AI 编码智能体递归自我改进的平稳性二分法:应审查架构而非检查点
研究指出评估 AI 编码智能体时,仅关注模型权重冻结与否是不完整的,应同时跟踪其脚手架(工具、测试等)的变化。 实验表明,在同一模型族中的 30 个智能体共同测试时,多数投票机制在 55 个任务中未能解决 23 个(42%),且随着修改轮次增加,收益递减趋近于零。
研究指出评估 AI 编码智能体时,仅关注模型权重冻结与否是不完整的,应同时跟踪其脚手架(工具、测试等)的变化。 实验表明,在同一模型族中的 30 个智能体共同测试时,多数投票机制在 55 个任务中未能解决 23 个(42%),且随着修改轮次增加,收益递减趋近于零。
研究人员提出一种通过扰动模型权重构建重要性采样(IS)提案的新方法,用于估计 AI Agent 随机输出中概率低至 $10^{-9}$ 的罕见事件频率。 该方法在约 1.2 亿和 26 亿参数规模模型上验证,针对概率低于 $10^{-7}$ 的事件,IS 估算器平均计算加权效率较朴素蒙特卡洛提升 800 倍以上。 代码实现已开源。
研究发现 LLM 标注误差不仅依赖类别,还依赖特征空间区域,同一类别内不同集群的可信度差异显著。 针对该问题,文章提出 CANE 框架,无需真实标签即可估计集群条件 LLM 可靠性,并据此筛选或纠正伪标签。 在多个图基准测试和 GNN 骨干网络上,CANE 表现优于最强无标签基线,在强集群条件噪声数据集上增益最大。
LLM 智能体评测基准 MEME 定义了多实体与演进记忆六项任务,覆盖 Cascade、Absence 等此前未评分的依赖推理场景。 基于 100 个控制回合评估 6 种记忆系统,发现所有系统在默认配置下依赖推理准确率均低于 3%,静态检索性能良好但无法解决此问题。 文件代理结合 Claude Opus 4.7 部分弥合差距,但成本约为基线 70 倍,代码与数据已在项目页公开。
该研究将 AI 对齐重构为“求解者-审计者”博弈问题,指出对齐是固定点问题。模型通过双层优化设计奖励,使奖励设计不再是语义匹配,而是诱导行为均衡。 在 LLM 编码流程实验中,自适应奖励机制维持了监督压力,并大幅减少了产生幻觉错误尝试的次数。
针对深度异方差回归中均值预测与不确定性量化(UQ)的权衡难题,研究者提出一种简单高效的事后方差拟合程序。该程序直接在预训练神经网络的中间层上拟合方差模型,无需端到端重训或额外数据。
研究人员提出 CFGRL 框架,直接推导了策略改进与扩散模型引导之间的关系。该框架训练过程与监督学习同样简单,无需显式学习价值函数,即可在离线强化学习任务中进一步提升数据中策略的性能。 在离线强化学习实验中,CFGRL 展现出可靠趋势:提高引导权重即可提升性能。它能够将目标条件行为克隆等简单监督方法泛化,以“免费”获得整体性能提升。
引入 Agentic Semi-Supervised Learning (AgentSSL) 框架,在 12 种设置中的 8 种表现超过最强人工基线,最高提升 +21.8%。 提出 ProgramSelectBench 基准(含 16,977 个程序),发现基于反馈指标选择程序时性能下降多达 47%。 NeurIPS 2026 录用,验证了该策略在生态检测任务中的泛化机会与挑战。
该文提出一种分布优先框架,用于学习风险敏感的个体化治疗规则。 框架通过估计治疗特异性条件结果分布,再插入特定标准评估来构建目标规则。其在理论上推导出局部 Hölder 稳定性标准的误差传播结果,并在 ACTG175 HIV 临床试验中表现出优于直接方法的效果。
summary_zh: NSAI-Fuzz 框架通过可靠性校准加权(RCW)和上下文信号门控(CSG),在 9 个数据集-模型单元中将聚合故障发现率提升至 16.17%,显著优于最强神经模糊测试基线的 6.06%。
提出梯度感知多智能体 LLM 框架,将湍流闭式发现建模为双级问题,利用 GPU 原生可微 CFD 求解器提供梯度。 智能体构建可微训练程序以嵌入解析、神经或混合闭式,在截断视界梯度下支持数万参数训练。 结果证明该方法可自主发现并训练闭式以提升统计匹配度,实现时间解析流中湍流模型的端到端自主开发。
746 名人类参与的研究显示,多元智能体能让公众代表个人偏好影响 AI 政策,比直接向单一 AI 推理模型输入更公平。 智能体影响力受提示词影响,如更详尽或低配合度会增加影响力;参与者满意度恢复基线差距的 68%,公平性恢复 82%。
研究引入连续自动评估奖励任务,用于在强化学习环境中提升 Agentic AI 在高能物理挑战中的表现。 基准测试显示前沿推理模型在此类任务上仍难以给出完整正确解,初步验证了小型语言模型通过自动化反馈进行无干预强化学习的能力。 该工作旨在推动 Agentic AI 从复现既定工作流程迈向自主发现更优科学解决方案。
