BrowseComp-VL是为在现实网络环境中运行的高级多模态推理代理而设计的。BrowseComp-VL被组织成5个主要领域，包括17个细粒度的子领域。（1.自然科学与形式科学(化学、物理、生物与医学、数学)，2.工程与计算机科学(工程、计算机科学与人工智能)，3.社会科学与人文科学(社会科学、历史、政治、地理)，4.艺术、娱乐与体育(艺术、音乐、电视、游戏、体育)，5.其他）Level 1：问

BrowseComp-VL是为在现实网络环境中运行的高级多模态推理代理而设计的。BrowseComp-VL被组织成5个主要领域，包括17个细粒度的子领域。（1.自然科学与形式科学(化学、物理、生物与医学、数学)，2.工程与计算机科学(工程、计算机科学与人工智能)，3.社会科学与人文科学(社会科学、历史、政治、地理)，4.艺术、娱乐与体育(艺术、音乐、电视、游戏、体育)，5.其他）Level 1：问

BrowseComp-VL是为在现实网络环境中运行的高级多模态推理代理而设计的。BrowseComp-VL被组织成5个主要领域，包括17个细粒度的子领域。（1.自然科学与形式科学(化学、物理、生物与医学、数学)，2.工程与计算机科学(工程、计算机科学与人工智能)，3.社会科学与人文科学(社会科学、历史、政治、地理)，4.艺术、娱乐与体育(艺术、音乐、电视、游戏、体育)，5.其他）Level 1：问

GLM-4.5，这是一个开源的混合专家(MoE)大型语言模型，具有355B总参数和32B激活参数，具有支持思考和直接响应模式的混合推理方法。通过对23T令牌进行多阶段训练，并结合专家模型迭代和强化学习进行全面的后训练，GLM-4.5在代理、推理和编码(ARC)任务中取得了较强的性能。引入了构建多个专家多轮多轮迭代优化SFT冷启动数据，RL阶段，基于困难度的课程学习，在长度为64K的单阶段RL，动态

提出了两个部分的改进。1）引入零计算专家，输出等于输入，和其他专家在同一层级中。用于在简单token生成时候减少参数计算的开销。每次激活K个专家，难的token激活的非零专家会更多，计算参数会更多，简单的会激活的零专家会增多，计算参数减少。通过快捷连接MoE架构克服共享专家架构与单个专家计算的通信重叠。实验发现，引入快捷连接后性能与不引入相比几乎没有多少损失。在预训练方面，介绍了Tokenizer

Kimi K2，参数量为1T，激活参数为320亿参数的MoE模型。利用标记高效的MuonClip优化器和15.5 T标记高质量数据集（主要涉及：Web文本、代码、数学和知识）进行预训练。构建工具合成和用户问题合成Pipline，使用3000+真实MCP工具，合成20000种工具，在SFT阶段训练智能体工具使用能力。在RL阶段，训练数学、STEM和逻辑推理领域能力。

对多工具多场景下使用一个Agent模型去解决当前需要多Agent解决的问题进行探索。分别在Web Agent场景和Code Agent场景下进行了尝试，通过使用MAS来生成采样轨迹，将数据轨迹转化为设计的标签进行包裹，之后分别使用SFT和DAPO进行训练，构建成一个端到端的Agent模型。实验结果发现，整体性能均优于现有方法。

首先，用xshell连接阿里云（便于后续操作方便）参考文档：https://www.cnblogs.com/chenyablog/p/10281995.html再来创建新用户参考文档：http://dblab.xmu.edu.cn/blog/1999-2/最后搭建Ubuntu VNC可视化界面设置VNC连接ubuntu的登录密码：参考文档：https://help.aliyun...

摘要：AutoAgent是一个轻量级多智能体系统，支持动态创建和修改工具、代理及工作流以满足用户需求。其核心包含四个组件：(1) Agentic System Utilities提供基础工具集，包括协调代理、Web代理、编码代理和本地文件代理；(2) LLM-powered Actionable Engine利用标准化接口调用100+模型，支持直接工具使用和XML转换范式；(3) Self-Man

Support Vector Machines1. Large Margin Classification（1）Optimization Objective（优化目标）SVM相比于Logistic Regression 有着计算上的优势，并使接下来的优化问题变的更加简单、更容易解决。在SVM中，我们不再用λ\lambdaλ去控制B，而是用参数CCC来控制A，使 CA+BCA+BCA+B 整体达到最