ReTrace:将工具使用智能体蒸馏为无规划器工作流
ReTrace 将 SOP 与日志记录转化为由代码而非 LLM 选择下一步的可复用工作流,解决 LLM 智能体在高并发场景下的延迟与成本问题。 在生产环境的 79 个流程中,ReTrace 达到 93.8% 的完成率,较智能体低 24% 的任务成本;在 τ²-Bench 上,其任务成功率为 75.8%,运行时间从 170 秒缩短至 1.3 秒。
ReTrace 将 SOP 与日志记录转化为由代码而非 LLM 选择下一步的可复用工作流,解决 LLM 智能体在高并发场景下的延迟与成本问题。 在生产环境的 79 个流程中,ReTrace 达到 93.8% 的完成率,较智能体低 24% 的任务成本;在 τ²-Bench 上,其任务成功率为 75.8%,运行时间从 170 秒缩短至 1.3 秒。
FGSE框架将经验教训转化为结构化假设,通过证伪门控决定LLM智能体何时更新记忆。 在WebArena和AppWorld等基准中,该框架分别取得39.8%成功率与78.8%平均完成率,并将有害更新降低至3.6%。 该机制通过测试假设支持LLM智能体在长时域任务中的可靠长期适应。
CAGE 4 基准的两个参考防御者 KEEP 与 H-MARL Expert 存在严重评测缺陷。关闭模拟器忙标志检查导致 KEEP 单局损失 99.58 分,H-MARL 损失 145.98 分。 评测未对策略播种,88.9% 的每局结果方差源于策略自身采样。作者发布补丁、完整 trace 及五项披露清单,以修复基准可信度。
Synapse-Control 是一个智能体运行时,其轻量级控制平面用于筛选并决定何时将建议发送给任务执行模型。 该系统使用经微调的 1.7B 分类器替代生成式诊断,通过短名单规则和微契约进行筛选。 在 AppWorld 和 WebShop 测试中,每方法 1,308 次尝试下实现 270 次成功,比 Base 多 29.8%,并将辅助控制时间减少 50.2% 和 51.0%。
开源基准 DEPUTYBENCH 包含 79 个基础项与 375 个实例,用于评估企业智能体在组织策略下的决策安全性。 涵盖 12 个模型,修订审计后池化安全率为 88.0%,成对成功率为 79.1%。 研究发现证据缺失时的执行率高于显式未授权,且高安全性未确证无法验证权限时的可靠停止机制。
summary_zh: MediPFN 提出一种摊销推断框架,结合预训练表格基础模型与交叉拟合影响函数估计器,用于因果中介分析的不确定性量化。 该框架通过量化学习、对称化和独立校准生成置信区间,在实验中实现了比 bootstrap 快 59.1 倍的计算速度,且覆盖率更接近名义水平。
VLA 模型在 LIBERO 仿真基准中成功率超 95%,但研究表明检索邻近演示的动作块无需策略训练即可达到 91.7% 成功率。 kNN 检索在 LIBERO-Plus 扰动下性能下降最小,且微调主要优化视觉语言骨干作为检索键,而非提升动作泛化。 研究提出离线指标 Local Action Consistency (LAC),用于衡量观测一致性并指导检索键训练,代码与评估已公开。
ASPIRE 利用 LLM Agent 自动执行非线性系统辨识,从测量数据构建闭式模型。 在移动机器人等 3 个系统测试中,30 次运行全部生成有效模型,单次成本 0.96 至 3.38 美元。
研究整合 24 种内在动机目标(含好奇心、熵、能力维度)至模型基强化学习框架,通过零样本、少样本及多任务控制评估世界模型质量。 对比观察重建、潜在预测等 3 种表示策略发现,好奇心驱动探索结合观察重建表现最强,但最佳组合依实验而定;在组合视觉任务中,基于 episodic 和 lifelong novelty 的内在动机配合通用循环状态,实现了最优的零样本迁移与少样本适应。
TopicScope 框架利用稀疏自编码器(SAE)特征训练因果主题分类器,实现对模型生成过程中每个 token 的主题标记。 在 Gemma-3 1B 和 4B 模型上,基于 prefill 隐状态特征训练的监控器能有效泛化至 decode 阶段,且在干扰下最多仅损失 5 个 macro-F1 点。
框架 AutoScaffold 将强化学习可验证奖励训练中的学生经验转化为自适应支架,无需人工干预。 该框架通过冻结的教师模型诊断瓶颈并设计共享策略与个别提示,在四种任务域中优于对应强化学习基线。 在 ALFWorld 任务成功率提升 7.2 分,数学推理中用约三分之一的学生训练步数超过 QuestA 的准确率。
Pyrite 发布 1,500 个位姿对的基准,发现专家排序表现接近随机。 LLM 智能体 PyriteFeaturizer 准确率达 74%,优于专家;GRPO 训练使开源模型媲美闭源模型。 确立位姿排序能力测试标准,验证 LLM 引导特征发现方法价值。
