ActICL：让多模态模型自己构建上下文示例，7 项基准平均提升 11.6 分
EliasEskin · x · 2026-10-16
UT Austin 与 Rutgers 的论文提出 ActICL，把多模态上下文学习（ICL）的示例检索与构建变成一个 agentic 任务：模型在推理中分析自身信息缺口，用工具检索示例、筛选上下文、迭代补充，直到判断上下文足够或达到 token 预算，再交给作答模型。
关键结果：
- 训练方式为拒绝采样 SFT + 对「获取示例」和「作答」两个环节的联合 RL。
- 覆盖 7 项基准、3 个骨干模型：比最强训练基线高 +4.4 分，比标准相似度检索平均高 11.6 个百分点，且平均只用约 3.5 个示例。
- 上下文可迁移：9B 的 ActICL agent 构建的示例能让 GPT-5.6-Sol 的 4-shot ICL 平均再提升 3.5 分。
核心启发是让模型自己判断「需要看什么、保留什么、何时足够」，而非用固定的相似度打分一次性取回示例。
「模型」频道最新
- 微软发布 MAI-Base-2:2.8 万亿参数 MoE,预训练效率超 DeepSeek 数倍 — ChengleiSi · 2026-10-16
- Pro 用户抱怨用不上 Gemini 4 Argon：Antigravity 也「几乎不可用」 — realmeetjames · 2026-10-16
- 小型分类器横评：Vega 可跑在 CPU 与浏览器，M5 上 75ms — alexcovo_eth · 2026-10-16
- 博客分析中国 AI 模型:基准前沿、3-6 倍降价,海外采用率却持续走低 — gleech · 2026-10-16
- 思科推出小模型 Antares:给安全团队指出该优先排查的高危文件 — shashib · 2026-10-16
- Stefano Ermon 预告：旗下最大最强模型下周发布，征集早期测试者 — StefanoErmon · 2026-10-16