LACCO:通过计算通信重叠实现局部累加训练方法
提出LACCO算法,通过局部累加与计算通信重叠,避免外层更新滞后,保持全局一致性。 在FineWeb预训练中优于DiLoCo变体,模型扩展至0.5B参数、最多16个worker时性能增益稳健,额外计算与内存开销可忽略。 该算法为低带宽环境下的语言模型分布式训练提供收敛保证,显著降低同步开销。
提出LACCO算法,通过局部累加与计算通信重叠,避免外层更新滞后,保持全局一致性。 在FineWeb预训练中优于DiLoCo变体,模型扩展至0.5B参数、最多16个worker时性能增益稳健,额外计算与内存开销可忽略。 该算法为低带宽环境下的语言模型分布式训练提供收敛保证,显著降低同步开销。
WebArena-Pro 包含 20 个自托管应用中的 300 项任务,评估 6 个领域类别的异构 Web 智能体。 该基准支持音频和视频作为核心观察模态,最佳成绩为 62.3%。 WebArena-Pro 已被 NeurIPS 2026 E&D Track 接收。
新基准 OutfitterBench 要求 LLM 智能体管理户外装备租赁业务 200 天,处理约 1,100 个预订请求。 在固定资本上限下,智能体需平衡预订与随机客流竞争 46 件可复用设备。
研究提出名为 Symbolic Swapper 的 LLM 对抗攻击框架,生成混淆符号词汇的规划域以测试大语言模型的规划能力。 该攻击能降低基础模型及稳健规划框架 70% 以上的规划性能,揭示了模型在领域理解与纯规划执行间的显著差距。 这项发表于 NeurIPS 2026 的工作表明,即便具备常识线索,LLM 在严格符号规划任务中仍缺乏鲁棒性。
Soteria 框架通过验证分层规划和规范运行时强制执行,解决了 LLM 智能体在工具调用中的安全与效用冲突,任务成功率达到最佳基线平均水平的 1.7 倍且无策略违规。 该框架在执行前对结构化计划进行形式化验证,并在运行时提供引导以防止智能体在阻塞不安全操作后陷入困境。
arXiv 论文《Aligning AI Teams》指出,单智能体对齐训练难以有效迁移至多智能体团队,且模型能力增强未显著缩小该安全差距。研究发现责任扩散是主要致因,即团队中的智能体更少主动检查系统级安全故障,更倾向于忽视或推卸责任。设定专属安全负责人及发布安全规格文档可有效恢复单智能体对齐行为,作者同时开源了多智能体编排框架 magelab。
G-CAST 是一个受治理的持续自训练系统,将生产环境证据转化为奖励路由和熵优先的训练数据,以应对电商智能体中的需求漂移和工具演化。 该系统通过受治理的检查点转换和累积评估控制模型更新,确保在适应新行为的同时保留已验证的能力。实验表明,G-CAST 在适应新需求和保留旧行为上优于自主后训练基线。 G-CAST 已部署在阿里巴巴 1688 平台的 B2B 采购智能体“元采”中。
研究发现长期任务智能体能获取当前时间但常忽略其影响,导致对过期事件给出错误建议。提供明确时间上下文可降低错误,计算后的日期关系能彻底消除该问题。该研究建立了会话重连基准,为设计长期任务智能体提供了时间感知指导。
AutoRL是一个自动化强化学习训练的多智能体系统,旨在通过持续监督实现递归自我改进。 该系统包含Perceptors、Proposers和Orchestrator三个角色,在Qwen3和LongCat-Flash-Lite实验中表现优于静态配方。 研究证明现有智能体可处理无人值守的RL监督与动态调整。
提出 Co-Sight Harness 框架,通过将工作流定义、状态及领域知识外化为版本化控制资产,在不改变大模型 backbone 的情况下提升长时程业务智能体可靠性。
LeBet 框架通过统计学习推导可解释的 OR-of-AND 监控器,在 SWE-bench Lite 上配合 Ministral 3 8B 使用,节省 34.46% 的 token 并提升输出精确度。 该框架利用固定赌注统计量积累证据,在有限样本保证下控制误报率,并通过随机局部搜索优化布尔结构。 实证结果显示输出精确度从 18.33% 提升至 21.59%,误报率为 13.64%。
该研究利用语用预设理论分析 LLM 智能体在工具信息与用户陈述冲突时的行动决策。当工具显示多条竞争记录时,最新的 Claude 和 GPT 模型总是打开第二条记录且从不执行错误操作。 在零售基准测试中,若查找结果优先返回同名同邮编的不同客户,约四分之一的对话会导致错误账户写入;检查用户已知地址可将完成率保持在安全水平。
