Papers - 2026-08-07
吾能观之数千而面色如故
3D LLM#
ToolArtist: Tool-Using Unified Multimodal Models for Agentic Image Generation
Text-to-image (T2I) models can produce visually compelling images, yet they remain limited on open-world tasks that require complex semantic understanding, multi-step reasoning, and the integration of external world knowledge. Existing efforts introduce agent capabilities into image generation, but they either prescribe a fixed workflow or place only a subset of the open-world image generation process under agent control. Consequently, reasoning, tool invocation, and image generation are not coordinated by a single policy. We propose ToolArtist, a fully agentic image generation model obtained by post-training a Unified Multimodal Model (UMM). ToolArtist dynamically orchestrates reasoning, external tool use, and native image generation within one unified policy. During Supervised Fine-Tuning (SFT), we equip a teacher agent with search tools alongside an image-generation tool. We then convert the collected trajectories into a UMM compatible format, where the image-generation tool is concealed while the resulting generated images are retained. During Reinforcement Learning (RL), we develop an agentic RL infrastructure for UMMs and introduce Reason-Act-Draw GRPO (RAD-GRPO), which uses complementary intent and quality rewards to jointly optimize the model. Experiments show that placing the entire open-world image-generation process under an agent policy consistently outperforms approaches with fixed pipelines or only partially agent-controlled components. We release the training data and the complete post-training infrastructure.
Embodied Agent#
Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data
这篇工作提出 Ego2Robot，一个把第一人称人类操作视频转换为机器人训练数据的可扩展合成管线。方法包括动作重定向、机器人手臂视觉合成和多层质量筛选，并同时支持精选数据与网络公开视频，最终生成 18,561 小时、覆盖 15 种机器人形态的大规模数据集。作者还扩展 RoboTwin2.0，引入外观、场景布局、形态和任务语义四类解耦扰动，用来系统测试泛化能力。实验显示，将 Ego2Robot 合成数据与真实机器人数据联合预训练，可以在多种分布外扰动下稳定提升泛化表现，并且这些收益在真实机器人部署中也得到了验证。
Agent Training and Evaluation#
OneDayAgent: Towards a Long-Horizon Harness for Autonomous Agents
这篇工作提出 OneDayAgent，一个面向长时程自主任务的执行 harness。它把开放式日常请求拆解为有边界的子任务，在上下文压力下维护执行记忆，并对最终产物进行校验和修复，从而缓解目标漂移、状态丢失和上下文溢出等问题。作者在 AgentIF-OneDay 的 104 个任务上评测，使用 GLM-5.2 后端时取得 0.821 的总体分数，达到新的最优。该 harness 还能在来自三大家族的五种后端模型上稳定运行，说明方法具有较强的跨模型泛化性。
ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment
这篇工作提出 ABSeeker，目标是通过答案回溯式信用分配训练长链路搜索代理。方法先从正确答案反向恢复中间线索，再用这些线索对每一步搜索进行评分，把稀疏的轨迹级结果转成稠密的步级监督。基于此，作者构造了 ABC-SFT 和 ABC-GRPO，分别用于重加权微调和带步级奖励的强化学习。实验中，ABSeeker 仅用 8.5k 样本就在 BrowseComp 和 BrowseComp-ZH 上分别达到 37.3% 和 39.1%，加入上下文管理后进一步提升到 55.3% 和 52.9%，接近甚至达到更大规模代理的表现。
GDPevo: Evaluating Agent Self-Evolution on Real Business Tasks
这篇工作提出 GDPevo，用于评估智能体在真实企业任务上的自我进化能力。它把企业工作流拆成原子业务规则，再通过规则混合把训练任务与留出测试任务关联起来，从而让测试阶段的提升能够归因于训练经验。作者还构建了覆盖 CRM、ERP、金融、医疗、法律和数据流程的自动化数据生成管线，V1 包含 120 个任务，V2 可扩展到 240 个任务。实验在四类智能体与四种监督设置上显示，自我进化能将留出集准确率最多提升 16.44 个百分点，但最优结果仍远低于 91.6% 的 oracle 上限，说明当前智能体的自我进化能力仍未充分发挥。
Toward Skill-Native LLMs: Skill Entropy for Benchmarking and Training Long-Horizon Reasoning
这篇工作关注长程推理中不同技能之间的切换问题，提出用 Skill Entropy 来刻画跨技能任务的切换难度。作者进一步构建了 Skill^2-Bench，覆盖 9 个领域、558 种技能，并为任务标注技能熵与难度等级，用于系统评测模型的跨技能推理能力。实验表明，随着技能熵升高，8 个前沿模型和 4 个开源模型的准确率都会下降，验证了技能切换瓶颈。为缓解这一问题，作者提出 Skill-Entropy RL，让模型在每一步不仅预测答案，还预测所用技能，并结合正确性与技能序列对齐奖励进行训练。该方法在 Qwen3-4B-Instruct 和 Qwen3-1.7B 上分别将 Skill^2-Bench 分数从 34.4% 提升到 68.4% 和从 14.6% 提升到 40.1%，明显优于基线。
Multimodal World Model#
HelloWorld: Enabling Socially Interactive Characters in Video World Models
这篇工作提出了 HelloWorld，用于让视频世界模型中的角色支持自然的社交互动。作者通过自蒸馏流程对视频生成模型进行微调，利用模型自身合成同时包含社交动作与相机运动的片段，从而在不削弱交互质量的前提下学习相机位姿条件控制。推理阶段又加入了一个无需训练的模块，根据按钮触发时刻调节 DiT 的交叉注意力掩码，只让与交互相关的文本在指定时间窗内关注对应帧，从而实现交互的时间定位。实验在 HelloWorldBench 上表明，该方法在交互质量上优于多种基线，同时保持了较好的画面美感和相机跟随能力。