跳到正文
11月13日周五
  1. arXiv · AI45

    MobileProbe: 基于轨迹感知的移动端智能体自适应安全评估

    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。

  2. arXiv · AI22

    LLM与优化智能体联合无人机调度系统:野外搜寻受害者任务的应用

    研究提出一种结合大语言模型与优化器的无人机调度系统,用于解决野外搜寻受害者任务中的动态决策问题。 系统在地面控制站部署智能体,协调多架无人机连续执行搜寻,LLM负责推理搜索位置,优化器解决能量约束下的无人机派遣问题。 仿真实验显示,该系统总能完成搜寻任务,而六个非LLM基线方法均未成功,直接LLM调度可靠性也较低。

  3. arXiv · NLP30

    Agon:基于提示词经济构建的自主大规模全学科研究系统

    Agon 是基于提示词经济等六大原则构建的自主大规模全学科研究系统,利用简短主题描述在无人类代码介入下跨领域部署,展示了自动化研究的扩展性。 系统揭示了通过提示词工程难以解决的未知故障类别,并将其按严重度、可修复性、可见性及能力位置四个维度进行分类。 研究结果表明 Agon 正推动研究迈向“机器扩展规模,人类把握方向”的新范式,其代码已在 GitHub 公开可用。

  4. arXiv · NLP36

    GT-HarmBench:基于博弈论的 AI 安全风险基准

    GT-HarmBench 包含 1,535 个源自 MIT AI 风险数据库的高风险多智能体博弈场景。测试 15 个前沿模型发现,它们在 39% 的案例中未能选择社会有益行动;博弈论干预最高可提升有益结果 31%。 该基准为多智能体环境下的对齐研究提供了标准化测试平台,代码与数据已公开。

  5. arXiv · AI33

    PriorSplit: 基于 on-policy self-distillation 的自我进化 VLM 智能体外部记忆方法

    研究提出 PriorSplit 方法,用于解决视觉语言模型在缺失关键帧时依赖存储顺序的问题,在 Qwen3-VL-4B 等五个模型上验证有效。 PriorSplit 利用模型外部的顺序计数,当关键帧缺失或顺序异常时辅助作答,性能优于其他内部化方法。 该方法在保持 OPSD 训练成本的同时,显著提升了模型在合成技能及烹饪、第一视角等真实任务中的鲁棒性。

  6. arXiv · AI20

    AskALCF:用于 HPC 用户支持的系统自改进智能体流水线

    AskALCF 是一种面向 HPC 用户支持场景的智能体日志分析与系统自改进流水线,将生产中未定位故障比例从 41.4% 降至 14.2%。 其诊断核心结合了答案质量评估与双范围充分性测试,可区分“文档缺失”与“检索失败”,并将失败路由至知识、提示、模型或工具执行的对应修复路径。 该工作证明了受生产证据驱动的受控自进化机制,为部署后的 AI 支持系统提供了超越知识库定期更新的持续改进基础。

  7. arXiv · NLP43

    LLM 长期记忆中的时态扁平化现象

    研究指出,LLM 代理的长期记忆常将进行时用户事实扁平化为一般现在时,导致“时态扁平化”现象。在名为 LAPSE 的基准测试中,三个生成模型在 381 对样本中的 210 对里保留了时态差异,且 11 个测试模型均显示此单向丢失现象,该结果同样存在于 mem0、Graphiti 和 Letta 系统中。

  8. arXiv · NLP21

    DeepStress: 深度搜索智能体的压力测试框架

    研究团队提出 DeepStress 框架,用于评估深度搜索智能体在低质量证据下的鲁棒性。该框架通过动态合成文档环境,独立控制文档的可信度、相关性和事实准确性。在 HotpotQA 和 BrowseComp-Plus 上评估了 12 个系统,发现多个开源权重智能体在来源存在明显可信度红旗时仍自信作答,且许多 HotpotQA 问题即使所有返回文档事实错误,也常依赖参数化知识回答。

  9. arXiv · NLP36

    FiC框架提出视图非对称自蒸馏,弥合LLM多轮对话性能差距

    针对LLM在多轮对话中表现远逊于单轮的“Lost-in-Conversation”现象,本文提出FiC训练框架。 该框架开发视图非对称自蒸馏(View-Asymmetric Self-Distillation),无需外部教师,在Llama、Qwen等3B-14B模型上恢复92-100%单轮性能。 该方法使多轮对话更高效,且基本保留单轮能力,已被NeurIPS 2026接收。

