科技
ICML 精选Spotlight Poster汇总：Session 4-3
7月8日，机器学习领域最具影响力的顶级学术会议ICML 2026进入正会第二天。本次大会共接收6352篇论文，其中Spotlight论文536篇（占投稿总数的 2.2%），Oral 论文168篇 （仅占投稿总数的 0.7 %）。 今年的论文再次汇聚了从生成模型到隐私保护、从智能体评估到模型压缩、从脉冲神经网络到视觉分词器的多元前沿探索，在投稿量较去年翻倍、评审标准经历深刻“重新校准”的背景下，这些脱颖而出的论文无疑是本届会议最值得关注的学术精华。 雷峰网已派出报道小组赴首尔COEX会展中心参会。在会议现场，我们从Poster展区的数千张学术海报中精选出最具代表性的研究成果，以“一张图 + 一段解读”的方式呈现给未能亲临现场的读者。 这份汇总不仅是一次视觉巡礼，更试图为你勾勒出本届ICML的学术重心——从大模型可解释性到AI for Science，从具身智能到理论硬度的回归，我们希望这些现场捕捉的瞬间，能帮助你快速感知机器学习前沿正在发生什么。 以下精选Poster Session 3九篇Spotlight论文，一文看尽AI研究最值得关注的方向。（如果你也想让你的研究成果出现在这里，请与我们联系）： 1.基于雅可比预条件梯度下降的快速光谱稀疏信号重建 Fast Spectrally Sparse Signal Reconstruction via Jacobi-Preconditioned Gradient Descent 光谱稀疏信号重建在多种实际应用中具有重要意义，在数学上其通常可转化为低秩 Hankel 矩阵补全问题。尽管现有一阶算法能够保持较低的计算复杂度，但其收敛速度极度取决于条件数，存在显著的效率瓶颈。此外，低秩 Hankel 矩阵的固有特性使得直接基于流形的方法复杂度过高，且复杂对称分解所引入的模糊性（ambiguity）也极难处理。 针对这一理论与计算双重挑战，本研究创新性地提出了雅可比预条件梯度下降（Jacobi-Preconditioned Gradient Descent）方法。该方法巧妙结合生成器，将基于因子的迭代映射到矩阵空间中，从而在理论上实现了等价于流形方法的直接收敛分析。大量实验表明，该算法在迭代次数和实际计算时间两个核心指标上，均显著优于现有最先进的方法，且能完美适配多种复杂的问题场景。该工作通过成功引入雅可比预条件技术，彻底突破了传统一阶算法收敛速度受条件数限制的百年难题，在理论与实验上双向验证了其卓越的高效性。 论文链接：https://openreview.net/forum?id=b4HR1jhoRV 2.在贝叶斯学习中激励真实性与协作公平性 Incentivizing Truthfulness and Collaborative Fairness in Bayesian Learning 论文链接：https://openreview.net/forum?id=YgzbofmRr6 3.Jailbreak Foundry：从学术论文到可执行攻击的可复现基准测试平台 Jailbreak Foundry: From Papers to Runnable Attacks for Reproducible Benchmarking 大语言模型的越狱（Jailbreak）技术发展速度日新月异，相比之下，安全基准测试的更新却显得严重滞后。现有的基准测试由于数据集、评测工具及评估协议的不断漂移，导致模型鲁棒性的估计不仅常常滞后，而且极难被独立复现，无法实现跨研究的统一对比。 为了攻克这一安全评测难题，本研究设计了一套系统化流程，将前沿的越狱研究转化为可执行的标准化模块，推出了 JAILBREAK FOUNDRY 系统。该系统三大核心组件相辅相成：包括共享工具库 JBF-LIB、模块转换工具 JBF-FORGE 以及标准化评估工具 JBF-EVAL，能够提供即时评估并有效减少评估标准漂移带来的负面影响。