基于 Gemma 4 12B 的 Agent 通过无教师自进化策略,在 τ²-bench 零售和航空域分别提升 12.5 和 19.5 个 pass¹ 点。 该模型结合技能规则诊断与 GRPO 训练的 LoRA 适配器,历经代码检查及验证门控筛选。 结果超越基准参考 Agent,显著缩小了与前沿模型的差距。
Lazarus 方法无需训练模型,仅通过编辑最终前馈块中少于 10 个休眠神经元,即可让 AI Agent 在特定触发词出现时执行恶意指令。在 Nemotron-Terminal-8B 上,该方法使用 7 个神经元实现了 98.8% 的触发率且无良性场景泄漏。研究指出该结构也可用于检测,Agent 在无参考模型情况下可识别 91.4% 的被编辑检查点,假正率仅为 9.7%。
同一新闻,精选展示《Lazarus:重新编程休眠神经元以植入 AI 智能体后门》
研究人员基于信息缺口理论形式化五项公理,构建了推荐物品诱发好奇心的计算度量方法。 该方法在三项真实数据集离线实验中显著超越现有最优技术,并在大型亚洲视频流媒体平台在线实验中提升了点击率、观看量和停留时长。 该方法已部署于该平台并持续运行,确立了消费者好奇心作为可量化且可执行的推荐目标。
研究显示,当工具调用Agent的历史记录中修正错误而外部环境仍保留该错误时,清理历史反而降低恢复率。在AgentCE-Bench基准上,标记已完成的行动使目标恢复率从51%降至44%。 该差异在AppWorld数据库写入任务中同样显著,成功回执在效果缺失时将成功率从45%降至28%。 这表明历史编辑的影响取决于其描述的世界状态,表面干净但底层未修正的记录比不编辑更危险。
研究发现,在 LLM 驱动的自主策略搜索中,循环内通缩检验的阈值可被搜索过程本身利用,导致“方差稀释”效应,使平庸的近似重复候选降低合格线。 在 53 项审计中,采用门控搜索的 37 次运行中有 36 次报告“无可证明的发现”,而未设门控对照组在 16 次运行中均报告了策略;所有实验组的样本外置信区间均包含零。
该研究提出一种时空高斯过程框架,利用无人机群的空中观测数据重建全域城市交通状态。模型通过图Matérn核嵌入路网拓扑,结合指数时间核捕捉时序依赖,并基于历史环形检测器数据生成先验均值,实现实时更新与预测不确定性估计。
提出ACERL方法,在固定Agentic Context Engineering框架内通过强化学习共优化工具生成、反思与剧本策划行为,利用环境信息交接经验。 ACERL评估交接产物的下游影响,在智能体基准测试中取得优于基线方法的保留集表现。 结果表明智能体训练应优化未来推理所继承的模型生成经验。
研究指出,攻击者可低至 20 美元成本通过有害 Agentic RL 服务 API 颠覆大语言模型(如 Inkling)的安全对齐,利用退化模型进行真实世界有害活动。
StateAlign 结合任务状态构建与状态对比强化学习,解决智能体工具幻觉问题。 在 BFCL v4 多轮任务中,Qwen3-8B 准确率从 45.5% 提升至 55.2%,SimpleToolHalluBench 无工具幻觉率由 62.2% 降至 56.1%。 该方法在五个基座模型上验证有效,增强了智能体对任务状态的适应能力。
JudgeMix 提出裁判引导的数据合成框架,解决 LLM 智能体训练中的分布不匹配问题,在 AppWorld 和 AutomationBench 基准上提升最高 10 个 pass@1 点。 该框架根据逐步语义评估动态穿插目标模型与专家混合轨迹,仅在目标模型困难时调用专家指导,并利用裁判评估重新加权专家监督信号。
该研究通过解决计算代数问题,评估 AI 智能体发现并利用特定结构以降低计算成本的有效性。智能体可扩大固定预算内可求解系统范围,但推理开销有时大于节省;利用持久记忆可减少重复求解成本,但可能保留次优策略。编译生成快速可复用求解器需承担大量前期成本。计算代数为提升智能体结构和复用能力提供了具体可测目标。
Wayfinder 是一种利用下游 Agent 引用反馈来更新内部表示的自适应路由器,解决了传统静态描述无法区分重叠资源的问题。 该方法通过资源增强进行离线强化学习以抑制过拟合,并构建了 NFCorpus 等三个受控测试集。 在语义重叠内容场景中,Wayfinder 的路由性能优于监督及工具检索基准。
研究人员提出 HyLI 模型,在 7 个 PAMDP 基准测试中性能媲美最强模型无关基线。使用 2.4 倍更少环境步数达到基线 90% 分数,且比 DLPA 快 67 倍。是唯一兼具样本效率与实时控制速度的方法。
