AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

大家都在搜：vLLM12 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10 training10

AI 答案

资料有限基于 3 条来源 · 引用可点击溯源

现有资料不足以回答该问题。三条资料分别涉及视觉语言模型的空间推理增强1、元测度间的垂直切片 Wasserstein 距离2，以及 Verus/Rust 形式化验证中正确性反馈对规范完整性审计证据的抑制效应3，均未涉及多智能体编排（去中心化自编排与显式编排）的架构设计，也未讨论长时程任务下的取舍权衡。资料中唯一与「长时程任务中的编排取舍」在概念上可类比的是 3 的发现：在 Verus/Rust 形式化验证流程中，正确性反馈会抑制规范完整性审计所需的证据，无反馈独立发现产生的认证见证率为 59.0%，远高于纠正反馈循环的 27.1%，且该优势跨模型家族成立；保留这些见证可将规范修复成功率从 62.5% 提升至 81.3%，说明审计与修复目标相悖，应先保留并认证失败证据再修复3。这提示「先独立探索、后集中修复」的分阶段流程可能优于紧耦合的反馈循环，但它讨论的是单体验证流程中的反馈机制，并非多智能体编排，不能直接作为去中心化自编排与显式编排取舍的依据。因此，关于去中心化自编排与显式编排在长时程任务上的具体取舍（如可控性、错误累积、通信开销、可审计性等），现有资料不足以回答。

继续追问

去中心化自编排在多智能体系统中如何避免长时程任务中的错误累积？显式编排（如工作流/状态机式编排）在长时程任务中的可控性与开销如何权衡？多智能体编排中如何设计反馈机制，避免像 [3] 中那样抑制关键证据？

参考来源

3 条

1站内DK-VLM用几何位置增强视觉语言模型空间推理DK-VLM提出双核注意力机制，将3D几何位置而非重建特征直接注入注意力计算，并引入参考系组合监督训练模型跨视角更新空间判断。在六个空间基准上取得最高平均分，VSI-Bench达74.33，同时保持通用视频理解能力。Hugging Face Papershttps://huggingface.co/papers/2610.22356 2站内Vertical Sliced Wasserstein Distances for Meta-Measures论文提出垂直切片 Wasserstein 距离（VSW），用于比较观测本身即为概率测度的元测度（P(P(Ω))）。它用连续测试函数投影内层测度，再用一维 Wasserstein 距离比较，避免高维最优传输的高昂开销，并证明其为有效度量、可度量弱收敛且具维度无关的统计收敛性，还给出粒子梯度用于元测度的梯度传输。arXiv cs.LGhttps://arxiv.org/abs/2610.20743 3站内When Correctness Feedback Erases Evidence: Phase-Separated Completeness Auditing in Verus论文发现：在 Verus/Rust 形式化验证中，正确性反馈会抑制规范完整性审计所需的证据。无反馈独立发现产生的认证见证率（59.0%）远超纠正反馈循环（27.1%），且该优势跨模型家族成立。保留这些见证可显著提升规范修复成功率（81.3% vs 62.5%），提示审计与修复目标相悖，应先保留并认证失败证据再修复。arXiv cs.AIhttps://arxiv.org/abs/2610.20676

AI 答案正在检索与综合…

站内相关条目

3 条 · 点击可看原文全文与中文译文

返回信息流

大模

DK-VLM用几何位置增强视觉语言模型空间推理

DK-VLM提出双核注意力机制，将3D几何位置而非重建特征直接注入注意力计算，并引入参考系组合监督训练模型跨视角更新空间判断。在六个空间基准上取得最高平均分，VSI-Bench达74.33，同时保持通用视频理解能力。

大模型·Hugging Face Papers·4 天前

#vlm

其他

Vertical Sliced Wasserstein Distances for Meta-Measures

论文提出垂直切片 Wasserstein 距离（VSW），用于比较观测本身即为概率测度的元测度（P(P(Ω))）。它用连续测试函数投影内层测度，再用一维 Wasserstein 距离比较，避免高维最优传输的高昂开销，并证明其为有效度量、可度量弱收敛且具维度无关的统计收敛性，还给出粒子梯度用于元测度的梯度传输。

其他·arXiv cs.LG·4 天前

#optimal-transport

大模

When Correctness Feedback Erases Evidence: Phase-Separated Completeness Auditing in Verus

论文发现：在 Verus/Rust 形式化验证中，正确性反馈会抑制规范完整性审计所需的证据。无反馈独立发现产生的认证见证率（59.0%）远超纠正反馈循环（27.1%），且该优势跨模型家族成立。保留这些见证可显著提升规范修复成功率（81.3% vs 62.5%），提示审计与修复目标相悖，应先保留并认证失败证据再修复。

大模型·arXiv cs.AI·4 天前

#formal-verification