团队在 30 个主流攻击方法和 10 个受测大模型上展开了广泛实验，不仅成功复现了与原始文献高度一致的攻击结果，还大幅减少了近一半的代码实现成本。该工作通过模块化与标准化实现了攻击集成与评估自动化的闭环，成功建立起一套可持续更新的动态安全基准，为快速变化的 AI 安全领域提供了强有力的底层防御与评测支持。 论文链接：https://openreview.net/forum?id=BSi2mfMDsx 4.当提示词变为视觉：面向大规模图像编辑模型的以视觉为中心越狱攻击研究 When the Prompt Becomes Visual: Vision-Centric Jailbreak Attacks for Large Image Editing Models 随着大规模图像编辑模型从传统的“文本驱动”转向新型的“视觉提示驱动”，用户开始频繁通过标记、箭头等视觉输入来直观表达编辑意图。然而，这种交互范式的转变带来了显著的安全性风险，使得视觉输入沦为了潜在的全新攻击面。 为了揭示并防御这一新兴威胁，本研究首次提出了基于视觉到视觉的越狱攻击（Vision-to-Vision Jailbreak Attack, VJA），深入探索了视觉输入如何被恶意利用来隐蔽传递违规指令。实验结果令人警惕：通过精心构造的视觉信息，VJA 攻击对 Nano Banana Pro 和 GPT-Image-1.5 等主流商用模型的攻击成功率分别高达 80.9% 和 70.1%，彻底暴露了当前图像编辑模型在视觉提示处理中的严重漏洞风险。 针对该痛点，论文不仅设计了 IESBench 基准作为安全评估工具，还提出了一种基于多模态推理的无训练防御机制。该机制通过直观分析，能够以极小的计算资源需求，有效缓解模型对恶意视觉提示的敏感性。本工作深刻揭示了视觉提示驱动架构的安全隐患，通过构建 IESBench 基准和创新的无训练防御方法，为打造安全、可信的大型图像编辑系统奠定了坚实的防御基础。 论文链接：https://openreview.net/forum?id=wQxRphkfxn 5.LAST0：面向机器人视觉-语言-动作模型的隐潜时空思维链 LaST0: Latent Spatio-Temporal Chain-of-Thought for Robotic Vision-Language-Action Model 视觉-语言-动作（VLA）模型在通用操作方面表现出色，但其传统的显式推理过程往往会导致较高的推断延迟，且难以有效表达复杂的物理属性，对高时间分辨率的机器人快速操作构成了严重限制。显式推理受限于语言表达的天然瓶颈，无法准确描述某些无法言传的物理特性，从而极大地影响了任务完成效果。 为了攻克这一瓶颈，本研究创新性地提出了 LaST0 —— 一种高效的隐潜时空链式推理（Chain-of-Thought）框架。该方法巧妙构建了由“低频推理专家”与“高频动作生成专家”组成的双系统架构，并通过异频训练机制，完美实现了跨时间的一致性推理与高效的动态动作生成，在解决推理延迟的同时，大幅提升了模型对物理和机器人动力学属性的捕捉能力。 团队在 10 项真实场景任务中展开了严格测试，任务全面涵盖桌面操作、移动平台及灵巧手操纵。实验结果表明，LaST0 较现有最先进的 SOTA 方法，在三类任务的成功率上分别显著提升了 13%、14% 和 14%。该工作成功开发出一种能够自适应切换推理与执行的高效双系统架构，为具身智能（Embodied AI）模型的任务成功率与时间效率双向跃升提供了全新范式。 论文链接：https://openreview.net/forum?id=lwOoBzJykL 6.扩散模型中用于文本-图像对齐的对齐引导分数匹配研究 Alignment-Guided Score Matching for Text-to-Image Alignment in Diffusion Models 目前的扩散模型虽然能够生成高质量的图像，但在“文本-图像对齐（Text-to-Image Alignment）”上仍显不足。