表格基础模型预训练时，查询预测一直按采样出的硬标签计算损失，同一输入下只保留一个类别的监督信号，采样波动因此留在预训练里。GIST把合成任务生成与查询监督一起设计：在可解析的分支上用生成器保留的中间状态对条件标签分布求平均，并用熵预算校准类别编码的噪声尺度。在匹配的预训练日程下，TabICLv2、TabSwift和TabPFN-2.5三个架构在TabArena与TALENT上的平均排名都有改善，架构与推理过程不变，跨这些基准与架构的成对数据集级比较中赢下62.1%。
EdgeGen 从智能体的政策文档中自动抽取合规规则，枚举规则违反组合，并用场景感知的 SQL 智能体把每个场景落到可执行的数据库状态上，再经数据落地与场景可行性双重校验后生成任务；与合成数据库生成方法组合后形成无需人工标注的闭环流水线，在 tau2-bench 航空域上微调带来 2% 至 42% 的平均进度提升，而部分基线方法在部分模型上出现退化，harness 优化在 Gemma-4-e4b 上相对人工整理与基线 harness 分别提升 10% 与 30%。
该工作提出 ProgramDistill 基准与全自动 mine–craft–patch 流水线，将 26 个交互式网页应用分解为 1,975 条可重放验证的行为并构建 4,063 个任务，让编码智能体在隐藏源码的情况下通过交互参考应用推断并恢复缺失功能，结果显示九个前沿智能体在完整应用重建中最高成功率 49.2%，且随恢复深度从 1 增至 8，部分应用重建成功率从 100% 降至 64.0%、从 96% 降至 32%。
已读完全部报道