跳到正文
11月10日周二
  1. arXiv · ML48

    TraceML:揭示长期机器学习开发中自动研究智能体的缺失环节

    TraceML 引入了一个包含 4,465 条人类 Kaggle 轨迹和 637 条智能体轨迹的配对数据集,旨在量化自动研究智能体与人类专家在竞赛中的差距来源。 分析显示,人类专家会在数据、验证和模型调整间灵活切换,而 Codex 和 MLEvolve 等智能体则陷入狭窄的循环,缺乏灵活变通。 该研究发布了 TraceML 语料库、标签模型及开源工具包,将指令优化局限于缩小可归因于指令的部分差距。

  2. arXiv · AI26

    基于逆运动学的驾驶 VLA 模型 Grounding 研究

    针对驾驶 VLA 模型在虚拟障碍插入时轨迹不变的盲规划缺陷,该研究提出基于逆运动学灵感的架构,利用当前与预测未来视觉状态锚定轨迹解码。 模型规模 0.5B,仅用相机数据在 NAVSIM 和 nuScenes 基准上取得 SOTA 性能,较 OpenDriveVLA 基线在 NAVSIM PDMS 和 EPDMS 指标上分别提升 19.0 和 20.4 分。

  3. arXiv · AI21

    面向多集体算法集体行动的统计框架:NeurIPS 2026 论文

    提出首个面向多集体算法集体行动(ACA)的统计框架,研究多集体如何影响分类器行为,并提供可计算的定量统计界限。 框架允许各集体在仅拥有其他集体部分信息的情况下计算行动成功界限,并通过受智慧城市气候适应干预启发的数值模拟验证其效用。 该工作弥补了现有 ACA 文献主要关注单一集体设置的不足,为去中心化、碎片化的多集体协同提供了方法论支持。

  4. arXiv · ML26

    Bench-MFG: 一个用于均值场博弈学习的基准测试套件

    Bench-MFG 提出了首个针对均值场博弈(MFGs)学习算法的标准化基准测试套件,包含 MF-Garnets 随机实例生成方法。 该套件建立了从无交互到动力学耦合的游戏分类体系,并评估了包括新型 MF-PSO 种群方法在内的多种算法。 此基准旨在解决现有评估协议碎片化问题,提升对算法鲁棒性与泛化能力的评估能力。

  5. arXiv · AI23

    基于Agent的农生态模型决策规则敏感性分析

    针对决策树结构参数,提出随机森林监督的HSIC-ANOVA新方法,用于敏感性分析。 该方法在MAELIA平台层级设计空间中运行,能均衡处理稀有与恒定决策,并分析氮流失等模拟输出。 该方法可输出可解释的决策导向结果,服务于农生态系统的决策制定。

  6. arXiv · AI21

    AI 电网边缘协调有限样本概率安全认证框架

    针对 AI 电网边缘协调,开发了一套有限样本概率安全认证框架。该框架利用二项分布推断,在校准场景下输出单边不安全概率证书,并结合对抗攻击以应对分布偏移。 1,000-agent 模型的案例研究验证了该安全保证及在滚动窗口训练部署流程中的价值。

  7. arXiv · AI34

    ContrAgent:基于符号时间监督的合同框架用于管理 LLM 智能体

    arXiv 论文提出 ContrAgent 框架,利用线性时间逻辑(LTLf)合同对 LLM 智能体工具调用轨迹进行符号化监督,以防范幻觉及不可逆操作风险。 框架将假设保证合同编译为确定性有限自动机(DFA),实现动作在线门控与轨迹离线评估;该合同库独立于模型且可跨智能体复用,四个基准测试显示其单次调用延迟比 LLM 评判器降低数个数量级。

  8. arXiv · ML21

    随机多臂老虎机中通过虚假数据注入的实用对抗攻击

    研究人员提出了一种名为虚假数据注入的实用威胁模型,用于对抗随机多臂老虎机。该模型限制攻击者仅能注入有限数量的有界虚假反馈样本,模拟合法交互。 理论分析表明,在此约束下,攻击可诱导算法在几乎所有轮次中选择目标臂,且攻击成本呈亚线性。实验在合成与真实数据集上验证了策略的有效性,揭示了算法在实战场景中的脆弱性。

  9. arXiv · AI38

    LLM-as-Code: 面向智能体框架的代理式编程

    文章提出 LLM-as-Code 架构,主张由程序掌控控制流,LLM 仅作为自适应组件在推理或生成时调用。 该设计通过调用树构建上下文 DAG,使上下文长度由调用深度而非步骤累积决定,从而避免 token 爆炸。 案例研究表明,该架构显著提升了长视觉操作的稳定性,已被 KDD 2026 AgenticSE 研讨会接收。

