跳到正文
11月11日周三
  1. arXiv · AI40

    JetBrains 工程师 token 消耗与工程产出相关性案例研究

    JetBrains 对 404 名工程师的数据分析显示,token 消耗主要反映 AI 智能体使用广度而非工程产出价值。 两周内 commit 数量相似的工程师中,90 分位 token 消耗是 10 分位的 39 至 240 倍;单工程师内消耗翻倍仅对应约 10% 的 commit 增量。 建议仅将 token 消耗用于资源核算,通过任务与结果证据评估 AI 辅助工作效能。

  2. arXiv · AI28

    MRFoundry 开源发布:基于知识引导的智能体循环实现端到端 MRI 研究

    开源扩展包 MRFoundry 将 MRI 知识与智能体动作连接,配套推出 MRI Agent Bench 用于评估不同模型表现。 在 240 项核心评测中,MRFoundry 使全检查通过完成率从 67.5% 提升至 78.3%,在 134 项高难度任务中从 36.6% 提升至 44.8%。 该工具为 MRI 工作流专家知识提供可复用指导,支持研究者查看、调整并扩展至现有环境。

  3. arXiv · AI35

    AIOA 框架:AI Agent 自主优化原子模拟数值算法

    AIOA 框架利用 AI Agent 在自动化循环中优化原子模拟数值算法。 针对 ASE 库,Agent 使 6 个内核平均提速 22-24 倍;优化器在结构弛豫中比 L-BFGS 减少 3.1-3.4 倍力评估次数。 生成的优化器包含文献中未发现的两个算法组件,证明了 AI 在发现高效算法方面的能力。

  4. arXiv · AI25

    PAF 格式与治理智能体在金融及工程场景中的上下文编译评估

    PAF 格式通过携带编译上下文、证据及溯源规则,使托管治理阅读器在 400 个冻结问题上的成功率达 96%。该结果显著高于 86% 的指令加原始文件检索方案,以及在可回答问题上 94% 对比 79% 的表现差距。一项 0.8B 参数的离线阅读器整体成功率为 69%,但其在 40 个历史记录问题上表现失败,未能解决任何一类。

  5. arXiv · AI32

    Repository-Context-Guided Image Understanding for Agentic Software Development

    为提升编码智能体在低质量 UI 截图下的定位能力,提出基于仓库渲染的参考图像增强方法,在四倍下采样加 JPEG 压缩条件下提高金文件匹配率。 参考图像由当前代码库自动生成都无需人工标注,且在相同退化条件下文本识别精度比语言偏置 OCR 高约 12 个百分点,基于 SWE-bench Multimodal 构建评测基准。 该方法使智能体在视觉证据模糊时仍能定位相关源文件,适用于自动化软件调试场景。

  6. arXiv · AI27

    ICLayout-Bench 评测 LLM 智能体在定制电路布局设计中的表现

    基准测试 ICLayout-Bench 发布了 LLM 智能体在定制电路布局设计中的表现,结果显示 22 种配置的平均布局得分在 4.22 到 80.26 分之间。 该基准包含 165 个任务,覆盖 13 种工艺设计套件(PDK)和 3 nm 到 180 nm 的技术节点,采用开源和商业 EDA 流程。 更高的推理努力并未持续提高平均分,且相似得分的配置在模型成本上差异显著。

  7. arXiv · AI32

    评估 LLM 生成世界模型在神经符号推理中的有效性

    研究通过基准测试发现,虽然大语言模型生成的世界模型在机械有效性上表现良好,但结构一致性低,证明可执行性并非忠实代表问题的充分条件。 涉及 44 个场景的 410 次生成评估,严格审计通过率达 99%,但平均结构 F1 仅为 0.366,仅 21% 模型与参考完全匹配。 这显示现有 LLM 生成模型需结合语义标准进行更深层验证,不能仅依赖机械有效性。

  8. arXiv · AI31

    WikiTrace 如何通过证据关联记忆减少 LLM 智能体的记忆诱导退化

    WikiTrace 是一种证据关联记忆系统,通过让智能体验证每条经验教训与其原始轨迹的关系,有效减少因错误应用记忆导致的性能退化。 该系统将简洁的洞察与轨迹摘要及原始数据链接,当智能体遇到细节缺失或冲突时,可借助底层工具获取完整信息以修正判断。 在五个智能体基准测试中,WikiTrace 性能持续优于现有记忆方法及仅凭洞察的基线模型。

