多智能体系统通过将复杂任务分解为有向无环图（DAG）形式的专用智能体执行，天然适合在查询间缓存中间结果。现有缓存淘汰策略仅基于访问历史统一处理缓存条目，忽视了智能体执行环境中独特的结构和工作负载信号。本文提出了一种结合重计算成本、DAG依赖数量和智能体调用频率三种信号的工作负载感知淘汰策略，在内存受限情况下保留最有价值缓存条目。评测在三个不同复用场景的多智能体基准上，较无缓存基线延迟降低最高达64.7%，平均较次优有限容量策略延迟降低31.1%，且性能接近无限容量缓存，同时保证准确率不低于其他有限缓存方法。该策略可与计划级缓存和并行智能体执行等优化方法互补，针对多智能体流水线中不同效率瓶颈提升性能。
这条 研究论文 信号说明，来自 arXiv cs.AI 的信息已经不只是单点新闻，而是值得放进产品、研究和行业判断里的趋势线索。
arXiv cs.AI 发布了这条关于 研究论文 的更新：多智能体系统通过将复杂任务分解为有向无环图（DAG）形式的专用智能体执行，天然适合在查询间缓存中间结果。现有缓存淘汰策略仅基于访问历史统一处理缓存条目，忽视了智能体执行环境中独特的结构和工作负载信号。本文提出了一种结合重计算成本、DAG依赖数量和智能体调用频率三种信号的工作负载感知淘汰策略，在内存受限情况下保留最有价值缓存条目。评测在三个不同复用场景的多智能体基准上，较无缓存基线延迟降低最高达64.7%，平均较次优有限容量策略延迟降低31.1%，且性能接近无限容量缓存，同时保证准确率不低于其他有限缓存方法。该策略可与计划级缓存和并行智能体执行等优化方法互补，针对多智能体流水线中不同效率瓶颈提升性能。
该研究提出的工作负载感知缓存策略充分利用多智能体系统特有的结构和执行信号，显著提升缓存效率和系统响应速度，尤其适合内存受限环境，推动多智能体系统在实际复杂任务中的性能优化。
研究员、模型团队和技术战略负责人 应该重点关注这条信号，尤其是正在跟踪 research、papers、agents 的团队。
接下来观察这条信号是否出现开发者采用、竞品回应、研究复现、企业部署或政策/平台层面的后续动作。
真实视频去模糊因运动模式多样、退化复杂及真实训练数据匮乏而具挑战性。RealVDeblur提出了一个高效生成框架，通过基于3D高斯点云和高帧率视频的大规模物理真实模糊合成，提供逼真训练数据覆盖摄像机及物体运动模糊。采用视频扩散先验，禁用VAE的时间压缩并采用逐帧编码以适应帧间模糊变化。为长视频实用，设计了一步生成器和训练免费时序窗口掩码，实现稳定推理与恒定内存。实验证明在多个真实基准上具备优异视觉质量、语义一致性及时间连贯性，并提升三维重建对强模糊视频的鲁棒性。
最新的三维生成模型利用大规模先验和扩散架构，从单张图像生成高质量几何形状，但通常假设视野完整且仅用单视角输入，限制了在多视角、遮挡或编辑等场景的应用。Axolotl3D提出了一种多模态且具备遮挡感知的三维生成模型，联合条件输入包括图像、可见性掩码、相机参数和部分点云。部分点云作为几何锚点促进准确的形状补全，而相机参数确保多视角在共享三维坐标系下的一致对齐。该模型通过统一训练策略，从大规模三维数据合成多样化条件，实现了跨模态稳健推理。在Toys4K和OmniObject3D数据集上，Axolotl3D在干净和遮挡条件下均取得了最先进的表现，并在实际重建与几何一致编辑中表现出色。
计算机辅助设计（CAD）无处不在，几乎所有现代物体都是用可编辑的CAD工具设计的。然而，由于原生可编辑和参数化格式的CAD数据集匮乏（尤其是边界表示B-Rep），开发数据高效的方法变得非常重要。本文提出了一种新的自监督预训练任务——掩码拓扑建模（MTM），利用B-Rep特有的面邻接图结构，要求编码器重建该结构。MTM通过掩盖部分边并训练一个小型头部从编码器处理后的面特征预测每条掩盖边的凸性和曲线类型。结合MoCo风格的动量队列对比学习、基于B-Rep的增强、BFS连通面区域掩码重建目标，在ABC数据集和新生成数据集上预训练，展示了多项基准测试中的强劲表现。