在人工智能领域，推理优化和代理系统的发展正日新月异。最近几天，arXiv 上涌现的多篇论文展示了自适应推理机制和开源框架的创新，这些进展有望显著提升大型语言模型（LLM）的效率和自主性。
首先，Dual-Dimensional Consistency (DDC) 框架提出了一种平衡计算预算与推理质量的自适应推理时扩展方法。传统方法往往将采样宽度和深度视为独立目标，导致资源浪费或幻觉强化。DDC 通过置信加权贝叶斯协议和趋势感知分层剪枝相结合，确保计算资源集中在高质量推理路径上，同时过滤幻觉并加速共识。在五个基准测试中，该方法将令牌消耗减少超过10倍，同时维持或超越强基线模型的准确率。这为实际部署中的高效推理提供了新路径。
其次，CAST 框架从案例驱动视角处理 LLM 工具使用中的自适应推理和执行校准。它将历史执行轨迹视为结构化案例，提取复杂性配置文件以估计最佳推理策略，并映射潜在结构故障。通过细粒度奖励设计和自适应推理，模型能在强化学习中自主内化案例策略。在 BFCLv2 和 ToolBench 实验中，CAST 提升了 schema 忠实执行和任务级工具使用成功率，高达5.85个百分点，同时减少平均推理长度26%，有效缓解高影响结构错误。
此外，Orchard 开源代理建模框架为可扩展代理系统提供了基础设施。它包括 Orchard Env，轻量级环境服务，支持沙箱生命周期管理和多领域任务。针对编码代理的 Orchard-SWE 通过从 MiniMax-M2.5 和 Qwen3.5-397B 蒸馏107K轨迹，并引入信用分配 SFT，学习未解决轨迹的生产性段落。该框架桥接了开源研究与高性能系统间的差距，促进代理训练的民主化。
这些创新不仅优化了 LLM 的推理过程，还推动了代理系统的开源发展。未来，随着自适应机制和分布式架构的融合，AI 将在复杂任务中展现更强的自主性和效率，开启智能新时代。