Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：

GRIT: Teaching MLLMs to Think with Images

Summary

这篇研究论文介绍了 GRIT（Grounded Reasoning with Images and Text），这是一种用于训练多模态大型语言模型（MLLMs）的新方法，使其能够通过图像进行思考。GRIT 引入了一种 基础推理范式，其中模型生成的推理链将自然语言与显式边界框坐标交织在一起，以指向输入图像中的相关区域。该方法利用名为 GRPO-GR 的强化学习算法进行训练，该算法专注于最终答案的准确性和 基础推理输出的格式，从而无需复杂的推理链或边界框注释数据。结果显示，GRIT 具有卓越的数据效率，仅需少量训练样本即可让 MLLMs 统一其 基础和推理能力，在各种视觉问答和指代表达理解任务中表现出更高的准确性。该研究还通过定性和定量分析了生成的边界框如何与自然语言内容互动，并探讨了扩展训练数据的影响。

原文链接：https://arxiv.org/abs/2505.15879

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：

When Thinking Fails: The Pitfalls of Reasoning for Instruction-Following in LLMs

Summary

这篇研究探讨了大型语言模型（LLMs）中一个令人惊讶的现象：显式推理，例如通过思维链（CoT）提示，反而会降低模型遵循指令的准确性。作者在两个不同的基准测试（IFEval和ComplexBench）上评估了15个模型，结果一致显示性能下降。通过案例研究和基于注意力的分析，研究人员发现推理有时会通过分散模型对指令关键部分的注意力来损害性能，尽管它在格式或词汇精度方面可能有所帮助。为了解决这个问题，研究提出了四种缓解策略，其中分类器选择性推理被证明能最有效地恢复丢失的性能。这项工作是首次系统地揭示了推理在指令遵循中可能导致的失败，并提供了实用的缓解方法。

原文链接：https://arxiv.org/abs/2505.11423

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：

Visual Planning: Let’s Think Only with Images

Summary

本研究引入了一种名为“视觉规划”的新范式，旨在通过纯粹的视觉表示来解决推理任务，而无需文本中介。它挑战了大型语言模型（LLMs）和多模态大型语言模型（MLLMs）中基于文本的传统推理方法，特别是在处理空间和几何信息时。作者提出了一种名为通过强化学习进行视觉规划（VPRL）的两阶段框架，利用强化学习来训练大型视觉模型（LVMs），使其能够生成逐步的图像序列来表示规划过程，模拟人类的视觉思考方式。通过在FROZENLAKE、MAZE和MINIBEHAVIOR等视觉导航任务上的实验，该研究证明了视觉规划在性能上显著优于基于语言的推理方法，并展现出更强的泛化能力。最终，这项工作强调了纯粹的视觉推理作为文本推理的有效替代方案，为开发更直观、灵活的AI推理系统开辟了新的途径。

原文链接：https://arxiv.org/abs/2505.11409

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges

Summary

该研究概述了人工智能代理（AI Agents）和智能代理系统（Agentic AI）的演变，从早期的特定任务系统发展到现代的复杂协作框架。文章首先定义了AI Agents的核心特性，例如其自主性、任务特异性和反应性，并解释了大型语言模型（LLMs）如何推动它们的进步，使其能够进行工具增强的推理。随后，研究转向更高级的Agentic AI，强调了其多代理协作、高级规划和协调机制，这使得它们能够处理复杂的、多步骤的系统级目标。文章还探讨了这两种范式在实际应用中的区别，从客户支持到智能机器人协调，并指出了它们各自的挑战，如因果推理不足、协调瓶颈和可解释性问题。最后，该研究提出了潜在的解决方案，例如检索增强生成（RAG）、记忆架构和因果建模，旨在为未来可信赖和可扩展的智能系统设计提供指导。

原文链接：https://arxiv.org/abs/2505.10468

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：AlphaEvolve: A coding agent for scientific and algorithmic discovery

Summary

本文档介绍了 AlphaEvolve，这是一种由 Google DeepMind 开发的进化式编码代理，旨在通过迭代修改和改进代码来解决复杂的科学和算法问题。AlphaEvolve 利用大型语言模型（LLMs）生成、批评和演化算法，并通过自动评估机制获取反馈。该系统已成功应用于多个领域，包括优化 Google 数据中心的调度算法、简化硬件加速器电路设计、加速自身 LLM 的训练，并发现了新颖的、可证明正确的数学和计算机科学算法，例如在56年后首次改进了 Strassen 矩阵乘法算法。AlphaEvolve 的核心优势在于其进化方法和使用最先进 LLM 处理复杂代码库的能力，使其在规模和通用性上超越了先前的自动化发现方法，尽管其主要限制在于需要可自动评估的问题。