  9. arXiv · AI36

    自进化多模态智能体跨场景综述与分析

    该综述聚焦自进化多模态智能体,揭示其在跨场景迁移中的结构性不对称问题。研究涵盖多模态推理、生成、GUI导航及具身操作四大场景。 通过定义自进化循环框架,区分场景固有局限与设计固有局限,并将各机制重构为资源权衡。 研究分析了稀缺资源与任务结构资源的组合差异,指出了目前尚未经过验证的跨场景迁移判定。

  10. arXiv · AI33

    PMR框架:基于评分标准引导的个性化记忆信用分配

    针对长程个性化智能体记忆更新难题,提出个性化记忆评分标准(PMR)框架。该框架将终端反馈转化为细粒度的每步、每用户信用分配,在四个基准测试中一致优于强记忆增强基线。PMR将评估分解为通用层和每用户自适应层,实现评分标准与记忆策略协同进化。部署时零推理开销,无需外部评分器,有效解决了不同用户画像下记忆动作效用异质性问题。

  11. arXiv · AI31

    TreeAgent:面向处理长层级数据的结构感知记忆智能体

    TreeAgent 提出了一种结构感知记忆智能体,通过保留层级结构处理长文档,在四个基准上使四个智能体平均性能提升 3.61%。 该模型利用完整子树构建片段,附加结构路径以标识祖先关系,并引入残差记忆链接实现跨层级信息直接流动。 评测数据涵盖 8K 至 1M tokens 的 JSON、HTML 等真实应用数据,解决了传统扁平分段破坏结构关系的问题。

  12. arXiv · AI22

    Dr. RTL 实现自主 RTL 与综合优化

    论文提出多智能体框架 Dr. RTL,自动化关键路径分析与 RTL 重写。 在 20 个真实设计中,Dr. RTL 实现 WNS/TNS 平均提升 21%/17%,并降低 6% 面积。 该框架探索设计特定的综合脚本调优及算法发现,迈向 AI 原生设计自动化。

  13. arXiv · AI35

    AI 智能体监管不可能性定理:有限规则无法认证所有安全程序

    研究证明 AI 智能体监管存在不可能性,有限规则无法完全认证所有安全程序,且 220 万次随机程序仿真验证了这一阻碍主要源于对抗性场景而非典型情况。 该定理表明,依赖有限时间机器可验证证据的禁令规则存在单边失效,任何 n 比特的健全规则都会遗漏约 n 比特的合规程序。

  14. arXiv · AI31

    提出面向 Agentic AI 的流行病学队列设计以评估 AI 智能体行为

    研究人员提出一种基于人类流行病学原理的队列设计,用于纵向研究 AI 智能体的行为演变及潜在不良事件。 该框架将智能体视为队列成员,模型架构类比为基因,累积工作量为时间尺度,并通过两个前瞻性队列分别考察好奇心带来的安全风险与数据核查带来的可靠性问题。 这种通用蓝图有助于理解智能体行为决定因素及其可预防负担。

  15. arXiv · AI28

    LLM 智能体长时程故障溯源与控制机制实证研究

    一项针对 95 个失败案例的实证研究指出,大语言模型智能体故障多在任务早期进入,且轨迹中常包含可检测的证据。 研究显示 72% 的失败案例中已有证据但未被处理,45% 的故障源于内容过滤崩溃导致的系统误报。该研究提出了完整的故障记录协议与控制方案。

  16. arXiv · AI28

    从过程模型到可组合智能体工作流:结合 BPMN、智能体与企业知识

    论文提出基于 BPMN 的可组合智能体工作流方法,解决复杂智能体应用难以监控与优化的问题。 该方法将 SemTalk BPMN 模型转换为 LangGraph 可执行工作流,通过递归能力组合将智能体封装为可复用工具,并利用本体提供企业上下文。 BPMN 显式编排使多智能体系统更易于理解、调试及监控执行进度。