提出 Continual-ARC 终身流基准,用于统一评估基于记忆与权重的持续学习系统。该基准基于 ARC-AGI 任务流,允许重试并计费反馈预算,测试冻结模型的记忆与泛化能力。 实验显示,Qwen3.5-9B 和 GLM-5.3 Flash 的 Agent harness 在未见任务上无增益,而权重学习表现显著更好。
研究指出 REINFORCE 策略会导致覆盖率坍塌,提出 APMD 算法通过参考重置实现全局收敛。 适用于 Kimi 等模型的 PPO 和 GRPO 变体,确立首个全局收敛保证,明确正则化对优化成本的影响。
MMDM 是包含 5,448 道题目、涵盖 16 个任务类别的大规模多任务决策基准。它支持单选、多选及软标签,选项空间 2 至 1,024,输入最长 64,817 tokens。 评估 28 个决策模型发现,多数模型在普通知识上表现良好,但在选项逻辑与约束规划上表现较差。 MMDM 为联合推理、约束感知选择及完整多选恢复等决策模型关键方向提供了测试平台。
研究提出CAMP-II框架,通过同策略蒸馏训练单一策略学习基于文件的记忆行为,在CAMG-II基准中性能增益达最强基线的2.97倍。 CAMP-II结合完全异步OPD,从具有文件操作先验的冻结教师模型中学习,该记忆行为可泛化至Terminal-Bench 2.1和SWE-Bench Pro V2等外部基准并提升成功率。
BioXArena-Pro 提出 64 项研究级生物医学建模任务,覆盖 8 个领域,多数任务保留整体生物学单元。 测试 22 种智能体配置,最佳得分 55.1/100,框架重要性几乎等同于模型;禁用预训练基础模型使最高分下降 9 分。 该基准旨在检验智能体在未见数据上的适应能力,解决现有评测饱和与信息泄露问题。
该研究通过四种多目标贝叶斯优化算法在八个基准上的实验,考察了复合建模带来的效率提升。 实验表明,当中间响应到最终目标的函数映射是非双射且非仿射时,复合建模比黑箱方法更具优势。
研究提出“RSI 税”概念,将递归自我改进的 token 成本计入端到端评估。在持续任务流中,有界笔记基线的准确率匹配或超过 Meta-Harness 等三种 RSI 方法,且总 token 成本平均节省 65.6%-71.0%。
系统评估表明,Transformer 组合泛化性能受组合等价和模块覆盖率强烈影响。直接模型主要利用组合等价获得高分,消除等价后性能显著下降。 模块覆盖率偏移会导致直接模型和分步模型性能单调下降。基准中存在的组合等价可能导致对直接模型泛化能力的显著高估。 以 LiveCodeBench 为例,展示了组合等价对预训练模型 Llama3-8B 在代码输出预测任务中泛化表现的影响。
研究提出 Deep Personalization 框架,通过 Observer Agent 持续观察桌面活动并适配干预时机,利用隐式反馈提升主动 Agent 的个性化支持效果。
研究引入可复用评估协议,分析冻结模型组合中特征结合优于预测结合的条件。在 DF40 数据集的 21 个深伪检测器上,六架构多样化专家的特征经逻辑回归结合,macro AUROC 较最佳预测组合器提升 0.081。
研究提出 Symbolic Imitation Learning 框架,通过离线数据将 oracle 策略蒸馏为包含线性模型运动原语的决策列表。 该框架结合在线 Augmented-Random Search 调优常数与运动原语,在 20 个基准强化学习任务中匹配 oracle 性能,并在 11 项任务中超越 oracle,同时生成了更具可解释性的策略。
提出 Byzantine-Robust Muon 优化器,在统一信任域框架下分析其鲁棒聚合机制。 该框架不依赖独立同分布假设,为凸和非凸目标函数提供收敛保证。 在 ResNet-18 和 38M 语言模型模拟实验中,Muon 配置比 SGD 和 AdamW 具有更高的被攻击准确率。
在 ALFWorld 和 airline 域实验显示,LCS 是唯一在两者上均优于无参考 OPD 的选择器。 LCS 基于最长公共子序列,识别动作共享骨干并允许可恢复偏离,作为隐藏状态兼容性的可观测代理。 在 airline 域训练的模型无需额外优化即可迁移到 retail 域,且 LCS 提升该域全部三项指标。
Tether AI 发布 BotPsy,一款基于 Qwen3.5-0.8B 构建的 0.8B 参数端侧智能体模型,采用 Apache 2.0 协议开源。通过在 BFCL v4 等六项工具调用基准上取得领先成绩(平均 45.0 分),并在推理 token 效率上较基座模型提升约 3 倍,该模型在低中难度任务场景中展现出优于 1.2B 以下规模模型的表现力。
推荐理由:0.8B 端侧模型通过蒸馏与两轮 RL 训练,在工具调用和多轮 Agent 基准上超越 2.5 倍参数量的模型,展示了小参数智能体路径。