原文链接：https://arxiv.org/abs/2506.13131

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：

Continuous Thought Machines

Summary

该文本介绍了**“连续思想机器（CTM）”，这是一种新颖的神经网络架构，旨在通过明确整合神经时间作为其核心功能元素来弥补人工智能和生物智能之间的差距。与传统神经网络不同，CTM利用神经元级别模型（NLMs）和神经同步来生成复杂的神经活动动态**，这些动态独立于输入数据而展开。该模型在各种任务中进行了评估，包括图像分类、2D迷宫导航、数字排序、奇偶校验计算和强化学习，以展示其形成内部世界模型、进行自适应计算和通过内部思考过程解决问题的能力。研究结果表明，CTM能够学习灵活的算法并展示出比传统循环网络（如LSTM）更强的泛化和可训练性，这归因于其受生物学启发的设计原则。

原文链接：https://arxiv.org/abs/2505.05522

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：OSUniverse: Benchmark for Multimodal GUI-navigation AI Agents

Summary

这篇论文介绍了 OSUniverse，这是一个用于评估多模态GUI导航AI代理的新基准。作者指出，尽管现有基准**（如WebShop、Mind2Web和OSWorld）在评估网络或桌面任务方面存在局限性**，OSUniverse旨在通过提供更复杂、多应用程序的任务集和可扩展的框架来克服这些不足。该基准将任务分为五个难度级别，并引入了一种准确率低于2%的自动化验证机制，以实现可扩展的评估。初步测试结果显示，即使是目前最先进的AI代理也难以在OSUniverse中取得高分，远低于人类表现，这表明GUI导航仍然是AI面临的一个重大挑战。

原文链接：https://arxiv.org/abs/2505.03570

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：

Chain-of-Thought Tokens are Computer Program Variables

Summary

该研究探讨了思维链（CoT）在大型语言模型（LLMs）中解决复杂推理任务时的内部机制，特别关注其在多位乘法和动态规划等组合任务中的作用。研究人员提出，CoT令牌的功能类似于计算机程序中的变量，用于存储中间结果，这些结果对后续计算和最终答案具有因果关系。通过移除非结果令牌、将结果合并为潜在令牌以及干预CoT中的值等实验，该论文证实了CoT对于此类问题的必要性，并表明中间结果的存储形式相对不重要，但其值对模型输出有直接影响。研究还发现，LLMs在处理简单子问题时可能会形成“捷径”，且CoT令牌间的计算复杂度存在一个限制，超出该限制会导致模型性能下降。

原文链接：https://arxiv.org/abs/2505.04955

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：

Learning to Act Anywhere with Task-centric Latent Actions

Summary

这篇研究介绍了 UniVLA，一个用于机器人学习的统一 视觉-语言-动作 (VLA) 框架。该框架的核心创新在于以无监督的方式从视频中学习以任务为中心的潜在动作，使其能够利用来自不同机器人和视角的大量数据，而无需动作标签。通过在大规模视频数据上进行预训练，UniVLA 能够开发出一种跨机器人通用策略，只需最低成本的动作解码即可轻松部署到各种机器人上。研究强调，UniVLA 在多种操纵和导航任务中表现出色，显著优于现有方法，同时需要的计算资源和下游数据也更少，展示了其在可扩展和高效机器人策略学习方面的巨大潜力。

原文链接：https://arxiv.org/abs/2505.06111

Seventy3：借助NotebookLM的能力进行论文解读，专注人工智能、大模型、机器人算法方向，让大家跟着AI一起进步。

今天的主题是：WebThinker: Empowering Large Reasoning Models with Deep Research Capability

Summary

该文档介绍了一种名为 WebThinker 的新型深度研究代理，旨在增强大型推理模型（LRMs）处理复杂、知识密集型任务的能力。WebThinker 通过 深度网络探索器 模块，使LRMs能够自主搜索网络、导航网页和提取信息，以弥补知识空白。它还采用 自主思考-搜索-起草策略，让模型在推理过程中无缝地穿插信息收集和报告撰写。此外，通过基于强化学习的训练策略，WebThinker 能够优化工具利用。实验结果表明，WebThinker 在复杂推理基准测试和科学报告生成任务上均优于现有方法和专有系统，预示着其在创建更强大、多功能的深度研究系统方面的巨大潜力。

原文链接：https://arxiv.org/abs/2504.21776