现有的主流优化方法大多依赖于外部的奖励（Reward）模型或人类偏好信号，导致直接解决扩散生成过程中的错配问题依旧充满挑战。此外，传统对比学习方法在优化软文本令牌时，往往会因为过度惩罚负样本而导致特定性失败（如过度计数和物体异常重复），甚至引发语义失真和细节丢失。 为了打破这一僵局，本研究提出了一种无需奖励模型的轻量级后训练（Post-training）方法。该方法创新性地将“对比对齐引导（Contrastive Alignment Guidance）”直接整合到扩散模型的底层分数匹配（Score Matching）目标中，通过在分数层面进行直接的方向赋予，从根本上改善了对齐效果并减少了生成失败的概率。 研究团队利用业界公认的 GenEval 基准测试对该方法进行了严格评估，结果显示，该方法在计数准确率上实现了超过 35% 的突破性提升，并全面验证了其在 SD1.5、SDXL 及 SD3 等多代主流扩散模型中的极强兼容性。该工作成功开辟了一条提升文本-图像对齐的创新后训练路径，不仅能与现有的强化学习（RL）后训练方法形成完美互补，更极大扩展了扩散模型在复杂文本联动生成中的应用潜力。 论文链接：http://openreview.net/forum?id=vKWxArobP3 7.弱扩散先验仍能在逆问题中实现强劲性能 Weak Diffusion Priors Can Still Achieve Strong Inverse-Problem Performance 扩散模型（Diffusion Models）近年来被广泛应用于求解各类图像和信号的逆问题（Inverse Problems）。然而，这类方法往往建立在一个高度理想化的假设之上——即扩散模型必须具备极高的保真度且与目标数据完美匹配。但在实际复杂的工程应用中，获取如此完美的强先验往往代价高昂，因此探索“弱扩散先验（Weak Diffusion Priors）”在逆问题中的有效性具有重大的现实意义。 为了厘清弱先验的性能边界，本研究系统探讨了它在具体条件下的表现，并深入分析了其何时能够与强先验方法相媲美。实验现象表明，弱先验的性能存在明显的两极分化：在观测信息充足（如观测像素较多）的高信息量情况下表现极其良好；但在低信息量或严重缺失的场景下则表现欠佳。 针对这一现象，论文基于贝叶斯一致性理论（Bayesian Consistency Theory）展开了严密的数学推导，深入剖析了高维测量如何引导后验概率成功集中于真实信号附近。团队进行了广泛而全面的实验，场景设计巧妙涵盖了不同的信息量梯度以及失配先验差异，从而清晰勾勒出了弱扩散先验的适用范围和底层局限性。该工作有力证明了弱扩散先验在特定条件下的可靠性，深刻揭示了高维观测对信号恢复的决定性作用，为逆问题领域的未来研究提供了坚实的底层理论支持与代码实现。 论文链接：https://openreview.net/forum?id=fdkSA4F0lN 8. 增量式 BPE 分词 Incremental BPE Tokenization 字节对编码（Byte Pair Encoding, BPE）是现代大语言模型（LLM）中最核心的分词技术。然而，现有的 BPE 分词算法在流式输入（Stream Input）或长文本、复杂文本输入下存在严重的效率瓶颈。现象分析指出，即便像 Hugging Face 和 OpenAI tiktoken 这样工业界广泛采用的成熟分词器实现，在某些极端输入场景下也会表现出显著的延迟，无法完美满足流处理和低延迟场景下的实际性能需求。 为了打破这一传统限制，本研究创新性地提出了一种增量式 BPE 算法（Incremental BPE）。该方法强力支持对不断追加的输入前缀进行即时分词（Real-time Tokenization），成功实现了流式输出。在算法复杂度方面，它将总体复杂度保证在O(n \log^2 t)的优异水平，彻底规避了传统方法对长文本重复计算的缺陷。 研究团队在包含 Hugging Face 和 OpenAI tiktoken 的多个权威基准上对该算法展开了深度评估。