教育科技研究速報

提出一種將統計偏好學習與語義意圖解析解耦的新架構，提升個人化代理在有限資源下的技能選擇準確度。

本文提出 ToolMaze 基準測試，揭示 LLM 代理人在面對工具錯誤時，其動態重新規劃能力的成長速度遠低於基礎任務執行能力。

本文提出 SubtleMemory 基準測試，旨在評估 AI 代理人在長時程互動中辨別複雜記憶關係的能力。

提出一種基於評論者引導的異質多代理人框架，透過生成與驗證機制提升數學推理的準確性與可靠性。

提出 PerceptUI 框架，利用多階段訓練的 LLM 代理模擬特定用戶角色，進行高擬真度的 UI/UX 評估。

研究提出 BenchAgent 框架，發現多 Agent 系統在標準化條件下往往不如單 Agent，除非採用動態生成的運行時工作流。

本文提出 OPT* 任務框架，透過可擴展的搜尋空間訓練 LLM 進行複雜的逐步優化決策推理。

提出 Brick-Composer 框架，透過結合人類設計、物理回饋與合成經驗，提升 MLLM 在積木組裝任務中的精準度。

研究發現 LLM 在驅動程式演化時會出現結構性收斂，導致變異陷入重複的模式而非持續探索新形式。

透過生成正負推理軌跡並使用對比偏好優化（CPO），顯著提升了大型語言模型處理多表問答的推理能力。

提出 VAMPS 基準，評估多模態 LLM 在圖形工具輔助下解數學問題的表現，發現直接分析仍優於視覺輔助。

提出 SMAC-Talk，將星際爭霸多代理挑戰加入自然語言通訊，評估 LLM 在協作環境中的協調與信任。