GRA团队 投稿 量子位 | 公众号 QbitAI 无需蒸馏任何大规模语言模型，小模型也能自给自足、联合提升？ 上海人工智能实验室联合中国人民大学提出的 GRA框架 （Generator–Reviewer–Adjudicator） 正是这样一种新范式： 该方法以"多人协作"、"角色分工"的理念为核心，系统性探索了多开源小模型如何通过协同机制生成高质量训练数据。 实验结果显示，在涵盖数学、代码、逻辑推理、通识问答等10个主流数据集上，GRA生成的数据质量与单个大型语言模型（如Qwen-2.5- 72B-Instruct）输出相当或更高，并在多数任务中取得了显著领先。 如果说传统方法是单枪匹马生成数据，那GRA更像是一次"模拟顶会审稿流程"——作者、审稿人、AC各就各位，小模型分工合作、打分评 审，确保数据内容质量稳定、标准统一。 1.Generator：像"作者"一样创作新样本 GRA会先将任务划分为多个领域（如数学、编程、逻辑推理等），每个Generator小模型负责在对应领域生成新指令与响应。它们从种子数据 中提取关键词与摘要，结合领域知识生成高质量样本，确保内容丰富、主题聚焦、语义清晰。 2.Review ...

" 欧米伽未来研究所 " 关注科技未来发展趋势，研究人类向欧米伽点演化过程中面临的重大机遇与挑战。将 不定期推荐和发布世界范围重要科技研究进展和未来趋势研究。（ 点击这里查看欧米伽理论 ） 《人工智能智能体协议调研》是上海交通大学杨映璇、柴华灿、宋远逸等学者撰写的一项综合性 研究报告。该报告首次对现有的AI智能体协议进行了全面分析，提出了一个系统的二维分类框 架，区分了面向上下文的协议与智能体间协议，以及通用型与特定领域的协议。 报告指出，随着大型语言模型(LLM)的快速发展，LLM智能体已在客户服务、内容生成、数据分 析和医疗等多个行业广泛部署，但由于缺乏标准化的通信协议，使智能体之间难以有效协作和扩 展，限制了解决复杂问题的能力。 核心内容包括对安全性、可扩展性和延迟性等关键性能维度的比较分析，以及对智能体协议未来 发展趋势的探讨，如分层架构、适应性与进化性、隐私保护与联邦学习和基于群体的交互机制 等。这项研究为研究人员和工程师设计、评估或集成智能体通信基础设施提供了实用参考。 解锁协作的钥匙：不同智能体协议的运作模式探秘 为了更直观地理解AI智能体协议的重要性及其运作方式，我们可以通过一个具体的、与我们 ...

论文作者包括来自上海交通大学的杨滢轩、柴化灿、宋源祎、齐思远、温睦宁、李宁、廖俊威、胡浩毅、林江浩、刘卫文、温颖、俞勇、张伟楠，以及 ANP 社区 发起人常高伟。 随着大语言模型 (LLM) 技术的迅猛发展，基于 LLM 的智能智能体在客户服务、内容创作、数据分析甚至医疗辅助等多个行业领域得到广泛应用。然而，不同智能 体系统间的碎片化通信标准已成为制约其进一步发展的瓶颈。上海交通大学团队与 ANP 社区合作推出了首个全面系统的 AI 智能体协议综述《A Survey of AI Agent Protocols》，为解决这一关键挑战提供了清晰的指导框架。 ArXiv 论文链接：https://arxiv.org/abs/2504.16736 Github 仓库地址：https://github.com/zoe-yyx/Awesome-AIAgent-Protocol 交互碎片化：阻碍智能智能体发展的关键瓶颈 正如早期互联网面临的通信标准分散问题，当前的智能智能体生态系统同样遭遇协议不统一的困境。研究团队指出，随着应用场景扩展和不同供应商、不同结构 的智能体涌现，智能体与实体之间的交互规则变得越来越复杂。这种协议 ...