugt. GaP erzeugt dann eine interne Simulationsumgebung, um Aufgabeninstanzen mit verschiedenen Graphen parallel zu proben und so iterativ die Graphenstruktur und Parameter zu verfeinern, um die Erfolgsraten und den Durchsatz zu verbessern. Die Evaluierung mit 8 neuen offenen VA-Aufgaben-Benchmarks, 4 in der Simulation und 4 in der realen Welt, deutet darauf hin, dass GaP Erfolgsraten erzielen kann, die die Basislinien deutlich übertreffen. Details, Code und Daten sind online verfügbar: https://graph-robots.github.io/gap
Unüberwachte silbische Tokenisierung zielt darauf ab, diskrete silbische Token zu lernen, die latente, mit dem sprachlichen Inhalt zusammenhängende Strukturen aus roher Sprache erfassen. Neuere Methoden der silbischen Tokenisierung nutzen eine Lehrer-Schüler-Destillation des vortrainierten HuBERT, um latente Sprachframe-Repräsentationen in silbische Segmente zu organisieren. Wenn das Modell jedoch mit einem Kreuzentropie-Ziel auf Äußerungsebene trainiert wird, prognostiziert es eher die Sprecheridentität als den sprachlichen Inhalt, was die Reinheit der silbischen Token beeinträchtigt. Um dieses Problem zu lösen, schlagen wir einen sprecher-disentangled silbischen Tokenisierer vor, der sprechergestörte Studentenrepräsentationen innerhalb von Blöcken fester Länge auf saubere Lehrerziele regrediert. Experimentelle Ergebnisse zeigen, dass unsere vorgeschlagene Methode eine Spitzenleistung bei der Silbengrenzenerkennung und der Clusterung silbischer Segmente erzielt. Darüber hinaus erreicht ein auf unseren silbischen Token trainiertes Sprachmodell eine relative Verbesserung von 7% beim syntaktischen und semantischen Verständnis im Vergleich zum phonemebasierten SpiRit-LM.
Halüberwachte semantische Segmentierung (SSSS) hat sich lange auf eine Frage konzentriert – welchen Pseudo-Labels man vertrauen kann – und diese mit immer sorgfältigerer Konfidenzfilterung beantwortet. Foundation-Backbones verändern das Paradigma: Mit einem DINOv2-Teacher erhält eine strenge Schwelle bereits eine gemessene, zu 98% saubere Pseudo-Label-Menge; die verbleibende Genauigkeit liegt also nicht im Filter, sondern darin, wie der Einbettungsraum durch Klassen strukturiert wird. Wir schlagen PixCon vor, ein sauber-positives pixelkontrastives Framework. PixCon unterhält eine klassenspezifische Speicherbank, die nur solche gelabelten Pixel aufnimmt, die der Student bereits korrekt klassifiziert, und garantiert so per Konstruktion eine kontaminationsfreie Positive-Menge (ρ_F=0) – im Gegensatz zu früheren kontrastiven SSSS-Banken (ReCo, U²PL), die aus konfidenzgefilterten Pseudo-Labels aufgebaut sind. Es handelt sich um einen einzelnen Zweig über ein Konsistenz-Backbone, der keine Inferenzparameter hinzufügt und keinen bankspezifischen Schwellenwert benötigt. Eine Analyse erster Ordnung des Supervised-InfoNCE-Gradienten erklärt, warum Kontamination schadet: Sein Falsch-Positiv-Term skaliert mit ρ_F/(1-ρ_F), den wir messen (0,018 auf Pascal, 0,106 auf ADE20K) statt vorauszusetzen. Über Pascal VOC, Cityscapes und ADE20K hinweg erreicht oder verbessert PixCon eine starke DINOv2-basierte UniMatch V2-Baseline in einem rechenaufwandsgleichen Ein-Schalter-Protokoll: Es verbessert jeden Pascal-1/8-Samen (ein Gewinn von etwa +0,2 mIoU pro Samen) und sein Drei-Samen-Mittelwert erreicht 87,90 – die veröffentlichte UniMatch V2-B-Zahl. Da Kontamination unter Foundation-Modell-Teachern bereits selten ist, deutet unsere Analyse darauf hin, dass die ρ_F=0-Garantie vor allem als Robustheit fungiert, wenn Teacher schwächer werden, während der Genauigkeitsgewinn aus sauberer positiver Supervision stammt. Damit macht sauber-positive Kontrastierung eine robuste, kostengünstige Standardwahl für Foundation-Modell-SSSS.
Hochdurchsatz-Wissenschaftseinrichtungen wie der Large Hadron Collider sind auf die Echtzeit-Ereignisfilterung (Triggern) unter strengen Beschränkungen hinsichtlich Bandbreite, Latenz und Speicher angewiesen. In der Praxis sind Trigger-Menüs weitgehend statisch und manuell abgestimmt, können jedoch suboptimal werden, wenn Detektorbedingungen, Pile-up und die Zusammensetzung des Untergrunds im Laufe der Zeit driften. Wir formulieren die Online-Abstimmung von Schwellenwerten als ein Problem der sequenziellen Entscheidungsfindung: Ein Verstärkungslern-Agent nimmt Streaming-Zusammenfassungen aktueller Raten und signalrelevanter Merkmale auf und passt die Trigger-Schwellenwerte an, um die Signal-Effizienz zu maximieren, während eine Ziel-Untergrundrate innerhalb eines Toleranzbands eingehalten wird. Wir passen die Group-Filtered Policy Optimization (GFPO) an die Streaming-Steuerung an und führen zwei Varianten (GFPO-F, GFPO-FR) ein, die die Zulässigkeit der Untergrundrate während des Trainings erzwingen. Anhand eines Benchmarks, der den realistischen Beschleunigerbetrieb emuliert, untersuchen wir zwei repräsentative Trigger: einen Trigger für die gesamte transversale Energie (H_{T}), der empfindlich auf Pile-up-Variationen ist, und einen Anomalieerkennungs- (AD) Trigger, der auf dem Rekonstruktionsverlust für seltene oder nicht standardmäßige Signaturen basiert. Auf Monte-Carlo-Strömen erhöht unser Agent den Anteil der in-Toleranz-Zeitintervalle um 48 % (H_T) bzw. 28 % (AD), mit einem kumulativen Gewinn von bis zu 2 % in der Signal-Effizienz in diesen in-Toleranz-Intervallen. Bei der Übertragung von Simulation auf reale Kollisionsdaten (CMS Run 283408) erzielt derselbe Agent ohne Feinabstimmung eine Verbesserung der in-Toleranz-Zeit um 56 % (H_T) bzw. 28 % (AD) gegenüber den Baselines, mit einem weiteren Gewinn an Signal-Effizienz bei beiden Triggern. Unseres Wissens ist dies die erste Demonstration einer RL-basierten Triggersteuerung auf echten Large-Hadron-Collider-Kollisionsdaten. Der Code ist unter https://github.com/Zixind/GFPO_LHC verfügbar (Details im Repository).