08:03LangChain@LangChainAI精选LangChain 在 Deep Agents 中推出了 Agent Rubrics 功能,允许用户为智能体调用附加评分标准。系统会自动评估输出并自我修正,直到满足所有要求。该功能特别适用于需要保持智能体始终围绕最终目标的复杂或长任务。由 Sydney Runkle 开发,旨在提升智能体在长流程中的可靠性和目标一致性。AI产品智能体LangChainDeep Agents评分标准自我修正推荐理由:做复杂自动化任务的开发者终于有了一个让智能体不跑偏的机制——自动评分+自我修正,建议试试这个新功能。原文
11:27arXiv cs.AI@Xinchen Zhang, Bowei Liu, Jiale Liu, Chufan Shi, Yizhen Zhang, Junhong Liu, Youliang Zhang, Zhiheng Li, Yujiu Yang, Ling Yang精选多模态大模型的视觉输出需要可靠且细粒度的验证。本文提出多模态元验证方法,发现符号化验证器输出(如边界框)比文本解释更有效,且将二元判断与元验证的强化学习目标解耦能显著提升性能。基于此训练的OmniVerifier-M1通用视觉验证器,不仅提供稳健验证和细粒度错误定位,还驱动了M1-TTS智能体生成系统,实现动态区域级自我修正。该工作为更可靠、可解释的多模态验证铺平道路,支持更安全可控的基础模型部署。论文多模态模型元验证强化学习符号化输出自我修正推荐理由:做多模态模型评估或安全部署的团队,可以关注这种符号化元验证思路——它用边界框替代文本解释做奖励信号,既高效又避免依赖辅助模型,直接提升验证的细粒度与可解释性。原文