AI 日报 | 2026-05-14 周四

提出AlphaGRPO框架，将Group Relative Policy Optimization应用于AR-Diffusion统一多模态模型，通过分解式可验证奖励实现自反思式多模态生成增强。

探索LLM持续自适应学习范式——参数更新迫使模型吸收任务特定信息，可能导致灾难性遗忘，本文研究快慢结合的持续学习策略。

提出经验性稀疏到密集奖励原则：在标注验证数据有限的约束下，审慎分配每一条检查样本，通过渐进式奖励密度提升后训练效率。

评估Agent在专业Web环境中的长期记忆能力，聚焦于界面功能记忆、状态动态、工作流程和反复失败模式——推动Agent从新手到经验丰富的同事。

探索LLM引导的查询精炼范式，将嵌入模型扩展到具有挑战性的零样本搜索和分类任务，通过测试时LLM指导实现任务自适应嵌入精炼。

提出多实体演化记忆评估基准——LLM Agent越来越需要在持久环境中跨多会话存储、更新和推理信息，超越此前仅评估单一实体更新的基准。

提出Pion谱保持优化器，基于正交等价变换进行乘法更新，不同于Adam/Muon等加性优化器，能在LLM训练中保持模型谱结构。

提出弹性注意力核心机制，解决Vision Transformer全对全自注意力的二次计算复杂度，实现可扩展的高效视觉Transformer。