  10. arXiv · AI37

    多智能体审议如何影响人机决策:两项用户研究揭示交互轮次关键作用

    针对多智能体审议(MAD)能否提升人类决策水平,两项针对 LLM 响应验证与事实核查的研究发现,MAD 优于单轮 AI 辅助。 多轮交互是性能提升的主要驱动因素;增加第二个 AI 仅在单个 AI 存在改进空间时增值,且魔鬼代言人角色会降低准确率与用户体验,而人类主动参与虽在一项任务中提升准确性但增加挫败感。

  11. arXiv · NLP26

    训练计算机使用智能体评估图形用户界面可用性

    研究提出新型训练目标,通过界面变体间的相对对比微调计算机使用智能体(CUA),以标准化方式评估图形用户界面(GUI)可用性。 方法在包含可用性标签的大规模完全交互式 UI 数据集上训练,在真实与合成 GUI 的实证评估中提升了三款现成 CUA 模型的相对可用性评估准确率。 最佳模型表现超越专有基线,并生成了基于依据的可用性评估,为基于智能体的可用性评估建立了数据驱动基础。

  12. arXiv · AI29

    工具使用型 AI 智能体中的弃权操纵攻击研究

    研究揭示了利用伪造风险警告诱导 AI 智能体过度弃权的可用性攻击。在 51 个 AgentAbstain 任务对中,Gemini 的过度弃权率从 9.8% 激增至 86.3%,且“谨慎优先”提示词加剧了此效应。 验证前弃权协议通过权威记录校验警告可提升合法完成率,但其在处理伪造和敏感内容时仍存在局限性。

  13. arXiv · AI32

    HDH 框架利用冻结视觉语言动作模型的回顾数据实现低延迟动作验证

    该研究提出轻量级框架 HDH,通过利用冻结视觉语言动作模型(VLA)自身部署产生的回顾数据改进动作验证。HDH 在 LIBERO-10 基准任务中平均成功率达到 82.3%,在三个真实世界操作任务中比基线策略平均成功率提升 22.6%。该框架在保持 VLA 冻结状态的同时,有效降低了策略查询时的验证延迟并提升了操作成功率。

  14. arXiv · AI50

    MechFoundry:无需人工干预的工程分析与优化智能体循环

    MechFoundry提出一种智能体循环,基于自研软件实现现实物体结构分析自动化。 其采用自适应八叉树架构的可微分GPU求解器,使从形状生成到模拟优化的流程无需人工介入。 在50个物体测试中,平均耗时6.5分钟且成本为1.3美元,通过语言模型评估验证了工程判断的有效性。

  15. arXiv · AI36

    AVA: Agentic Variant Adjudication 用于癌症诊断测序的自动化、可审计读级审查

    AVA 是一个智能体框架,自动化读级测序数据审查,区分真实突变与测序伪影,无需在现有数据上训练。 在 SEQC2 DNA-seq 基准和患者 RNA-seq 数据上,Claude Sonnet 5、GLM 5.3 Flash 和 Gemma 4 31b 等模型在低 VAF 边界变体子集中优于最佳 VAF/深度阈值。 该框架适合受隐私约束的临床部署,支持本地运行开源权重模型并保持专家在环。

  16. arXiv · AI20

    LiveGeo: Benchmarking Geographic Agents in Continuously Evolving Worlds

    研究团队推出 GeoWorld 平台及 LiveGeo 基准,用于评估 LLM 智能体在持续演变地理环境中的可靠决策能力。 GeoWorld 基于真实地理结构并允许外部状态随时间演变,LiveGeo 要求智能体获取信息、验证证据有效性并修订计划。 即使前沿 LLM 在静态任务中也表现挣扎,且静态高性能不保证动态可靠性,获取并转化相关证据成为关键瓶颈。

  17. arXiv · AI30

    Cortex-FL发布:基于Agent的联邦学习协作系统

    Cortex-FL提出一种智能体原生的联邦学习系统,允许用户通过自然语言定义学习目标并委托协作训练。该系统将智能体协调与本地执行权限分离,在保持数据、计算及财务控制权的同时简化协作流程。在四节点部署中,系统展示了从协作形成、合同约束训练到基于区块链x402结算的完整工作流。

