部署闭环加速6.98倍，改计划提13.3点

重点关注

01 代码智能 最快的Kernel，为什么还要放回推理链路再选一次？

候选Kernel写完后，LLM4LLM不在孤立测试中拍板，而是把补丁放回真实模型，依据端到端部署表现决定是否接受。这个闭环改变了代码Agent的优化目标：它从目标推理脚本提取不同阶段的任务，结合历史经验持续搜索，再验证候选实现是否真的改善延迟、安全性和阶段表现。论文摘要报告，在A100和H100上的10种语言模型推理负载中，所有受测模型都获得了端到端加速，几何平均加速比分别达到3.91倍和6.98倍。相比之下，KernelBench Level 2上最高2.745倍的几何平均加速只是辅助证据——真正有价值的结果是优化没有停在单个算子的计时器上。对工程团队来说，这意味着代码Agent的验收标准应该从「Kernel跑得更快」升级为「完整推理成本确实下降」，并把集成后的性能回归纳入搜索循环。当然，这些惊人的倍数仍需结合全文中的基线、模型配置和验证开销判断，但「部署反馈驱动代码优化」本身已经是值得尝试的工程范式。

原文：LLM4LLM: Bridging Kernel Benchmarks and Real Deployment via Closed-Loop Agentic Optimization

02 图像生成 失败的可能不是画图，而是计划

组合图像生成出错时，重训整个模型往往没有先定位故障来得划算。研究利用可编辑的显式计划，把对象、属性和边界框与后续解码分开检查；几何评分显示，解码器有94%的概率忠实实现计划中的空间关系，真正的瓶颈更常出在规划阶段。这个规划器还存在明显的措辞偏差：语义等价的布局中，「left」准确率达98%，「right」却只有54%，错误计划会被解码器原样画出来。好消息是，无需重训模型，仅重写边界框几何就能提升10.7个百分点，完全替换计划可提升13.3个百分点。对构建图像生成产品的团队来说，这项工作的实用价值在于建立「先验计划、再修几何」的排障路径，不过这些结果仍需结合全文中的任务范围与评测设置判断泛化性。

原文：The Plan, Not the Decoder: Diagnosing and Repairing Compositional Failure in Reasoning-Augmented Text-to-Image Generation

03 推理加速 真正该删的，不是长推理，而是没在看图的推理

VIG把每个推理token利用视觉信息的程度变成了可计算的奖励：加入图像后，预测不确定性下降越多，该token获得的视觉信息增益越高。这个信号只需让同一策略分别在有图和无图条件下前向计算，不依赖参考思维链、人工标注或额外奖励模型。摘要显示，它在6个多模态推理基准和Qwen3-VL-Thinking的2B、4B、8B模型上都改善了准确率与效率的权衡，不过具体节省幅度仍需看全文确认。这个思路真正有意思的地方，是把压缩目标从「少说几句」改成「每句话都得看着图说」，为训练更高效的视觉Agent提供了更贴近任务本质的奖励。

原文：VIG: Visual Information Gain as a Reward Signal for Multimodal Chain-of-Thought Compression

04 安全对齐 最终答案可信，就代表协作过程可靠吗？

PropUQ-MAS从消息依赖入手评估多Agent风险：它把执行过程表示为通信依赖图，并结合本地不确定性与上游传入风险估计每一步的可靠性。摘要报告称，相比现有方法，其不确定性识别能力平均相对提升6.10%，风险排序指标平均相对提升47.58%，说明追踪传播链可能比只检查最终答案更有效。对工作流设计者而言，这项工作的价值在于帮助定位高风险交接点，从而决定在哪里增加验证、重试或人工拦截。具体提升是否适用于不同拓扑和真实业务流程，仍需看全文中的实验设置才能确认。

原文：PropUQ-MAS: Propagation-Aware Uncertainty Quantification for LLM Multi-Agent Systems