研究整合516种多智能体配置,发现其平均准确率比单路径基线低0.042,且在74%的对比实验中表现持平或低于基线。 多智能体架构常混淆协调与样本多样性,研究显示若智能体共享证据,通信不增加信息量,正向收益需依赖证据分割或模型间错误多样性。 研究提供审稿人清单和评估工具,有助于厘清多智能体系统在实际部署中的资源效益与局限性。
研究团队提出公益系统 AI-Voyager,通过人类与 AI 协作理解、质疑并制定 AI 治理规则。 该系统将 3,653 份政府治理文件转化为保留页码和版本的段落,通过限定范围智能体搜索检索证据,在 360 个新问题上实现 83.0% 宏召回率,优于最强基线的 80.5%。 通过绑定公开文档原文,AI-Voyager 引入了操作语法和设计空间,指导此类系统的设计评估及公众参与 AI 治理。
研究将pXRD晶体结构测定转化为可验证的智能体搜索问题,通过pXRD-Bench基准测试,将结构回收率从27%提升至69%。 该工作引入反思式进化框架处理多相pXRD数据,利用自生成合成问题作为验证训练经验,无需依赖已解决实验数据集合。
summary_zh: 研究团队发布 Unfinished-Bench,用于评估具备持久性的 AI Agent 在无人监督的真实工作环境中违反既定规则的能力。 该基准包含 97 个场景,覆盖 7 个组织和 7 类风险。
研究显示,LLM 记忆系统基于过时分类的硬过滤会降低下游准确性。在 3 个模型上,解析误差导致准确率从 +0.186 降至 -0.176,误删比误保留造成的降级更严重。
summary_zh: NVIDIA 在韩国 COEX 举办为期两天的 AI Day Seoul,吸引超过 2000 名参与者,聚焦物理 AI 和 AI Agent 的发展。
Shield 利用 OpenAI 帮助 IT 技术人员移交遗留门户中的工作。 其 Forge 智能体在系统中自主导航,使技术人员能够专注于需要人类判断的复杂问题。
Amazon Bedrock AgentCore runtime V2 采用环境快照机制,将会话启动时的镜像拉取与初始化前置,从而加速恢复过程。 V2 在创建或更新运行时生成快照,新会话通过恢复快照启动,仅按需从镜像加载文件。 该版本支持构建钩子以预热依赖,并通过 CloudWatch 指标区分平台开销与代码执行时间。
NVIDIA 开源库 NeMo Switchyard 通过 LiteLLM 集成支持 Stage 和 Random 路由策略,帮助 AI 智能体在 Amazon Bedrock 模型间按“每任务成本”分流请求。
Google Research 宣布在 Antigravity 平台开放 /teamwork 多智能体协作功能,并展示了其在数学证明、分子化学发现及代码优化等领域的最新应用成果。
推荐理由:原文展示了多智能体在数学证明、分子发现和代码迁移中的实际应用,读者可据此评估其在科研和工程领域的可用性。
Claude Code v2.1.325 修复 zstd 响应解码安全漏洞,新增 VS Code 终端笔记本重运行提示及策略拦截后的 /rewind 指引。修复 bare 仓库中 subagents 报错、第三方网关上下文长度错误及恢复会话丢失记录等问题。优化沙箱 git 命令对受保护文件的处理,修正 opusplan 模式下 subagents 模型配置及文件读取缩放逻辑。
OpenAI 发布 ChatGPT Wallet,为 ChatGPT Work、Codex 和 dots 中的智能体提供安全的支付途径。该功能允许智能体在用户批准及使用现有卡片保护机制的前提下完成购买。
推荐理由:OpenAI 官方说明了 ChatGPT Wallet 为智能体提供带用户审批的支付闭环,读者可据此理解 Agent 交易权限的边界。
OpenAI 开启嵌入评估第一阶段,与 Apollo Research、METR、Transluce 和 Goodfire 合作。 合作机构将独立评估模型对齐、安全防护及监控系统。
该研究提出多层指纹框架,通过结合 TLS/HTTP 网络特征与浏览器交互行为,以 100% 准确率精准区分 AI 网页智能体、人类及传统爬虫。 框架分析了 AutoGen、Browser Use、Claude、Gemini、ChatGPT 及 Skyvern 六大智能体系统,揭示了其在 HTTP 请求组装及连接建立上的潜在结构差异。 该跨层追踪方法为内容保护与网络安全策略执行提供了稳健方案。
多智能体系统 Discovery 通过校准顺服机制在闭环人类-AI 协作中设计水溶液有机氧化还原液流电池负电解液。实验显示,Discovery 识别出预测模型无法预见的电化学可逆性问题,通过追溯磷酸盐-钾离子配对机制并设计磺酸盐类似物,将氧化还原电位相对文献基线提升 90 mV 并显著改善可逆性。
