استدلال

Enforcing Code Reasoning in Agentic Scaffold for More Effective Issue Resolution

مقاله‌ی Enforcing Code Reasoning in Agentic Scaffold for More Effective Issue Resolution (16 Oct 2026، چانگ‌شو لیو، ریحانه جباروند و همکاران، آزمایشگاه Intelligent-CAT-Lab) مسئله: ایجنت‌های کدنویسی وقتی یک باگ واقعی را در ریپو حل می‌کنند، گاهی درباره‌ی خود کد

OpenGCUA: Toward a Fully Open Stack for Generalist Computer Use

یک پشته‌ی کاملاً باز برای ایجنت‌هایی که با کامپیوتر کار می‌کنند، با ترکیب کلیک و کد

ایجنت‌های کار با کامپیوتر دارند از تعامل صرفاً گرافیکی (دیدن صفحه و کلیک) به سیستم‌هایی می‌رسند که هم از رابط تصویری و هم از رابط برنامه‌نویسی استفاده می‌کنند. اما پیاده‌سازی‌های پیشرو، مثل سیستم کار با کامپیوتر GPT-6 Astra، بسته‌اند و نمی‌شود طراحی‌شان را به‌

CoWorld Reasoner: Agentic Multimodal Reasoning with the Evolving Video World Model-Driven Harness

مدل بینایی-زبانی که برای استدلال، با یک مدل جهانِ ویدئویی صحنه‌های تازه «تصور» می‌کند

از مدل‌های بینایی-زبانی انتظار می‌رود درباره‌ی حرکت، کنش و تغییر زاویه‌ی دید استدلال کنند، حتی چیزهایی که در تصویر ورودی نیست؛ مثلاً «اگر از پشت میز نگاه کنی، لیوان سمت چپ است یا راست؟». مدل‌های جهانِ ویدئویی می‌توانند تصویر یا ویدئوی تازه بسازند و شاهد بصری ا

Athanor: An Agent-Native System for Autonomous Post-Training Research

چهار ایجنت کلاد یک مدل پایه‌ی خام را خودشان پس‌آموزش دادند و به سطح نسخه‌ی رسمی رساندند

«خودبهبودی بازگشتی»، یعنی ساخته شدن سیستم‌های قوی‌تر هوش مصنوعی به دست خود هوش مصنوعی، را هنوز نمی‌شود مستقیم اندازه گرفت. نویسنده‌ها نسخه‌ی ضعیف‌تر و قابل سنجشی را بررسی می‌کنند: آیا ایجنت‌های پیشرو می‌توانند یک مدل پایه‌ی کوچک و خام را فقط با داده‌ی عمومی پس

AlphaDiana: A Measurement System for Agents in Verifiable Reasoning Tasks

سیستمی برای اندازه‌گیری دقیق این‌که هارنس، ابزار، اسکیل و حافظه واقعاً به استدلال مدل کمک می‌کنند یا نه

ایجنت یعنی یک مدل استدلالی به‌علاوه‌ی هارنسی که فراخوانی‌های مدل را سازمان می‌دهد، ابزار اجرا می‌کند، دستورالعمل اسکیل‌ها را بار می‌کند و تاریخچه را در حافظه نگه می‌دارد. برای فهمیدن عملکرد ایجنت باید شرایط اجرا را به نتیجه، رفتار و مصرف منابع وصل کرد، اما معم

RuleTrek: Benchmarking Agentic Rule Reasoning in Complex Scenarios

بنچمارکی برای سنجیدن این‌که ایجنت‌ها قاعده‌های تخصصی را در سناریوهای پراکنده در چند فایل درست پیدا و اعمال می‌کنند

مدل‌های زبانی بیشتر و بیشتر سراغ کارهای واقعی در حوزه‌های تخصصی می‌روند، اما پیدا کردن و درست اعمال کردن قاعده‌های آن حوزه وقتی اطلاعات سناریو در چند فایل پخش شده سخت است. مثلاً برای این‌که بفهمی یک کارمند مرخصی تشویقی می‌گیرد یا نه، باید آیین‌نامه، سابقه‌ی کا

