8 августа 2026

Исследователи из Университета Цинхуа, Чжэцзянского университета и Meituan предлагают AgentOPSD — метод, перераспределяющий разреженные итоговые награды в пошаговые сигналы вклада для многошагового многораундового агентного RL с длинным горизонтом, используя рекурсивные байесовские обновления по разрывам правдоподобия между учителем и учеником вместо равномерного распределения преимущества на уровне траектории (как в GRPO). Метод достигает 89,1% успеха на ALFWorld с Qwen2.5-7B без дополнительных роллаутов или обученных критиков.

Команда из нескольких университетов создала OSReward — бенчмарк из 1019 размеченных людьми траекторий computer-use на вебе, Windows, Ubuntu и мобильных устройствах — для проверки надёжности VLM в роли судьи. Топовые модели-судьи набирают около 90% в целом, но падают до 70% на сложных случаях, в основном ошибочно засчитывая незавершённые задачи как успешные; команда также выпустила открытые модели-судьи OS-Shepherd (9B/35B), сопоставимые с коммерческими судьями при цене в 30-60 раз ниже.

Исследователи Tencent Hunyuan представляют WorldClaw — агентный pipeline «от грубого к детальному», превращающий текстовые запросы в большие, свободно исследуемые 3D-миры через три стадии: планирование замысла, генерация глобального рельефа и заполнение регионов редактируемыми, текстурированными объектами-мешами, при этом сохраняя глобальную пространственную согласованность.

Совместная команда из академии и Tencent предлагает EnvACE, где единая политика одновременно действует и симулирует собственные ответы среды («репетиция мира») во время RL-обучения, устраняя необходимость во внешних симуляторах. Это усваивает динамику среды в параметрах модели как интернализированную модель мира, повышая как эффективность обучения, так и производительность на тестовых агентных бенчмарках.

ByteDance Seed и академические партнёры представляют GST-Bench — бенчмарк видео-VQA из 2762 вопросов, проверяющий способность моделей «зрение-язык» выстраивать глобальное пространственное восприятие по длинным видео от первого лица, включая вывод с новых точек обзора и картирование в план сверху. Лучшая VLM в режиме zero-shot набирает 42,68 балла против базового уровня человека в 79,08; проприетарные модели ошибаются в основном на интеграции между кадрами, открытые модели ошибаются как в локальных, так и в глобальных рассуждениях.