实验结果表明，该增量式分词器在处理复杂输入时，在速度上实现了最多 3 倍的突破性提升，并显著降低了流式交互中的响应延迟。该工作不仅在理论上证明了 BPE 分词完全可支持增量式实现，更设计出了极其高效的落地算法，为现代大语言模型高吞吐、低延迟的流水线优化提供了关键的技术演进。 论文链接：https://openreview.net/forum?id=ZbWgrDzCQo 9.观点：数字代理需要统一的代理原生环境 Position: Digital Agents Require Unified Agent-Native Environments 当前大语言模型（LLMs）作为数字代理（Digital Agents）已被广泛应用于执行各类多步数字工作。然而，目前它们所依赖的操作环境极度分散且任务特定化，极大地限制了模型的通用性与多任务协作性。现象分析指出，现有环境严重缺乏兼容性和模块化设计，导致代理在处理复杂长程任务时，往往难以在文本流与图形用户界面（GUI）交互之间进行有效的融合与协调。 针对这一环境碎片化的核心痛点，本文作为一篇极具行业前瞻性的观点文章（Position Paper），主张为大模型打造统一的“代理原生（Agent-Native）”计算机环境。 为了将这一理念落地，研究团队开发了 AgentVM 平台。该平台创新性地整合了现代操作系统中的 GUI 交互和文本交互，并基于共享系统状态，实现了分模块化的环境视图设计。旨在通过与大模型能力完美对齐的观察和操作空间，从底层解决环境孤立问题。 通过严谨的定量和定性实验验证，该统一的代理原生计算机环境在支持多任务数字代理方面展现出了巨大的显著优势。该工作不仅首次系统性地提出了“数字代理原生环境”这一革命性概念，更通过开发 AgentVM 平台证明了环境统一化设计的可行性，为构建真正通用、高自适应性的新一代数字代理奠定了关键的生态基石。 论文链接：https://openreview.net/forum?id=XZaRHkbc2u
雷峰 雷峰网更新于 13小时前2 分钟阅读
7月8日，机器学习领域最具影响力的顶级学术会议ICML 2026进入正会第二天。本次大会共接收6352篇论文，其中Spotlight论文536篇（占投稿总数的 2.2%），Oral 论文168篇 （仅占投稿总数的 0.7 %）。 今年的论文再次汇聚了从生成模型到隐私保护、从智能体评估到模型压缩、从脉冲神经网络到视觉分词器的多元前沿探索，在投稿量较去年翻倍、评审标准经历深刻“重新校准”的背景下，这些脱颖而出的论文无疑是本届会议最值得关注的学术精华。 雷峰网已派出报道小组赴首尔COEX会展中心参会。在会议现场，我们从Poster展区的数千张学术海报中精选出最具代表性的研究成果，以“一张图 + 一段解读”的方式呈现给未能亲临现场的读者。 这份汇总不仅是一次视觉巡礼，更试图为你勾勒出本届ICML的学术重心——从大模型可解释性到AI for Science，从具身智能到理论硬度的回归，我们希望这些现场捕捉的瞬间，能帮助你快速感知机器学习前沿正在发生什么。 以下精选Poster Session 3九篇Spotlight论文，一文看尽AI研究最值得关注的方向。（如果你也想让你的研究成果出现在这里，请与我们联系）： 1.基于雅可比预条件梯度下降的快速光谱稀疏信号重建 Fast Spectrally Sparse Signal Reconstruction via Jacobi-Preconditioned Gradient Descent 光谱稀疏信号重建在多种实际应用中具有重要意义，在数学上其通常可转化为低秩 Hankel 矩阵补全问题。尽管现有一阶算法能够保持较低的计算复杂度，但其收敛速度极度取决于条件数，存在显著的效率瓶颈。此外，低秩 Hankel 矩阵的固有特性使得直接基于流形的方法复杂度过高，且复杂对称分解所引入的模糊性（ambiguity）也极难处理。 针对这一理论与计算双重挑战，本研究创新性地提出了雅可比预条件梯度下降（Jacobi-Preconditioned Gradient Descent）方法。