National University of Defense Technology

地球系统AI模型逼近公里级分辨率时，网格间距减半会让格点数翻四倍，端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量：每一级冻结上一级完整预报器，只训练一个跨分辨率残差修正模块，父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°，在单张80GB A800 GPU上训练约四周，对HRES-0.07°分析保持父模型的对流层技巧，同时降低平流层上部误差并刻画更细结构。

地球系统AI模型逼近公里级分辨率时，网格间距减半会让格点数翻四倍，端到端训练成本随之上升。One2N把分辨率细化拆成逐级增量：每一级冻结上一级完整预报器，只训练一个跨分辨率残差修正模块，父模型的激活与优化器状态都不再保留。以NeuralGCM-0.7°为基线加一级细化得到One2N-0.07°，在单张80GB A800 GPU上训练约四周，对HRES-0.07°分析保持父模型的对流层技巧，同时降低平流层上部误差并刻画更细结构。

多模态长文档问答里，智能体式检索并非每次都划算，额外计算还可能让答案变差。RouteDRAG把是否调用智能体、以及调用后如何执行都变成可学习的选择：它用图索引组织跨页、表格与图像内容，预测智能体相对短路径的收益，并控制工具调用与终止。在两个基准上，它只把79.3%的查询交给智能体，平均准确率比只用短路径高3.47个百分点，同时超过统一走智能体的执行方式且回答调用更少。

多模态长文档问答里，智能体式检索并非每次都划算，额外计算还可能让答案变差。RouteDRAG把是否调用智能体、以及调用后如何执行都变成可学习的选择：它用图索引组织跨页、表格与图像内容，预测智能体相对短路径的收益，并控制工具调用与终止。在两个基准上，它只把79.3%的查询交给智能体，平均准确率比只用短路径高3.47个百分点，同时超过统一走智能体的执行方式且回答调用更少。

该工作提出EMFA，将失败的多智能体执行轨迹重构为结构化依赖表示，显式建模级联错误传播与持续交互循环，经双分支候选筛选与反事实验证定位“决定性错误”（即修正后能恢复失败执行的智能体–步骤对）；在Who&When基准上取得最优步骤级归因准确率，较此前最佳在Hand-Crafted与Algorithm-Generated子集上分别提升3.45与4.40个百分点，智能体级准确率在Hand-Crafted子集最优、在Algorithm-Generated子集保持竞争力。

该工作提出EMFA，将失败的多智能体执行轨迹重构为结构化依赖表示，显式建模级联错误传播与持续交互循环，经双分支候选筛选与反事实验证定位“决定性错误”（即修正后能恢复失败执行的智能体–步骤对）；在Who&When基准上取得最优步骤级归因准确率，较此前最佳在Hand-Crafted与Algorithm-Generated子集上分别提升3.45与4.40个百分点，智能体级准确率在Hand-Crafted子集最优、在Algorithm-Generated子集保持竞争力。

该工作提出 Learner2Skill，把从历史交互中获得的学习者模拟能力外化为一个持久、可复用的 Simulation Skill，该技能记录学习者当前学习状态与反复出现的响应模式，并随新的真实交互演化，还能通过轻量级执行器校准迁移到新的 LLM；实验显示它更忠实地复现细粒度学习者行为、降低总体 token 成本，且同一构建出的技能可在不同 LLM 执行器间有效复用。

该工作提出 Learner2Skill，把从历史交互中获得的学习者模拟能力外化为一个持久、可复用的 Simulation Skill，该技能记录学习者当前学习状态与反复出现的响应模式，并随新的真实交互演化，还能通过轻量级执行器校准迁移到新的 LLM；实验显示它更忠实地复现细粒度学习者行为、降低总体 token 成本，且同一构建出的技能可在不同 LLM 执行器间有效复用。