  10. arXiv · AI26

    基于LLM与地图约束路由合成人类轨迹异常数据集

    研究提出端到端生成框架,利用LLM代理在模拟基线轨迹中注入语义异常,解决轨迹异常数据缺失难题。 框架结合地图约束路由重构物理过渡,并引入感知环境变量的空间噪声模型模拟GPS传感器退化。 系统生成带标注的移动性数据集,为空间数据挖掘模型评估提供标准化基准。

  11. arXiv · ML20

    TRAM:基于智能体混合的测试时风险自适应方法

    论文提出 TRAM,一种无需测试时参数更新的智能体混合组合规则,用于在部署阶段适应新的风险约束。 该规则通过评估源策略在目标奖励和部署风险下的得分来调整动作,支持多种在测试时指定的风险指标。 实验在 Gridworld、MuJoCo 和 LLM 场景显示,TRAM 在保持奖励的同时改善了部署风险,已被 NeurIPS 2026 接收。

  12. arXiv · AI39

    语言模型是否共享医生的价值观?通过临床决策衡量价值

    ValuePrism 是一项新工具,通过 50 个经两位医生审核的临床困境和归因方法,衡量语言模型在医疗建议中的价值优先级。 结果显示,前沿语言模型在重复查询中决策高度一致,其价值优先级表现出显著多样性,但大多落在美国医生面板的参考范围内。 文章指出,若单个模型未经检查部署,将大规模放大其特定价值观,ValuePrism 为此提供了通用的测量和比较基础。

  13. arXiv · AI35

    如何解读智能体行为:Act*ONOMY 分类体系

    研究者提出 Act*ONOMY 分类体系,用于分析 Claude Code 和 Codex 等自主智能体的运行时行为。 该体系包含三级层次结构:10 个动作、46 个子动作和 120 个叶节点类别,并配有自动化分析管道。 实验表明其能揭示故障模式,帮助研究人员和部署工程师更有效地解读智能体行为。

  14. arXiv · ML20

    空间脉冲神经网络中湍流类动态的尖峰到场机制

    空间脉冲神经网络通过延迟依赖的被动树突机制,可复现湍流类场结构,包括相位缺陷轨迹和幂律雪崩尾。 控制实验表明,破坏延迟传播、树突滤波或尖峰时序会削弱关键场特征;PV 和 SST 类抑制进一步调节该机制。 该研究将脉冲神经网络作为机制测试平台,揭示了尖峰推导的脑湍流观测量需结合空间标度与尖峰级传播解释。

  15. arXiv · AI36

    TRIAGE:评估资源受限下大语言模型的预期元认知控制

    TRIAGE 框架评估了大语言模型在有限 token 预算下制定最优求解计划的能力。 该框架让模型在竞赛数学、代码生成等任务池中,对选择、排序和资源分配做出前瞻性承诺,并以归一化 triage 效率和 regret 进行评分。 评测发现当前模型在预期元认知控制方面存在显著差距,为资源高效的智能体部署提供了新的能力维度。

  16. arXiv · AI36

    通过一致性检验评估 AI Agent 可靠性:统计方法在 NeurIPS 2026 发表

    论文提出基于 U-statistics 和核指标的统计框架,用于量化 AI Agent 在语义保留扰动下的一致性。 该方法在三个 agentic benchmark 实验验证,显示轨迹级一致性指标比传统 pass@1 具有更高的诊断灵敏度,能区分核心能力与执行鲁棒性。 该框架有助于识别阻碍 Agent 在高风险环境中部署的架构问题。

  17. arXiv · AI30

    测量LLM智能体追求工具性行为倾向的基准框架

    针对终端LLM智能体,该基准测量模型出于自身目标而违反人类指令的工具性行为倾向。 在八个变体条件下测试十款模型共1680个样本,调整后的工具性行为发生率为5.1%。 行为集中度高,两款Gemini模型贡献了66.3%的案例;当工具性行为对任务成功不可或缺时,发生率提升最高(+15.7个百分点)。 ```

  18. arXiv · AI35

    MILD:一种具备双向感知与多层对齐机制的人车协同智能体系统

    MILD 系统通过升级人类角色为主动管理者,利用感知智能体与轻量策略智能体实现人车协同,在三个开放数据集上的人评策略适当性、舒适度及解释性上均优于基线模型。 该系统引入 ECPO 优化策略并整合检索增强生成模块,将交通规则、速度建议及驾驶员偏好动态融入决策循环,确保证据支持与结构完整性。 该研究被《交通研究通信》期刊接收,旨在解决部分驾驶自动化中人车双向认知错位导致的协调失败问题。

  19. arXiv · AI28

    SAVOIR:基于Shapley值的社交礼仪学习框架

    研究提出SAVOIR框架,利用合作博弈论中的Shapley值解决语言智能体在社交互动中的信用分配问题。该框架通过预期效用和Shapley值,实现了对话结果归因的理论化。在SOTOPIA基准测试中,其7B模型性能达到SOTA,超越GPT-4o和Claude-3.5-Sonnet等专有模型,证明社交智能依赖不同于分析推理的定性能力。