Hybrid Reasoning Agents

ایجنت‌هایی که بین فکر کردن در فضای نهفته و تعامل متنی با ابزارها جابه‌جا می‌شوند

ایجنت‌های مدل زبانی امروز هم استدلال و هم تعاملشان متنی است. استدلال نهفته، یعنی فکر کردن در فضای پیوسته‌ی درونی مدل به جای توکن‌های متنی، کارآمدتر است ولی دسترسی بومی به ابزار و شفافیت استدلال ندارد. ایجنت‌های HybridAgent در یک فرایند تولید یکپارچه بین استدلا

Judges Follow the Reference: The Derivation Gap in Verifying Tool-Call Arguments

داورهای فراخوانی ابزار به مرجع متنی تکیه می‌کنند و مقدار درستی را که منبعش دیده نمی‌شود رد می‌کنند

داورهای فراخوانی ابزار مقدار آرگومان‌هایی را که ایجنت پیشنهاد داده ارزیابی می‌کنند. نویسنده‌ها دیدند وقتی در ورودی داور هیچ متنی نیست که بگوید مقدار باید چه باشد، داور مقدار درست را کمتر می‌پذیرد. این در سه حالت پیش می‌آید: مقدار پیش‌فرض طرح‌واره‌ی تابع است که

Many Steps into One: Reasoning Contraction and the Limits of Safe Memory Reuse for LLM Agents

انقباض استدلال: حافظه‌ی ایجنت چند قدم استدلال را به یکی تبدیل می‌کند، تا وقتی واقعیت‌ها عوض شوند و بی‌صدا غلط جواب دهد

قالب‌های فکر، کتابخانه‌های اسکیل، حافظه‌های ایجنت و کش‌ها چند قدم استدلال را به یکی تبدیل می‌کنند؛ نویسنده‌ها این را «انقباض استدلال» می‌نامند. حافظه‌ی منقبض‌شده قدم‌ها و خطاها را صرفه‌جویی می‌کند تا وقتی واقعیت‌هایش عوض شوند، و بعد بی‌صدا جواب غلط می‌دهد. مثل

Scaling Inference-Time Compute with Teams of Coding Agents

تیم ایجنت‌های کدنویسی: بودجه‌ی اضافه را کجا خرج کنیم؟ بیشتر روی برنامه‌ریزی

سیستم‌های چندایجنتی محور تازه‌ای برای بزرگ کردن محاسبه در زمان اجرا پیشنهاد می‌کنند: به جای این‌که یک ایجنت بیشتر فکر کند یا بیشتر تلاش کند، کار بین چند ایجنت موازی تقسیم می‌شود. اما در عمل، ایجنت‌های بیشتر به راحتی کار تکراری، شکست هماهنگی و هزینه‌ی بیشتر می‌

State-OPD: State-Grounded On-Policy Distillation for Multi-Turn Agents

تقطیر روی سیاست بر پایه‌ی وضعیت تعامل برای ایجنت‌های چندنوبتی: استدلال قبلی شاگرد نظارت معلم را خراب می‌کند

تقطیر روی سیاست راهی قوی برای انتقال توانایی استدلال از مدل‌های پیشرو به مدل‌های کوچک‌تر است، اما گسترش آن به محیط‌های ایجنتی چندنوبتی سخت است. معلم وقتی تاریخچه‌ی کامل شاگرد، شامل استدلال‌های قبلی‌اش، را می‌بیند، ممکن است با همان استدلال‌های غلط همراه شود. نو

LongHarness: Advancing Agentic Reasoning over 100M-Token Corpora via Stateful Evidence Management

هارنس استدلال روی مجموعه‌های ۱۰۰ میلیون توکنی با مدیریت صریح وضعیت شواهد و نتیجه‌ها

استدلال روی مجموعه‌های سند بزرگ‌تر از پنجره‌ی کانتکست نیاز دارد ایجنت شواهد را از اسناد زیادی جمع و ترکیب کند. هارنس‌های موجود دسترسی تدریجی می‌دهند، اما شواهد جمع‌شده و نتیجه‌های در حال تحول در تاریخچه‌ی رو به رشد تعامل در هم می‌پیچند. این مدیریت ضمنی وضعیت د

Learning More by Training Less: Uncertainty-Guided Progressive Contraction for Efficient Reasoning Post-Training

یادگیری بیشتر با آموزش کمتر: فشرده‌سازی تدریجی داده‌ی استدلال با هدایت عدم اطمینان