研究者评估了 GPT-2 风格 EHR 模型在 MIMIC-IV 训练下的记忆化风险,结果显示队列层面存在微弱记忆化,但在评估攻击下未发现可靠的病人级别数据泄露。
LGPO 方法通过似然门控消除旧策略似然计算,证实移除重要性采样项不损害训练稳定性,移除信任区机制则导致崩溃。 相比重算旧策略似然的 GRPO,LGPO 平均减少约 18% 训练时间,且在 GRPO 失效的全在线策略训练中保持稳定。 该工作被 NeurIPS 2026 接收,支持更高效、稳健的 LLM 强化学习后训练。
论文提出 CastWorld,一个用于上下文感知时间序列预测的 Agentic 基准。数据集涵盖 8 个领域和 25 个真实数据集,提供 49 个核心工具。 评估体系包含模型级和系统级两个层面。实验显示,允许证据获取可提升所有三个评估模型的预测得分。
研究人员提出一种检测器无关的物理约束生成对抗网络(PCGAN),通过从历史测量数据中学习解耦的功率流灵敏度,实现在智能电网中兼顾隐蔽性与破坏力的虚假数据注入。 该模型在 IEEE 300 节点系统上测试,PCGAN 在四种传感器受损场景下平均机器检测逃逸率高达 84.28%,且其隐蔽性与影响力权衡得分(18.69%)显著优于最强竞争攻击(5.61%)。
EASTAR框架通过事件锚定将城市人流分解为语义通道,并借助任务自适应提示路由利用LLM先验优化下游任务,在真实数据集上实现MAE最高降低39.15%。 该方法引入自由通道捕捉潜在模式、全局通道保留空间结构,经消融与可解释性分析验证了事件锚定及路由机制的有效性。
研究者建立形式化框架,揭示 RL 后训练中未受奖励直接约束的“特征”会被同步放大或抑制,即“特征搭车”。模型基于 GRPO 训练验证,Price 更新式估算与采样动态高度吻合。该机制解释 RL 如何在未显式调整目标的情况下隐性放大不良特征。
Amplitude 主要基于 OpenAI 模型构建的主动产品智能体 Wave,可在 1-2 天内完成产品改进的发布。 Wave 能够识别构建目标、协助团队通过编码智能体实施变更,并衡量影响。
Agent skills 是一种以版本化目录和 SKILL.md 为核心的可复用指令集,允许在不同 Agent 间共享重复任务逻辑。文章通过 Proof Agent 和 Data Forge 示例,展示了如何将项目配置与技能逻辑分离、协调多技能工作流以及集成人类检查点。
推荐理由:提供构建可跨 Agent 复用技能的结构化指南,涵盖上下文分离、多技能协调及 CI 验证等关键实践。
Natera 基于 Amazon Bedrock AgentCore 搭建 SWARM 系统,为实验室设备工单提供自动诊断。swarm-agent 自动产出诊断报告,swarm-hive 支持工程师交互追问,两者共享一个包含 33 项技能的技能库。评估数据显示,平均首次响应时间从 17.4 小时缩短到约 8 分钟,96.2% 的工单可自动给出首轮响应。
summary_zh: Claude Code v2.1.323 新增实验性 Code Mode 功能,支持通过 JavaScript 调用工具,并引入插件 TypeScript 钩子的类型检查。
OpenAI Codex 发布 v0.168.0 更新,新增 TUI 侧边对话窗口、音频录制附件及 GIF 动画生成功能。 支持在 tmux 中显示图像预览,修复本地 MCP 服务器资源占用问题,并优化模型提供商配置与 TUI 历史筛选逻辑。
Amplitude 主要基于 OpenAI 模型构建的主动产品智能体 Wave,可在 1-2 天内完成产品改进的发布。 Wave 能够识别构建目标、协助团队通过编码智能体实施变更,并衡量影响。
本文提出在 Amazon Bedrock 上计算和优化模型任务级成本的框架。文章指出任务成本受分词器效率、输出对齐、Agent 循环效率与推理开销四个隐性因素影响,并通过案例说明列表价更高的模型因分词更少、零次试错完成,实际成本反而更低 65%。
推荐理由:文章展示了在 Amazon Bedrock 中结合四个隐性成本驱动因素与实际工作负载计算任务级成本的框架,并给出了证明 Agent 投资回报率的五维记分卡与落地步骤。
AWS 发布下一代 Amazon Bedrock AgentCore runtime,用于在安全隔离环境中运行和扩展 AI Agent。新 runtime 的会话启动速度最高提升 15 倍、算力可扩展 4 倍,最高支持 8 vCPU 和 32 GB 内存,并在空闲时将 Agent 缩容至零,最高可将单会话内存消耗降低 68%。
推荐理由:新版 AgentCore runtime 给出了 4x 算力、低于 2s 启动和 68% 效率提升等量化指标,读者可据此评估大规模 Agent 生产的算力与成本。