该方法巧妙结合生成器，将基于因子的迭代映射到矩阵空间中，从而在理论上实现了等价于流形方法的直接收敛分析。大量实验表明，该算法在迭代次数和实际计算时间两个核心指标上，均显著优于现有最先进的方法，且能完美适配多种复杂的问题场景。该工作通过成功引入雅可比预条件技术，彻底突破了传统一阶算法收敛速度受条件数限制的百年难题，在理论与实验上双向验证了其卓越的高效性。 论文链接：https://openreview.net/forum?id=b4HR1jhoRV 2.在贝叶斯学习中激励真实性与协作公平性 Incentivizing Truthfulness and Collaborative Fairness in Bayesian Learning 论文链接：https://openreview.net/forum?id=YgzbofmRr6 3.Jailbreak Foundry：从学术论文到可执行攻击的可复现基准测试平台 Jailbreak Foundry: From Papers to Runnable Attacks for Reproducible Benchmarking 大语言模型的越狱（Jailbreak）技术发展速度日新月异，相比之下，安全基准测试的更新却显得严重滞后。现有的基准测试由于数据集、评测工具及评估协议的不断漂移，导致模型鲁棒性的估计不仅常常滞后，而且极难被独立复现，无法实现跨研究的统一对比。 为了攻克这一安全评测难题，本研究设计了一套系统化流程，将前沿的越狱研究转化为可执行的标准化模块，推出了 JAILBREAK FOUNDRY 系统。该系统三大核心组件相辅相成：包括共享工具库 JBF-LIB、模块转换工具 JBF-FORGE 以及标准化评估工具 JBF-EVAL，能够提供即时评估并有效减少评估标准漂移带来的负面影响。团队在 30 个主流攻击方法和 10 个受测大模型上展开了广泛实验，不仅成功复现了与原始文献高度一致的攻击结果，还大幅减少了近一半的代码实现成本。该工作通过模块化与标准化实现了攻击集成与评估自动化的闭环，成功建立起一套可持续更新的动态安全基准，为快速变化的 AI 安全领域提供了强有力的底层防御与评测支持。 论文链接：https://openreview.net/forum?id=BSi2mfMDsx 4.当提示词变为视觉：面向大规模图像编辑模型的以视觉为中心越狱攻击研究 When the Prompt Becomes Visual: Vision-Centric Jailbreak Attacks for Large Image Editing Models 随着大规模图像编辑模型从传统的“文本驱动”转向新型的“视觉提示驱动”，用户开始频繁通过标记、箭头等视觉输入来直观表达编辑意图。然而，这种交互范式的转变带来了显著的安全性风险，使得视觉输入沦为了潜在的全新攻击面。 为了揭示并防御这一新兴威胁，本研究首次提出了基于视觉到视觉的越狱攻击（Vision-to-Vision Jailbreak Attack, VJA），深入探索了视觉输入如何被恶意利用来隐蔽传递违规指令。实验结果令人警惕：通过精心构造的视觉信息，VJA 攻击对 Nano Banana Pro 和 GPT-Image-1.5 等主流商用模型的攻击成功率分别高达 80.9% 和 70.1%，彻底暴露了当前图像编辑模型在视觉提示处理中的严重漏洞风险。 针对该痛点，论文不仅设计了 IESBench 基准作为安全评估工具，还提出了一种基于多模态推理的无训练防御机制。该机制通过直观分析，能够以极小的计算资源需求，有效缓解模型对恶意视觉提示的敏感性。本工作深刻揭示了视觉提示驱动架构的安全隐患，通过构建 IESBench 基准和创新的无训练防御方法，为打造安全、可信的大型图像编辑系统奠定了坚实的防御基础。 