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
8294 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。
OpenClaw 2.0（v2026.8.1）对比前代v2026.7.1-2的实测显示，新版将LLM请求次数减少38%、工具调用减少35%且未触发上下文压缩，把开源Agent从个人工具推向可长期托管、可协作复盘的工作系统，但命令行安装和工程门槛依然较高，更适合团队受控环境测试。
过去几年，机器人操作领域几乎被一批新概念重新 “刷屏”。 LLM Planner、VLA、Diffusion Policy、Flow Matching、Latent Action、World Mode
随着开源模型能力不断提升，它们已经能够以极低的成本生成多个高质量候选方案，并进一步利用模型自身对这些结果进行验证、打分和筛选。斯坦福团队最新实验发现，使用 DeepSeek V4 Flash + LLM-as-a-Verifier 进行「自验证」，可以在 Terminal-Bench 2.1 上超越 Claude Fable 5，同时整体成本低约 11 倍。
同样的模型，同样的任务，让它执行五遍，再让他自己挑一遍最稳的，效果能有多大提升？斯坦福把这套玩法用在了AI身上，DeepSeek V4 Flash在Terminal-Bench 2.1的成绩从79%一路涨到88%，反超了尖子生Fable 5。而且连做五遍加挑选这一通折腾，价格依然比Fable 5便宜了4-11倍。
面对大模型规模与硬件内存之间高达20倍的算力鸿沟，不重训的“1比特量化”如何把千亿参数的硅基大脑塞进微型设备？
《智能涌现》从相关人士处获悉，混元资深研究员徐灿在近期加入腾讯WeLM团队，从事大模型研发相关工作。多名知情人士透露，在姚顺雨接手腾讯大语言模型研发前，徐灿在混元LLM体系中担任后训练一个方向上的负责人。值得一提的是，这次转岗发生在微信持续强化自研大模型和Agent能力的阶段。
原生 AI TechBio 公司寻明生科（ Aureka ）完成了 1 亿美元 B 系列融资。距离上一轮 A+ 轮融资，仅仅过去 4 个月。我们在用非常 LLM 的方式在做这个事情。寻明生科创始人兼 CEO 赵伟安博士打了比方，如果传统药物发现是在造油车，我们希望用特斯拉的方式把它重做一遍。
Microsoft 发布了 一个用于在 Azure Kubernetes 服务 上路由智能体流量的参考架构。它将这个问题分解为三个关键选择：由哪个模型响应调用、如何管理调用，以及由哪个 GPU 副本处理调用。
近日，浙江大学 OmniAI 团队在 《Show, Don’t Tell: Evaluating Spatial Cognition in Generative Pixels Rather Than LLM Text》 中提出 ProVisE，让图像生成模型直接在图中回答空间问题，并将视觉答案还原为原 benchmark 可以评分的结构化预测。