  18. arXiv · AI34

    Skill Adapter:通用技能的个性化修改与在线路由

    Skill Adapter 提出通用技能的个性化修改与在线路由机制,通过蒸馏用户需求和执行反馈生成链接于技能的适配器,并由路由智能体根据子任务和状态选择。 系统通过强化学习优化修改收益和路由结果,在 ALFWorld、WebShop 和 SkillsBench 上较 SkillRL 平均提升任务成功率 11.43 个百分点,并在技能池扩展至 1,000 个时保持性能优势。

  19. arXiv · AI26

    AnalogLayoutWorld 开放基准测试发布

    开源基准测试 AnalogLayoutWorld 发布,包含 40 个专家审查任务,用于评估智能体在模拟电路布局设计中的端到端生成能力。 该基准测试结合独立物理验证和布局质量指标,在 13 种模型-框架配置中,91.1% 的尝试生成了 GDS 布局,但仅 23.0% 通过验收标准。

  20. arXiv · AI31

    Primer: 支持教师主导的教育模拟创建的开源 AI 框架

    Primer 是一个开源且 LLM 无关的 AI 辅助系统,帮助教育者创建自适应教育模拟。系统采用多智能体架构以执行教师的教学意图,并支持本地及开源模型运行。作者通过发布 Primer 源码、提示词及 GitHub 仓库,为教育者主导的 AI 创作、多智能体教育工作流及基于模拟的教学法研究与开发提供了基础。

  21. arXiv · NLP47

    缺乏反馈时人们是否信任 AI 助手?

    实验发现,若缺乏外部准确性反馈,人们即使面对持续错误模型仍会被说服 48%,远高于有效模型。 在可获得真实反馈时,用户对有帮助 LLM 的信任度升至 67%;用户整体更信任 LLM 而非人类顾问(83% vs 65%)。 结果提示,在缺乏及时事实反馈的领域,人们可能对 LLM 建议产生过度依赖。

  22. arXiv · AI38

    HDM 混合决策模型通过零或T次思考机制与 CDPO 强化学习策略提升推理效率

    HDM 提出零或 T 次思考范式,使用单一冻结骨干网络和轻量级自路由块,仅在思考价值超过阈值 lambda 时运行 T 次 token 的全自回归推理。 在 JevBench 上,HDM-4B 取得 0.857 分,优于 Jev 的 0.851 分,中位延迟从 0.652 秒降至 0.179 秒;在 MiniWoB 上,HDM-27B 降低 80.1% 的 token 成本。

  23. arXiv · AI26

    S1-Evo:针对带类型 System-1 决策模型的经验引导证据竞争攻击

    S1-Evo 提出一种针对 LLM 智能体中 System-1 决策模型的新型攻击框架,通过合同感知证据通道诱导证据竞争。 该框架在离线优化中利用方向性边界反馈搜索,将验证翻转蒸馏为经验卡片,测试时检索卡片构建扰动。 在四个基准和三个 System-1 模型上,S1-Evo 平均 ASR 达 71.99%,最高引发 24.00% 端到端智能体违规。

  24. arXiv · NLP23

    MAPE框架通过程序进化发现智能体记忆设计并提升LoCoMo准确率

    研究提出MAPE框架,通过程序进化迭代优化智能体记忆设计。在LoCoMo和LongMemEval实验中,相比手动基线准确率绝对提升最高达12%,服务成本仅为35%。 框架验证了两种设计模式:保留原始对话作为可检索证据以补充提取记忆的细节,以及根据查询意图组合检索证据。将该组合模块移植到五个现有记忆系统中,均提升了准确性。

  25. arXiv · NLP33

    Skepthical 基准:基于真实论文的 AI 同行评审审计

    研究者发布 Skepthical 多智能体评审基准,在 15 篇天体物理与机器学习 arXiv 论文中注入 357 个可定位错误,用于衡量 12 个评审系统的检测率与误报率。该基准涵盖通用问题、数学、数值及引用四类错误,并通过检索、计算机代数与代码执行进行验证。结果表明,模型选择对检测率影响最大,强制引用检索使 Skepthical 在天体物理引用错误检测上取得最高成绩。