FID当loss一步生成达0.72

重点关注

01 AI for Science 让LLM在该让位的时候让位

AlphaFold预测蛋白结构、神经算子做物理模拟、GNN算分子性质，这些科学领域的「底座模型」早就不止LLM一种，但现在大多数agent系统都假设所有信息能塞进自然语言里走一圈再吐出来。Eywa换了个思路：不是让LLM去硬啃结构化的科学数据，而是给那些已经在专门数据上训得很好的预测模型加一个「语言推理接口」，让LLM负责规划和决策，把实际预测交给领域模型。框架给了三种用法——单agent替换（EywaAgent）、嵌入现有多agent系统（EywaMAS）、以及planner动态协调的版本（EywaOrchestra），覆盖了从轻改到完整编排的迁移路径。实验跨物理、生命、社会科学多个领域，结构化数据任务上有提升，并且减少了对纯语言推理的依赖。值得保留的是：摘要里没给跨模型对接的失败模式和误差累积分析——异构agent系统的可靠性向来比单一benchmark数字要难处理，这部分需要看全文确认。

原文：Heterogeneous Scientific Foundation Model Collaboration

02 图像生成 把 FID 当训练 loss，缺的只是一个解耦

把 FD 估计用的样本数（50k）和反向传播用的 batch（1024）拆开——这篇就靠这一个改动，让多年来只能当评测指标的 Fréchet Distance 真的可以在表征空间里当 loss 优化。post-training 阶段加上 FD-loss，一步生成器在 ImageNet 256×256 上做到 0.72 FID；同样的 loss 还能把多步生成器直接转成一步，不需要蒸馏、对抗训练或 per-sample target。作者顺手发现 Inception FID 在现代表征下会和视觉质量错位，于是补了一个跨表征空间的指标 FDr^k。方法一句话能说清，但能解锁一整类做法——这种发现往往比新模型更值得关注。

原文：Representation Fréchet Loss for Visual Generation

03 Agent 用户讲不清需求时，前沿web agent还在闷头写代码

web开发类agent的评测一直默认输入是结构化、信息完整的需求文档，但真实非专业用户的指令充满歧义、冗余甚至自相矛盾。InteractWeb-Bench把这些被回避的变量塞回评测：四类用户agent加persona驱动的指令扰动模拟非专业用户的真实表达，再配一套Clarify/Implement/Verify/Submit的交互动作空间，允许agent反过来追问、验证、修正意图。实验里前沿multimodal agent普遍陷入「盲执行」——不主动澄清，按字面意思往下做，最后产出和用户真实意图错位。这个工作的价值不在又一个leaderboard，而在把「主动澄清意图」从可有可无变成必考项，把coding agent的失败模式从代码质量层面推到了意图识别层面。

原文：InteractWeb-Bench: Can Multimodal Agent Escape Blind Execution in Interactive Website Generation?

04 训练优化 给Agent造一台用得上的电脑，比造一条轨迹更难

做长程productivity agent的训练数据，真正卡脖子的不是怎么生成trajectory，而是agent打开电脑那一刻看到的世界够不够真——目录是不是像真人整理的、文档表格PPT之间内容是不是互相呼应。Synthetic Computers at Scale把这一层环境合成做成了可量产的流程：先合成一台用户特定的电脑（带完整文件系统和内容连贯的artifacts），再让一个agent给这位用户编出需要约一个月人类工时的productivity目标，另一个agent扮演用户在这台电脑上跨2000+轮、8小时以上去完成它。初步实验跑了1000台合成电脑，产出的经验数据在in-domain和out-of-domain评测上都带来了明显提升。和最近ClawGym那一类agent训练基础设施方向一致，但分工不同——这套管的是「agent眼里的世界长什么样」，不是agent自己怎么动。

原文：Synthetic Computers at Scale for Long-Horizon Productivity Simulation