论文链接：https://openreview.net/forum?id=wQxRphkfxn 5.LAST0：面向机器人视觉-语言-动作模型的隐潜时空思维链 LaST0: Latent Spatio-Temporal Chain-of-Thought for Robotic Vision-Language-Action Model 视觉-语言-动作（VLA）模型在通用操作方面表现出色，但其传统的显式推理过程往往会导致较高的推断延迟，且难以有效表达复杂的物理属性，对高时间分辨率的机器人快速操作构成了严重限制。显式推理受限于语言表达的天然瓶颈，无法准确描述某些无法言传的物理特性，从而极大地影响了任务完成效果。 为了攻克这一瓶颈，本研究创新性地提出了 LaST0 —— 一种高效的隐潜时空链式推理（Chain-of-Thought）框架。该方法巧妙构建了由“低频推理专家”与“高频动作生成专家”组成的双系统架构，并通过异频训练机制，完美实现了跨时间的一致性推理与高效的动态动作生成，在解决推理延迟的同时，大幅提升了模型对物理和机器人动力学属性的捕捉能力。 团队在 10 项真实场景任务中展开了严格测试，任务全面涵盖桌面操作、移动平台及灵巧手操纵。实验结果表明，LaST0 较现有最先进的 SOTA 方法，在三类任务的成功率上分别显著提升了 13%、14% 和 14%。该工作成功开发出一种能够自适应切换推理与执行的高效双系统架构，为具身智能（Embodied AI）模型的任务成功率与时间效率双向跃升提供了全新范式。 论文链接：https://openreview.net/forum?id=lwOoBzJykL 6.扩散模型中用于文本-图像对齐的对齐引导分数匹配研究 Alignment-Guided Score Matching for Text-to-Image Alignment in Diffusion Models 目前的扩散模型虽然能够生成高质量的图像，但在“文本-图像对齐（Text-to-Image Alignment）”上仍显不足。现有的主流优化方法大多依赖于外部的奖励（Reward）模型或人类偏好信号，导致直接解决扩散生成过程中的错配问题依旧充满挑战。此外，传统对比学习方法在优化软文本令牌时，往往会因为过度惩罚负样本而导致特定性失败（如过度计数和物体异常重复），甚至引发语义失真和细节丢失。 为了打破这一僵局，本研究提出了一种无需奖励模型的轻量级后训练（Post-training）方法。该方法创新性地将“对比对齐引导（Contrastive Alignment Guidance）”直接整合到扩散模型的底层分数匹配（Score Matching）目标中，通过在分数层面进行直接的方向赋予，从根本上改善了对齐效果并减少了生成失败的概率。 研究团队利用业界公认的 GenEval 基准测试对该方法进行了严格评估，结果显示，该方法在计数准确率上实现了超过 35% 的突破性提升，并全面验证了其在 SD1.5、SDXL 及 SD3 等多代主流扩散模型中的极强兼容性。该工作成功开辟了一条提升文本-图像对齐的创新后训练路径，不仅能与现有的强化学习（RL）后训练方法形成完美互补，更极大扩展了扩散模型在复杂文本联动生成中的应用潜力。 论文链接：http://openreview.net/forum?id=vKWxArobP3 7.弱扩散先验仍能在逆问题中实现强劲性能 Weak Diffusion Priors Can Still Achieve Strong Inverse-Problem Performance 扩散模型（Diffusion Models）近年来被广泛应用于求解各类图像和信号的逆问题（Inverse Problems）。然而，这类方法往往建立在一个高度理想化的假设之上——即扩散模型必须具备极高的保真度且与目标数据完美匹配。但在实际复杂的工程应用中，获取如此完美的强先验往往代价高昂，因此探索“弱扩散先验（Weak Diffusion Priors）”在逆问题中的有效性具有重大的现实意义。 为了厘清弱先验的性能边界，本研究系统探讨了它在具体条件下的表现，并深入分析了其何时能够与强先验方法相媲美。