原始来源日期:2026-10-01。本文为研发价值回顾,不代表该资料于今日首次发布。
原文编译
论文聚焦普通笔记本上的小型开放权重模型。作者观察到传统云端Agent框架会让工具说明挤满上下文、自纠错发散、示例调用形成循环,甚至在未完成任务时静默退出,因此把失败原因部分归于框架。
Mingbird面向Windows与Ollama,提供十项补偿机制。代表性设计包括按字节控制的净零预填充预算、提交前重新读取原任务的完成门,以及按工具调用签名识别重复循环。
在LRAB对照中,作者固定机器、模型、预算和评分,覆盖4个框架、4个2B至35B模型、18个真实任务,共288个单元格。Mingbird总体0.886,对照goose为0.631、opencode为0.479、agent-mini为0.405。
在278任务的τ²-bench上,三个实验臂总分为0.856、0.791和0.737。作者还发现同一前沿模型在不同框架上的18任务得分可从0.997到0.478,说明框架对能力呈现影响很大。
论文主动限制结论:LRAB由作者自建,只在一台机器上运行,并主要采用单次评分。去掉单一机制的变化小于同夜重复波动,只有完整守卫与单纯重读文本的批次匹配比较显示约+0.10。
量仔观察
本站认为论文最有价值的观点是把Agent框架当作可测系统组件。选模型前应先固定工具描述、上下文预算、完成判据和循环处理,否则模型排名会被框架噪声扭曲。
但0.886不能直接外推到企业任务。复现应增加多次运行、不同操作系统和失败人工复核,并确认完成门没有通过过度保守来换取表面正确率。