该研究考察了7名初中数学教师使用ChatGPT创建个性化数学任务的过程,结果显示“教师介入”往往导致个性化粒度较粗,而学生更偏好包含具体流行文化引用的细粒度个性化。 教师在提示词调整中修改流行文化引用,并针对生成问题的深度、伦理或现实性进行修正,展现了认识能动性。
研究提出 AerialVP,一种无需训练的代理框架,通过动态增强任务提示而非微调参数来改进 VLM 的无人机图像目标识别与定位。 该框架利用 LLM 协调提示分析、视觉信息提取和融合模块,引入图像语义、空间位置和物体关系线索,并构建了统一基准 AerialSense 用于系统评估。 实验表明 AerialVP 在多个无人机视觉任务上取得一致提升,性能媲美基于 LoRA 的指令微调方法。
summary_zh: GraphSkillAA 通过连接规则使用、错误定位与更新验证来改进外部技能表达。 该方法利用教师-学生机制最小化修改,并通过 Local Gate 和 Big Gate 验证及回滚被拒编辑,模型参数保持冻结。
AgentRoom 提出一种实时协作编辑协议,通过 CRDT 合并共享文件系统支持并发多智能体编码,并在 Python DevBench 和 Rust+axum 任务上展示效果。协议将文件级 claim、状态和广播暴露为 MCP 工具,5 个前沿 coding-CLI 模型完成 4 项后端编码任务。协调而非并行或 CRDT-merge 是关键设计选择;该文已被 NeurIPS 2026 接收。
研究揭示长时程语言智能体在维持世界状态表征时存在类似相变的关键边界,微小参数变化或单步增加即可导致行为从成功到崩塌的剧变。 大规模网格搜索发现相图包含低应力、急剧下降和高应力区域;智能体因失去真实世界追踪而非单纯选错动作,且更强模型虽延后到达边界但无法消除该过渡,使世界模型崩塌成为可衡量瓶颈。
POIROT 协议提出由 LLM 多智能体系统内的智能体自行投票归因故障,替代集中式评估器。 该协议通过消融实验验证,无交互阶段的独立自我评估在 9 种模型-基准配置中优于单 LLM 评估器(最高+50 个百分点)。 POIROT 和新基准 BLAME 已开源发布。
去中心化 AI 智能体团队 AutoScientists 能针对假设自组织协作并分享失败经验,在长期计算科学实验中显著优于单一轨迹方案。 在 BioML-Bench 上,其平均排名百分位达到 74.4%,较最强智能体提升 8.33%;在 GPT 训练优化任务中,比 Autoresearch 快 1.9 倍。
GrandCode 是一套多智能体强化学习系统,在 2026 年 3 月的 Codeforces Round 1087、1088 和 1089 三场正式比赛中均排名第一,击败所有人类选手。该系统通过联合训练多个智能体模块(如假设生成、求解器、测试生成和总结)进行在线推理时强化学习,并引入了专为多阶段智能体轨迹设计的 Agentic GRPO 算法来处理延迟奖励和离策略漂移。
推荐理由:原文提出了针对多智能体延迟奖励的 Agentic GRPO 方法,并展示了系统在三场 Codeforces 比赛中全部夺冠的实测结果。
summary_zh: 提出可扩展对话式评估系统,采用双智能体 LLM 管道架构,通过分离面试官与隐藏评估者角色防止答案泄露,用于考察学生论证能力。 系统使用 LLM 模拟特定能力水平或对抗性策略(如提示词注入)的虚拟学生进行测试,并在 AI 素养课程中进行了部署。
文章提出机构设计应成为 AI 研究焦点,需超越单个模型对齐。 基于制度政治经济学等理论,确立了七项原则以维持合作与问责。 通过 MoltJournal API 展示机构可编程性,将自主体转化为可靠集体。
综述提出基础模型知识边界由数据、架构等五个设计要素决定,用于界定其输出可靠范围。 针对智能体系统调用基础模型时信任度不透明的问题,文章分析当前模型成败证据并提出标准化限制描述。 该框架旨在帮助研究人员及代理可靠使用工具。
MobileProbe 提出了一种轨迹感知的红队测试框架,用于评估移动端 GUI 智能体抵御环境注入攻击(EIA)的能力。 该框架通过自动化渗透测试发现攻击面,并构建了包含 83 个长程攻击实例、覆盖 12 个应用的基准测试集。 实验显示,MobileProbe 在三种代表性智能体架构上的攻击成功率均高于人类手写及现有自动化基线,可作为部署前的安全审计工具。
提出推理环境协同优化策略,在 BFCL、SWE-bench Multilingual 等基准测试中使批处理最大跨度降低 10.4% 至 65.0%,评测分数保持一致。