揭开多智能体决策的隐形不公，结果指标相同也未必可靠 | EMNLP'26
揭开多智能体决策的隐形不公，结果指标相同也未必可靠 | EMNLP'26当多个大语言模型（LLM）组成「招聘委员会」，共同筛选简历、讨论候选人、打分并投票时，我们通常会用最终录用率来判断系统是否公平。
来自主题: AI技术研报
8253 点击 2026-09-09 14:51
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
当多个大语言模型（LLM）组成「招聘委员会」，共同筛选简历、讨论候选人、打分并投票时，我们通常会用最终录用率来判断系统是否公平。
在 Milvus 里，HNSW 通常用于追求较高 Recall 的向量检索。
自动手语翻译中，一直存在一个隐蔽难题：模型即使已经较好地对齐了视觉与文本，也可能在逐词生成时，被某个局部合理、却缺少视觉证据支持的词带偏。
最近，GPT-6 Astra 的三维建模与空间理解 demo 引发关注。它能在 Blender 中搭建带家具和庭院的住宅，再将场景转入 Unreal Engine 5，让人能走进房间、打开柜门，甚至操作咖啡机。
过去两年，AI 领域最激动人心的叙事之一，是让模型自己改进自己：自己生成训练数据、自己改写提示词、自己修复自己的代码。这条路线叫递归自我改进（Recursive Self-Improvement，RSI）。
长文、网页、视频和代码经常停在这样的「半成品」状态：海报文案没有写错，却挤出了页面；网站首屏很漂亮，按钮点下去毫无反应；视频里的镜头单看都成立，连起来却丢了人物和节奏；程序刚修好一个模块，另一处又出现回归。
让 Agent 完成一个任务并不难。它会整理材料、修改文件、检查结果，再交付答案。
一句话概括：文本世界模型都在比 "生成文本像不像真实环境"，但我们发现文本更接近真实环境的预测反而可能让智能体错得更离谱。把训练目标从 "状态一致" 换成 "行为一致" 后，16 组实验配置下世界模型的轨迹级一致性几乎全面提升，弱智能体离线评测的假阳性率从 42.5% 降到 9.5%。
随着Office AI和文档智能体的发展，大模型开始直接处理财报、合同、研究报告等长篇图文材料。
过去几年，端侧大模型一直在不断突破能力边界。
Blender，可能就是这次GPT-6 Astra上线后的最大受益者。
王云鹤创业后，首次交卷了大模型成果。
科幻早就预演过这一天，而这两年 AI 的真实进展，正把它推成一个可讨论的命题：AI 或许不会停在「工具」上，而会成为与人类共生的存在 ——AGI Being。
先学会画，再学会听话。 LLaDA-Image 在预训练和中期训练阶段直接从图片学习视觉先验，超过 90% 的累计生成训练样本采用 image-only 监督；图文对则集中用于后续语言对齐。模型权重、训练代码和完整配方同步开放。
在大模型的发展中，提升能力的主要手段一直是 "做大"—— 更多参数、更多数据、更多算力。如今，另一条思路开始受到关注：与其不断堆叠新的层，不如让已有的层再跑一遍。这就是 Looped Transformer。普通 Transformer 的每一层只执行一次，而 Looped Transformer 会把其中一部分层重复执行，让模型在不增加参数的情况下获得更深的计算。
近年来，视频生成模型在清晰度、时序一致性和可控性上快速进步。给定文本、图像、相机轨迹或玩家动作，模型已经能够合成连贯的后续画面，也让「可交互视频世界」逐渐从概念走向可观看、可操作的原型。
从「会执行」到「会掌舵」，长程 Agent 还缺什么？
一只果蝇，在Minecraft里飞。
机器人 VLA 还在疯狂卷数据，StarVLA 团队这次却把目光放到了另一个问题上：除了继续 scale 数据以外，能不能让每一条数据都学得更值？
近期发表于 Nature Machine Intelligence 的论文 Towards principled knowledge editing methods for large language model reasoning [1]，从知识编辑切入，进一步探索大模型如何使用知识进行推理以及如何通过主动干预观察模型内部变化。
OpenAI这次真狠，GPT-6用起来有一种2023年GPT-4的感觉。
Claude证明超67%黎曼zeta零点位于临界线上，数学家Youness Lamzouri随后用更简洁的希尔伯特空间不等式给出了优雅的重新证明，AI工具AxiomProver在数小时内于Lean中完成自动形式化验证。
我们自建的"你画我猜 Benchmark"第一期用150个词、1350张SVG画作对8款模型进行互画互猜测试，最终GPT-6 Astra以75.5分险胜Gemini 3.8 Flash与Claude Fable 5.1，结果显示思考更多或花费更多的模型并未稳定取得更高分，且部分模型连自己的画都认不出。
谷歌Antigravity团队公布Teamwork多智能体编排框架成果，轻量级Gemini 3.7 Flash复现了Gemini 3.1 Pro解出的3道博士级数学难题，并从零构建RISC-V CPU模拟器、改进Eigen和ParlayHash开源库代码，证明小模型通过制度化博弈编排也能完成顶尖科研与工程任务。
北京航空航天大学史振威与邹征夏教授团队开发了面向广域地球观测的生成式基础模型MetaEarth3D，只需给定文字或卫星图即可生成无界连续一致的三维世界场景，并自带空间标注使空天AI模型空间理解能力平均提升22.85%。
浙大与港大团队开源轻量化记忆路由器LayerRecall，通过选择性检索历史记忆并仅注入对长程信息敏感的特定DiT层，解决长视频生成中角色离场再返回时身份与属性丢失的问题，在MemoBench和MovieBench评测中取得Overall第一，且约6.6MB的路由权重可零再训练迁移至其他视频生成骨干。
TikTok SRE 技术负责人 Salman Munaf 在演讲中指出，AI Agent 一旦调用外部服务就演化为分布式系统，开发者必须引入请求标识符、幂等键、状态查询、熔断器、范围权限与可观测性等工具，并将记忆视作缓存、审批绑定具体参数，才能避免重试风暴和不可逆事故。
文章系统拆解了ASI、AGI、RSI与Agentic AI四个核心AI概念，指出AI进化并非从ANI到ASI的单一直线，而是智能、行动、自我进化与组织协作四条曲线同时推进，行业真正的分水岭在于这四条曲线的交汇时刻。
Meta联合南洋理工大学等多所高校全开源HumanCLAW基准，将高层行动决策与低层运动控制分离以单独测量视觉语言模型的行动智能，九个前沿模型完整交互成功率仅16.8%，揭示出当前基础模型缺乏持续维护自身身体状态估计的具身自我感知缺口。
北航、清华、港大、北大联合团队提出近似投机解码（ASD），作为即插即用的验证器模块，在严格预算内接受极少数低遗憾分歧字并复用大模型已算好的后缀，免训练地挂载于DSpark、EAGLE3、Medusa等主流投机解码算法，吞吐最高提升15.26%。