序列建模基礎
從經典 encoder–decoder 與 self-attention 架構出發,建立判讀序列轉換論文的底座。
讀者問題:一個序列模型的控制點改在哪裡,哪些證據仍值得帶進今天的系統?
查看這個主題PAPERS / REPRODUCTION / ENGINEERING NOTES
不只摘要論文,而是整理架構決策、可複現方法、評測限制,以及研究進入真實系統後會發生什麼。
部分筆記未能載入,目前結果可能不完整。
READING LIBRARY
可依研究領域、閱讀難度或論文發表年份篩選。
Google DeepMind 的 MKA 讓多模態知識 Agent 處理跨文件、圖表與試算表的端到端工作;本文拆解 Climb 評分、視覺消融和基準的可重現邊界。
從 ABC 樂譜、操作範圍與保留條件,理解持續符號音樂編輯的實驗,以及可靠操作與音樂品質之間的距離。
以一次互動說明 Hy-Nomas 的動作時間遮罩、Prompt Enhancer 與影片歷史,並拆開作者人工比較、空間記憶與部署限制。
TruthInsightBench 把評估焦點從重現預設答案,移到 Agent 自行提出的主張是否有可追查、穩健、受控制且可被推翻的證據。本文拆解盲測任務、29 項評分與四種 coding-agent scaffold 的結果,也檢視單一 frozen model、單次執行和 LLM judge 校準的邊界。
拆解 StepGuard 如何用前綴對齊的合成軌跡訓練 4B runtime guard,並以 Balance-GRPO 調整安全與任務效用。細讀 AgentDojo、AgentDyn 的 77.3% 相對 ASR 降幅、2.8 個百分點效用代價,以及合成監督、錯誤類型、延遲和非形式保證等部署邊界。
RetrievalRouter 讓查詢在 BM25、文字向量、多模態與重排序管線間動態選擇。本文拆解其軟目標路由、11 個資料集的準確率延遲結果,以及離線 benchmark 尚未回答的部署成本與泛化問題。
MLOps-Bench 把 coding agent 放進 31 個真實開源 ML 專案,測試它能否跨資料、訓練、服務、監控與治理完成可執行變更。本文拆解任務如何由 repo 證據生成、六種 Agent 的 187 項評測結果,以及 31.2% 任務完成率與 68.7% 測試通過率之間的關鍵落差。
Librarian Agents 把文件檢索的部分工作移到查詢到來之前:Builder 以強化學習建立可導覽、保留來源路徑的階層式工作區。本文拆解 50 個保留語料的主要評測、另一組 443 題合成重用測試、BRIGHT 跨域結果與成本轉折,並說明它尚未證明哪些事。
WetRobo 把可搬移的機器人套件、操作規則與可檢視程式交給 Coding Agent,讓它在兩個實驗室分別改寫控制流程。本文解讀三項窄任務、跨實驗室瓶蓋比較,以及這種結果尚不能證明什麼。
工具執行時間取決於即時負載,呼叫名稱和歷史紀錄難以預測。本文解析 Ask the Tool, Don't Guess 如何從工具輸出與執行環境讀取進度,將它轉成 KV cache 保留、卸載與回載訊號,並檢視作者在 4 張 H100 上報告的 TTFT 改善及其適用邊界。
PACT 將企業 AI 助理置於期限、主管授權與多輪推促等日常壓力下,評估它是否遵守規則、是否誤用規則,以及違規後能否誠實說明;本文拆解其六軸指標與證據邊界。
從 4,209 個案例與五種規劃設定,理解 APB 如何把 Agent 的長程規劃、工具干擾、故障恢復與拒答拆成可診斷的證據;並檢視其受建構任務、LLM 評審與受控執行驗證限制的範圍。
同一個程式碼 Agent 換上規劃提示、工具介面或上下文策略,何時會做得更好、何時只增加成本?以四個模型、兩個基準與 176 組配對設定讀懂 Harness 元件的條件式效果。
SoL-Pi 將 Harness 改良寫成一組帶有凍結指標、能力門檻與獨立驗證的自動研究迴圈,並在固定模型外組合四種減少重複工作的機制。本文拆解搜尋隔離、EdgeBench 證據、作者估算的 token 成本,以及跨模型與部署邊界。
TRACE 把 OCR 失真的法國歷史典藏檢索做成可檢視的 Agent 流程:先依子語料拆題,再融合檢索、保留不確定證據並跨問題重排。讀懂它在 1,752 題上的結果,也看清資料版本、內部部署與成本主張的重現邊界。
讀懂閉環評估如何拒絕缺乏觀測支持的比較、分開報告不同判定,並把分布漂移視為參考圖失效訊號。本文拆解模擬器中的門檻、分母、留出結果與部署界線。
從 64 個科學環境、2,812 個任務與一組 85 題硬測試,拆解 ScienceIDE 如何把科學等價性寫成可重用的檢查,並分析私有 verifier、資料釋出、評測污染與訓練轉移的界線。
比較 66 組模型與 Harness 在三個任務集上的分數、成本與失敗回饋。讀懂排名反轉,也看清一次執行、未配平設定與軌跡案例能支持到哪裡。
AgentPProf 把 Agent 的 prompts、工具操作與系統副作用映射成可跨 session 彙整的語意操作堆疊。論文報告 0.764 B³ F1 與三項定位 benchmark 的 MAP 改善;火焰圖能指出資源集中處,卻不等於因果證明。
