PapersSelected6月15日 17:57

NLAH论文：用自然语言替代智能体代码，Token减少95%

Official account阿里云 Alibaba Cloud@alibaba_cloud

Post

Why we picked it

看这篇论文，阿里云用自然语言写智能体工具，token省了95%，还能揪出拖后腿的环节。

阿里云等机构在论文中提出NLAH框架，用可执行自然语言替换刚性代码工具集（Agent Harness）。在相同任务上，NLAH性能与代码方案持平，但Token消耗从60k降至2.

Body

9k，降幅达95%。其模块化设计可精准归因每一步的值，并识别出多候选搜索等“负资产”环节。

该工作将智能体构建从“胶水代码”转向科学策略。

Original · 阿里云 Alibaba Cloud

🚀 Taming Agent Chaos?

Paper reveals NLAH: Replace rigid code harnesses with executable natural language.

✅ Performance matches code, tokens drop 95% (60k→2.9k) ✅ Modular design enables precise value attribution ✅ Identifies "negative assets" like multi-candidate search

Shift from glue code to scientific strategy.

💡https://t.co/0YRLpGUF9m

#AgentHarness #NLAH #LLMEngineering

Industry Coordinates & Source Verification

This report is categorized under AITOP's "Papers" desk. Key entities and technical topics under continuous tracking include NLAH, AgentHarness, 智能体, 自然语言.

Source attribution: curated from 阿里云 Alibaba Cloud (@alibaba_cloud).

#NLAH #AgentHarness #智能体 #自然语言 #效率优化

Keep reading

Recent stories with the same tag or section

Papers BuildersOfficial15:27

Chinese content浙江大学推出 SpaceCast-Bench：最强视觉模型空间预测仅 58%，人类 87%

浙江大学这个新基准专挑 VLM 的痛点测：场景变了，模型能不能推出空间关系怎么变。结果 21 个模型里最强的只拿到 58%，人类是 87%。做机器人、具身智能或视频方向的同学可以用它来量化自家模型到底差在哪。

#SpaceCast-Bench #VLM #空间推理 #基准测试

Primary sourcePandaily@[email protected] (Pandaily)Source

Papers Builders15:04

Chinese contentCoReMem：为连续编码任务设计代价内化的记忆框架

arXiv上这篇论文解决了编码智能体记忆该存什么、什么时候用的问题。它把读写记忆的成本算进训练目标，在ChainSWE基准上让27B模型解决率从21.0%提到25.7%，还少走17%的步数。做智能体记忆或SWE agent的团队值得对比看看。

#CoReMem #编码智能体 #ChainSWE #记忆机制

arXiv cs.AI@Peiwen Li et al. (9)Source

Papers Policy15:03

Chinese contentSynthesis Smuggling：恶意 LLM 可将推断的用户隐私隐写进输出内容

两帮人做 LLM 安全的可以看看这个：作者训练了两个开源模型，能从聊天里推断你的性别和年龄段，再用不可见字符藏进生成的文本里。你把 AI 写的邮件发出去，隐私就跟着泄露了。做内容安全和隐私合规的人应该认真评估这类风险。

#LLM安全 #隐写术 #隐私保护 #AI安全

arXiv cs.AI@Gautam Galada et al. (3)Source

Papers Builders15:03

Chinese contentLiveGeo 基准发布：地理智能体在持续演化世界中的可靠性评测

这个基准把地理环境做成了会随时间变化的平台，智能体得主动查信息、验证旧结论还失效没失效。目前没有哪个前沿模型能全面搞定，做 Agent 评测和地理信息应用的开发者可以拿来测自己的方案。

#LiveGeo #GeoWorld #LLM智能体 #基准测试

arXiv cs.AI@Pengcheng Zhou et al. (9)Source

Papers Builders15:02

Chinese contentBallad：基于多臂老虎机的 LLM 路由方法用于自动启发式发现

这篇论文很实在：跑 AHD 时贵模型不一定赢，用 bandit 动态挑模型，成本最多省 65.6% 还能超过单模型。做组合优化、进化搜索或者想省钱跑 LLM ensemble 的开发者都该看看。

#LLM #多臂老虎机 #组合优化 #AHD

arXiv cs.AI@Samidha Verma et al. (3)Source

Papers Builders15:02

Chinese content研究：用户自适应行为如何影响 LLM 交互系统的评估

评估 LLM 时你可能一直测错了东西：这篇论文证明离线跑基准和线上 A/B 测的根本不是同一个指标，用户适应后模型排名都可能反转。做模型评估、部署选型或实验设计的工程师和研究者应该看看它给出的判断条件。

#LLM #A/B测试 #模型评估 #reward hacking

arXiv cs.AI@Hannah LiSource