实验现象表明，弱先验的性能存在明显的两极分化：在观测信息充足（如观测像素较多）的高信息量情况下表现极其良好；但在低信息量或严重缺失的场景下则表现欠佳。 针对这一现象，论文基于贝叶斯一致性理论（Bayesian Consistency Theory）展开了严密的数学推导，深入剖析了高维测量如何引导后验概率成功集中于真实信号附近。团队进行了广泛而全面的实验，场景设计巧妙涵盖了不同的信息量梯度以及失配先验差异，从而清晰勾勒出了弱扩散先验的适用范围和底层局限性。该工作有力证明了弱扩散先验在特定条件下的可靠性，深刻揭示了高维观测对信号恢复的决定性作用，为逆问题领域的未来研究提供了坚实的底层理论支持与代码实现。 论文链接：https://openreview.net/forum?id=fdkSA4F0lN 8. 增量式 BPE 分词 Incremental BPE Tokenization 字节对编码（Byte Pair Encoding, BPE）是现代大语言模型（LLM）中最核心的分词技术。然而，现有的 BPE 分词算法在流式输入（Stream Input）或长文本、复杂文本输入下存在严重的效率瓶颈。现象分析指出，即便像 Hugging Face 和 OpenAI tiktoken 这样工业界广泛采用的成熟分词器实现，在某些极端输入场景下也会表现出显著的延迟，无法完美满足流处理和低延迟场景下的实际性能需求。 为了打破这一传统限制，本研究创新性地提出了一种增量式 BPE 算法（Incremental BPE）。该方法强力支持对不断追加的输入前缀进行即时分词（Real-time Tokenization），成功实现了流式输出。在算法复杂度方面，它将总体复杂度保证在O(n \log^2 t)的优异水平，彻底规避了传统方法对长文本重复计算的缺陷。 研究团队在包含 Hugging Face 和 OpenAI tiktoken 的多个权威基准上对该算法展开了深度评估。实验结果表明，该增量式分词器在处理复杂输入时，在速度上实现了最多 3 倍的突破性提升，并显著降低了流式交互中的响应延迟。该工作不仅在理论上证明了 BPE 分词完全可支持增量式实现，更设计出了极其高效的落地算法，为现代大语言模型高吞吐、低延迟的流水线优化提供了关键的技术演进。 论文链接：https://openreview.net/forum?id=ZbWgrDzCQo 9.观点：数字代理需要统一的代理原生环境 Position: Digital Agents Require Unified Agent-Native Environments 当前大语言模型（LLMs）作为数字代理（Digital Agents）已被广泛应用于执行各类多步数字工作。然而，目前它们所依赖的操作环境极度分散且任务特定化，极大地限制了模型的通用性与多任务协作性。现象分析指出，现有环境严重缺乏兼容性和模块化设计，导致代理在处理复杂长程任务时，往往难以在文本流与图形用户界面（GUI）交互之间进行有效的融合与协调。 针对这一环境碎片化的核心痛点，本文作为一篇极具行业前瞻性的观点文章（Position Paper），主张为大模型打造统一的“代理原生（Agent-Native）”计算机环境。 为了将这一理念落地，研究团队开发了 AgentVM 平台。该平台创新性地整合了现代操作系统中的 GUI 交互和文本交互，并基于共享系统状态，实现了分模块化的环境视图设计。旨在通过与大模型能力完美对齐的观察和操作空间，从底层解决环境孤立问题。 通过严谨的定量和定性实验验证，该统一的代理原生计算机环境在支持多任务数字代理方面展现出了巨大的显著优势。该工作不仅首次系统性地提出了“数字代理原生环境”这一革命性概念，更通过开发 AgentVM 平台证明了环境统一化设计的可行性，为构建真正通用、高自适应性的新一代数字代理奠定了关键的生态基石。 论文链接：https://openreview.net/forum?id=XZaRHkbc2u
正在拉取原文正文，下次刷新即可看到完整段落。当前仅展示摘要与 AI 分析。