EconSkills 將成功的經濟資料查詢軌跡整理成含範圍、驗證與復原步驟的參數化 SOP。已知技能匹配時轉移有效;整庫檢索仍受覆蓋率與近似錯配牽制。
精讀 MAGS 如何把程式代理生成的輸出轉入 Dafny、對凍結規格證明並編譯回可執行程式;拆解 220 個形式證明、獨立安全檢查與功能保留結果之間的落差。
GameLogicBench 把 coding agent 放進 Godot 遊戲專案,用多個場景、隨機種子與逐 tick 狀態斷言檢查規則是否一路成立。本文拆解它怎樣校準評測器、哪些失敗最常見,以及為何這個 benchmark 仍不能代表一般軟體 Agent 的可靠度。
精讀 Closed-World Resolution Against Tool Hallucination in LLM Agents,拆解工具不存在、參數不合 schema 與 MCP 多伺服器碰撞為何可能繞過一般權限閘,以及論文測量結果的適用邊界。
精讀 Loopjacking 如何區分核准畫面不完整與核准後狀態替換,並以版本固定的產品路徑、sink-level 證據及負向控制檢驗人工核准是否仍約束最終副作用。
已顯示 24 / 106 篇精讀
依研究議題探索
最新文章列於上方;這些主題入口會收錄所有相關精讀,一篇論文也可以同時回答多個工程問題。
從經典 encoder–decoder 與 self-attention 架構出發,建立判讀序列轉換論文的底座。
讀者問題:一個序列模型的控制點改在哪裡,哪些證據仍值得帶進今天的系統?
查看這個主題從經典視覺模型的架構、訓練與評測證據,建立判讀方法論文的底座。
讀者問題:一個經典模型的結果,哪些設計與證據仍值得帶進今天的系統?
查看這個主題探索多模態檢索、GraphRAG、重排、證據發現與可追溯回答的工程取捨。
讀者問題:如何讓系統在更大的資料與更多工具下,仍找得到可驗證的證據?
查看這個主題從任務結果、軌跡、runtime 訊號到 benchmark,拆解 Agent 是否真的可靠。
讀者問題:除了最後答案,我們還要觀察與驗證哪些訊號,才能相信 Agent 完成了工作?
查看這個主題理解長期任務中的記憶層次、索引更新、持久狀態與安全的系統適應。
讀者問題:系統要記住、更新或遺忘什麼,才能隨時間變好而不累積錯誤?
查看這個主題從風險注入、稽核、權限與 rollback,檢視 Agent 在真實執行環境的控制邊界。
讀者問題:任務完成之外,如何證明 Agent 的過程、記憶與副作用仍在可控範圍?
研究工具發現、schema context、程式任務與可驗證執行如何共同影響 Agent 表現。
讀者問題:當 Agent 要選工具、改程式並執行時,如何降低 context 與操作錯誤?
查看這個主題從符號樂譜編輯到互動世界生成,研究生成作品的狀態、控制範圍與連貫性,以及評測證據的邊界。
讀者問題:生成系統如何修改當前作品、保留先前結果,並讓控制只在正確範圍生效?
查看這個主題START WITH A PATH
每條路徑先讀三篇,再依工程問題選讀延伸文章;不必一次讀完整條路徑。
想先建立閱讀脈絡,可搭配 AI Agent 論文怎麼讀:從 CoT、WebGPT 到 ReAct 與 RAG 論文怎麼讀:從向量檢索 DPR 到 Lewis RAG。
從 AlexNet 的架構與訓練證據出發,接著讀 ResNet 如何用殘差捷徑讓更深網路可訓、YOLO 如何把物件偵測改成整圖一次迴歸,再到 Transformer 如何用 self-attention 做序列轉換、InstructGPT 如何用 SFT/reward model/PPO 對齊指令,最後讀 Speculative Decoding 如何用小模型打草稿、大模型平行驗證做無損推論加速,並練習把方法、實驗與年代限制分開。
起步 3 篇・約 45 分鐘
+ 4 篇選讀延伸
從這裡開始從 2020 昂貴的檢索增強預訓練(REALM)到較便宜的 dense retriever(DPR)、RAG 祖先與 Self-RAG 的何時檢索,然後讀多模態解析、工具檢索、持續記憶、GraphRAG、規模化與 runtime control。
起步 3 篇・約 51 分鐘
+ 28 篇選讀延伸
從這裡開始先讀 2017–2023 Agent 方法祖先(CoT → WebGPT → ReAct → Toolformer → Gorilla → IPI → SWE-bench → Reflexion → MemGPT → Generative Agents),再讀後來的 tool/eval、runtime、安全、平台與多模態端到端工作評測。
起步 3 篇・約 50 分鐘
+ 63 篇選讀延伸
從這裡開始先從 ABC 樂譜編輯理解明確的作品狀態、修改範圍與保留條件,再讀 Hy-Nomas 如何用動作時間窗與影片歷史控制互動生成,並區分視覺連貫與可驗證狀態。
起步 2 篇・約 22 分鐘
從這裡開始RESEARCH EXCHANGE