  17. arXiv · AI20

    面向协同机器人的语言导向分层强化学习认知多智能体搜索与救援框架

    基于语言导向分层强化学习的认知多智能体框架提升了搜索与救援性能,学习速度提高 2.3 倍,协同一致性提升 37%。 框架整合 LLM 解释指令、UAV/UGV 角色分配及共享认知工作空间,模拟实验中受害者救援率提高 20-30%。 研究确立了语言引导多智能体 SAR 机器人新范式,使自主救援操作更安全、高效且可解释。

  18. arXiv · AI34

    Teaching the Harness:面向 LLM 智能体的学生感知技能迁移

    引入学生感知教学(SAT)方法,让教师 LLM 通过构建学习者模型和诊断探针,为固定 harness 的学生 LLM 生成可复用技能,显著提升任务成功率。 Claude-Sonnet-5 教学 DeepSeek-V4-Flash 时,SAT 达到 86.46% 成功率,高于无画像教师(81.04%)和未教学学生(75.00%);跨模型交换技能库后,各自使用原库表现更优。

  19. arXiv · AI36

    Ask2Decide 基准测试揭示 LLM 智能体获取决策关键信息的瓶颈

    研究引入包含 43 个规划任务的 Ask2Decide 基准,评估 LLM 智能体在信息缺失时主动获取关键决策信息的表现。 实验发现,当关键信息缺失时,前沿 LLM 初始计划不可行率高达 58%-98%,且智能体挖掘改变最优计划事实的比例仅略高于无关事实。 这表明通过交互获取决策相关信息仍是 LLM 规划的主要瓶颈。

  20. arXiv · AI31

    监控单通道无法控制通信:联合消息-路由码自适应重分配的因果证据

    针对学习代理在端到端游戏中形成的离散协议,研究发现在线部分监控导致影子路由占比比无监控增加 0.701 至 0.826,但任务准确率保持在 0.905 以上。 冻结干预实验证实路由具有语义功能,联合消息-路由打乱会改变 0.668 的接收方预测。证据支持在部分监控下自适应重分配联合代码,而非实现开放世界路由发现或通用防御。

  21. arXiv · ML24

    LARC:用于冻结模型学习的低秩自适应残差连接

    LARC 为冻结模型提供紧凑数值状态,在 MiniCPM5-1B-SFT 上两次反馈更新使查询执行误差降低 24.65 和 36.65 个百分点。 采用 rank-4 残差与 12,288 个因子条目,在四候选开发任务中实现 16 个参数组更新,支持损失规则误差达 0.78125%。 研究揭示了数值状态辅助后续读取的条件,训练参考系在部分场景下比内存适应更有效。

  22. arXiv · ML41

    NeurIPS 2026 论文 sTCL 实现神经算子实时导数感知训练

    sTCL 提出一种实时导数感知训练目标,利用随机草图输入扰动直接从 PDE 残差执行敏感性一致性约束,无需离线切向标签或架构修改。 方法引入轻量级算子感知损失条件机制,解决了刚性、病态或不定切向算子导致的残差惩罚失效问题。 在 Helmholtz、Navier-Stokes 等 PDE 上,sTCL 取得与离线 DIFNO 相当的解和 Jacobian 精度,消除了离线数据生成与存储流程。

  23. arXiv · ML36

    如何在AI分析中分配人工监督

    针对任务级不确定性未知的场景,研究提出了一种联合学习校正系数与难度的置信区间策略,用于优化共享人工验证预算分配。 在包含68项任务及2000余名受访者的数字孪生实验中,该方法在实现均匀分配同等估算误差的同时,分别减少了22.7%和4.5%的人工标签获取成本。 该结构可扩展至向量决策模型,强调AI的价值不仅依赖模型精度,更取决于将人工监督精准导向关键区域的操作策略。

  24. arXiv · ML42

    企业分析智能体评估框架对比研究:稳定性、检测与发现

    三项评估框架在企业分析智能体上的对比研究显示,97%的配置满足稳定性阈值,trace-based框架在72个已知风险用例中取得最佳F1=0.90。 text-only评估虽召回率相同但误报增加5倍,功能测试与红队测试发现的24个新型失败零重叠。 建议采用trace-based评估与对抗性红队测试相结合的双框架策略。