مدل‌های زبانی در استدلال پیچیده پیشرفت چشمگیری داشته‌اند، اما بزرگ کردن پس‌آموزش استدلال با مجموعه‌داده‌های بزرگ‌تر هزینه‌ی آموزش را بدون بهبود متناسب بالا می‌برد. سؤال این است که نظارت استدلال را تا چه حد می‌شود فشرده کرد بدون این‌که توانایی از دست برود. چارچ

Collaborative Learning and Reasoning over Model Slices

یادگیری و استدلال مشارکتی روی «برش‌های مدل»: جایگزینی یک مدل بزرگ با چند مدل کوچک ناهمگون

استدلال با یک مدل در برابر انتشار خطا آسیب‌پذیر است: قدم‌های بعدی به خروجی‌های قبلی مدل وابسته‌اند و نقطه‌های کور استدلال را سخت می‌شود مستقل دوباره ارزیابی کرد؛ مدلی که در قدم دوم اشتباه کرده، در قدم پنجم هم با همان دید به آن نگاه می‌کند. «یادگیری مشارکتی» شا

ARC: A Reasoning Recipe for Robot Foundation Models

آرک: دستورالعمل استدلال برای مدل‌های پایه‌ی رباتیک که بدون داده‌ی رباتیک تازه کارایی را جهشی بالا می‌برد

رویکرد رایج برای بهتر کردن مدل‌های پایه‌ی رباتیک، مدل بزرگ‌تر، نمایش‌های رباتیک بیشتر و آموزش پرهزینه در مقیاس بالاست. جمع کردن نمایش رباتیک گران و کند است، پس سؤال این است که آیا می‌شود کارایی بدون آموزش ربات‌های موجود را بدون داده‌ی تازه بالا برد. دستورالعمل

When Should Agents Think? Adaptive Reasoning via Cross-Turn Estimation

ایجنت کِی باید فکر کند؟ استدلال تطبیقی با برآورد پشتیبانی استدلال در نوبت‌های بعدی

ایجنت‌های مدل زبانی معمولاً پیش از هر اقدام در طول مسیر استدلال می‌کنند. اما استدلال در هر نوبت لازم نیست، چون استدلال قبلی می‌تواند اقدام‌های بعدی را هم پشتیبانی کند؛ مثلاً وقتی ایجنت یک‌بار برنامه‌ی مرور چند صفحه را چیده، لازم نیست پیش از باز کردن هر صفحه دو

Thinking Inertia: LLMs Keep Thinking When Told Not To

اینرسی تفکر: مدل‌های زبانی حتی وقتی گفته می‌شود فکر نکنند، به فکر کردن ادامه می‌دهند

مدل‌های زبانی بیش از پیش با «حالت تفکر» صریح عرضه می‌شوند، اما حالت مقابل یعنی «بدون تفکر» کمتر بررسی شده است. کارهای قبلی بدون تفکر را با جانشین‌هایی مثل خاموش بودن حالت تفکر یا نبود ردپای طولانی تعریف می‌کنند که قابل اعتماد نیستند: حالت خاموش ممکن است باز هم

Who&When Pro: Can LLMs Really Attribute Failures in AI Agents?

هو اند وِن پرو: آیا مدل‌های زبانی واقعاً می‌توانند شکست ایجنت‌ها را به علتش نسبت دهند؟

نسبت‌دهی خودکار شکست از مدل‌های زبانی استفاده می‌کند تا مشخص کند سیستم‌های ایجنتی کجا و چرا شکست می‌خورند. با تواناتر شدن ایجنت‌ها، شکست‌هایشان ظریف‌تر و نسبت‌دهی خودکار مهم‌تر می‌شود، اما برای سنجش این توانایی به برچسب‌های طلایی دقیق در مقیاس بزرگ نیاز است. ب

PACT: Privileged Trace Co-Training for Multi-Turn Tool-Use Agents

پکت: هم‌آموزی با ردپای ممتاز برای ایجنت‌های چندنوبتی استفاده از ابزار

ایجنت‌های چندنوبتی ابزار باید در چند نوبت استدلال کنند، ابزار فرا بخوانند و با مشاهده‌ها تطبیق یابند. پس‌آموزش آن‌ها سخت است: یادگیری تقویتی با وجود هم‌خوانی با حالت استنتاج از پاداش پراکنده و تخصیص اعتبار ضعیف رنج می‌برد، و تنظیم دقیق نظارت‌شده روی ردپاهای مت