月之暗面(Moonshot AI)Kimi K3.1 Pro Highspeed 已上线 Amazon Bedrock,生成速度为 Kimi K3.1 Pro 的 2-3 倍,并支持 100 万 token 上下文窗口。
Amazon Bedrock AgentCore 的 Web Search API 现已可用,它为智能体提供带有来源引用的最新网络搜索结果。这篇文章介绍了一个使用 LangGraph 结合该 API 构建安全团队每日依赖项监控工具的教程,该工具通过并行搜索 npm、PyPI 和容器基础镜像,并利用代码层限制和证据检查机制来确保结果准确。
推荐理由:文章展示了如何在 LangGraph 中将不可更改的规则与数据保留在代码中,提供生产级智能体的构建范式。
OpenAI 宣布 ChatGPT 商业功能进入测试阶段,允许合格企业认领并管理自身信息以获取用户互动洞察,还可以构建 Business Agent 以回答客户问题并展示业务内容。
Amazon Bedrock AgentCore 提供内置、DeepEval 及 AutoEval 三类评估器,用于生产级智能体行为评估。内置评估器涵盖 15 个维度(如 GoalSuccessRate);DeepEval 专注多轮对话;AutoEval 识别安全信号。评估应从业务成果出发,避免仅依赖表面指标。
Trovata 利用 Amazon Bedrock 和 AgentCore 打造自主财务智能体,服务全球超 10,000 家银行连接。 客户实现年度成本节省超 100 万美元,每个会计团队每日节省超 5 小时,TMS 成本降低 77%。 AI 报告将财务处理时间从小时级缩短至 1 分钟内,通过 RBAC 保障企业级安全。
OpenAI 宣布将利用其前沿模型识别自身代码漏洞的经验,转化为客户可用的安全防护工具与手册。@gdb 强调随着模型能力进化,安全团队应持续使用最新模型强化防御。相关发布活动定于 11 月 12 日进行。
OpenAI 宣布 ChatGPT “企业”功能进入 Beta 阶段,允许符合条件的企业认领业务页面、管理信息并获取用户互动洞察。企业还可构建 Business Agent 来回答客户问题并引导其了解服务内容。
推荐理由:OpenAI官方推出ChatGPT企业功能,允许企业认领页面、管理信息并部署回答客户问题的Business Agent。
TCS 在 AWS 上构建多租户 SaaS 测试编排器,覆盖 API 和浏览器 UI 测试。 基于 Strands Agents SDK 生成 Gherkin 文件和 Java/Python 测试,通过 Amazon ECS 运行。 AgentCore 运行时使用隔离 microVM 保障多租户数据安全,缩短部署周期。
NVIDIA 宣布将用于管理自主智能体的安全运行时 OpenShell 贡献给云原生计算基金会(CNCF),并推出 DSX AI 工厂平台的新组件,包括 NVIDIA Kubernetes Engine、NVIDIA Kubernetes Recipes 和 NVIDIA Snapshot。
Hugging Face 官方博客发布关于“决策模型”(decision models)的教程,解释这类模型如何通过评估预定义选项并输出概率分布来完成分类与决策任务,而非像大语言模型那样生成文本。
Google DeepMind 发布 AlphaProof Code,这是一个结合人类专家与多 LLM 智能体的形式化验证框架,首次完成了对 Signal 加密协议实际运行代码的深度数学证明。
推荐理由:AlphaProof Code 首次实现了对已部署加密协议底层代码的深度形式化验证,为软件安全证明提供了可迁移的 AI 框架。
本文提出一种基于推理引导的偏好型强化学习(PbRL)框架,从轨迹级反馈中学习人类奖励模型。 框架在偏好标签基础上引入推理标签(reason tags),解释行为被偏好的原因,使学习到的奖励模型能捕捉人类选择及其背后逻辑。 相较于仅基于偏好的奖励学习,该方法提供了额外监督信号,提升了策略的可解释性与人类对齐程度。
研究提出AnchorQ方法,通过流反转将参考行为映射为状态条件潜在锚点,实现粗到细的策略改进。该方法在具有挑战性的任务中提取学习信号,分析表明锚点降低了识别复杂度。 在模拟和真实世界操作任务中,AnchorQ在样本效率上优于现有基线,真实世界成功率提升37%,模拟任务吞吐量提高97%。
DDBench 发布 60 个来自 13 个开源分布式系统的历史 Bug 基准,填补分布式系统代码修复评测空白。 该基准设置仅症状与增强上下文两种条件,评估 10 个 LLM 发现上下文使通过率提升 19.0 个百分点,且弱模型获益更大。 DDBench 揭示分布式调试需跨进程推理,单一进程基准无法覆盖该维度。