#TRACE

做长任务 Agent 的朋友看看这篇：TRACE 用 590 个真实压缩边界回放数据测了压缩时机怎么选，结论是历史行为预测力很弱，数据和方法都开源了。

TRACE让大模型在多轮对话中也能保持安全，性能损失极小，代码已开源。

多智能体协作里队友改了共享状态，回来的智能体怎么办？这篇论文给了个免训练方案，两个指标同时拉到98%以上，做法挺巧。

发策略梯度也会泄露原始轨迹，这篇 TRACE 攻击 3-4.5ms 就能重建一帧，做联邦具身训练的得看看防御部分。

这篇论文提出用自动任务排序加独立QLoRA来微调LLM，在TRACE基准上拿到44.78，比堆参数容量更管用。

想解决Agent长程任务奖励稀疏问题？看TRACE方法，无需额外批评器，用TD变化给每步打分，Qwen3在BrowseComp-Plus上从7分直接跳到35分。

斯坦福AI Lab搞了个新方法TRACE，让AI自己找短板补课。只用四分之一训练量就超过了GRPO和GEPA，还赢了大模型Codex 5.2和GLM 5。

Stanford AI Lab@StanfordAILab原文

想研究语音AI如何感知对话中的情感协调？这篇论文提出了新数据集DyadEE和框架TRACE，准确率高达97%，值得做语音交互的朋友看看。

想理解脑肿瘤MRI评估的黑箱？TRACE用概念瓶颈让模型决策透明可验证，在LUMIERE上表现接近非可解释方法，值得看。

用路径签名记住消失的视觉线索