AskALCF把HPC问答的失败分给具体组件：2174轮里无法归因的失败从41.4%降到14.2%
面向高性能计算用户支持的智能体系统AskALCF把每次问答的失败归因到知识、检索、提示、模型或工具五类组件之一，而不是只给一个质量分。它在2174轮生产支持对话上把无法归因的失败从41.4%降到14.2%，并在150轮专家标注参考上把与专家的一致数从108提高到123。改进对象是规则、提示和评审策略，模型权重不变，所有面向生产的改动仍由专家把关。
英伟达把故障归因工具开源：一次GPU硬故障不再被读成多条NCCL报错
分布式AI训练里，一处GPU或网络故障会在其他rank上引发NCCL报错、调度状态变化和大量下游消息，而异常只显示作业停在哪里。英伟达将内部使用的Attribution归因工具开源，它按作业范围汇集日志、指标、遥测和调度状态，用确定性规则区分下游症状与根因，并返回结构化诊断。在一个多rank训练示例中，它把node-02上的XID 149判为NVLink信号完整性问题的根因，把其他rank的NCCL报错保留为症状，并将作业判为硬件故障。
EMFA用错误传播建模定位多智能体失败的决定性错误，在Who&When上把步骤级归因准确率提升3.45与4.40个百分点
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。
ReCast 将冻结 LLM 隐状态转为归因导向步骤表示，在四个失败归因基准上取得最高 Hit@1
该工作先量化发现文本嵌入与隐状态对根因步骤的区分度有限，随后提出 ReCast：用归因感知探针选层、稀疏 Johnson–Lindenstrauss 投影构造模式与偏差双分支特征，再用对比与排序目标训练双向编码器，把冻结 LLM 隐状态转成归因导向步骤表示，并发布 ReCast-2K 训练集；在 Who&When、TraceElephant、AFTraj-2K、Who&When Pro 四个基准上 Hit@1 均最高。
AED 把 50,228 条失败轨迹变成错误—诊断对：首次修正让验证器通过率从 18.4% 升到 51.1%，全诊断微调把 Qwen3-8B 的步级一致率从 47.2% 提到 63.6%
该工作构建了 Agent Error Dataset（AED），包含来自 33 个环境、19 个 harness 家族和 23 个策略模型的 50,228 条错误—诊断对，并用五阶段 Agentic Error-to-Training（AET）流水线把自然失败连到诊断、修正建议与可选回放证据；在 3,062 对匹配回放中，首次提出的修正把验证器通过率从 18.4% 提升到 51.1%（+32.7 个百分点），在单独冻结的诊断发布上做全诊断微调，使 Qwen3-8B 与内部教师标签的精确步一致率从 47.2% 升至 63.6%（三个种子、943 例留出集平均），而单种子的 actor 训练对比中，仅动作修复训练在 WebShop-lite 上比仅成功训练
已读完全部报道