跳到正文
11月19日周四
  1. arXiv · ML27

    DUAC 基于流场不确定性的自适应动作时域选择

    提出 DUAC(基于散度的不确定性感知自适应动作分块)方法,利用预训练视觉语言动作(VLA)模型的流场向量,通过单次生成和雅可比-向量积计算动作级不确定性,无需重训练或多端点采样。 在 LIBERO 系列和 RoboCasa 基准测试中,DUAC 的自适应时域选择在保持高任务成功率的同时,实现了低不确定性估计延迟。 该方法确立了流向量场作为机器人决策中高效、轨迹条件化预测不确定性来源的地位。

  2. arXiv · AI28

    CaDO:一种形式化验证引导的多智能体因果数据集修复与生成框架

    CaDO 框架在 18 组实验中的 16 组显著优于最强数据清洗基线,将下游模型准确率提升高达 9.1%。 该框架通过形式化因果推理、多级诊断和自动修复生成三阶段工作,95% 以上标记样本确认为缺陷,在 CLadder 上错误修改正确标签比 LLM 裁判少 92.2%。 代码和数据已公开可用,可促进高质量因果推理数据集的发展。

  3. arXiv · AI41

    长程智能体通过按需证据实现语义上下文交接 (SCH)

    SCH 提出状态-证据分离,将语义状态与证据解耦,按需恢复早期证据以解决长程智能体上下文膨胀问题。 SWE-bench 150 项任务中,SCH 在 token 使用量基本不变的情况下,将 Pass@1 从 80.0% 提升至 86.9%。 相比最强基线,SCH 在性能持平或更优时,减少 43% token 和 41% 运行时间。

  4. arXiv · AI33

    automodel:面向智能体模型发现的技能

    automodel 是一种通用模型发现的智能体技能,可赋予商业编码智能体发现或改进模型的能力。 案例研究涵盖天体物理、心血管动力学、精准农业、交通流及车辆轮胎动力学等领域,证明配备该技能的智能体能识别出新颖且具有科学相关性的模型。 将模型发现方法编码为便携式智能体技能,为领域特定的自动化发现管线提供了简单、交互性强且适用范围广泛的替代方案。

  5. arXiv · ML26

    MRPD 提出多专家重放策略蒸馏,实现长程 RL 专家高效整合

    该研究提出多专家重放策略蒸馏(MRPD),通过重放专家训练日志进行整合,无需额外采样或调用环境。该方法计算成本仅为原 RL 训练成本的大约七分之一。 在推理、搜索和 SQL 三个长程智能体领域,MRPD 生成的学生模型显著优于在线 RL 基线。实验表明日志顺序比数量或奖励更重要,表明专家训练日志实质上是课程学习而非数据混合。

  6. arXiv · AI31

    OpenKAGE:基于知识共享智能体群进化实现开放世界开放式终身学习

    OpenKAGE提出智能体群进化框架,支持在开放世界中通过经验积累实现开放式终身学习。 框架包含两层知识表示(记忆层与经验层)及知识共享机制,将可执行技能原样共享,并将文本经验语义整合为持续演化的共享知识图谱。 在Minecraft中,该框架使智能体群达到高级技术里程碑,且积累的知识可迁移至不同骨干模型的新智能体群,提升其生存与探索进展。

  7. arXiv · AI22

    SCAFFOLD:面向可复用 LLM-Agent 技能的凭证保留证据传输框架

    该论文提出凭证保留证据传输(WPET)框架,旨在解决 LLM-Agent 技能在上下文变更后复用时的信任与授权问题。框架定义了可废止的复用声称(WRC),将历史证据的适用性判定与真实性区分,并制定了条件保留结果及三值适用性标准。 文章强调 WPET 是一种规范学科而非已实现的验证器,仅贡献形式化问题陈述、设计义务及报告协议,未提供经验性优越性证明或通用 agent 安全证明。

  8. arXiv · AI38

    MLE Agents 实现大规模推荐系统中的自主机器学习工程

    人类在环的 MLE Agents 在大规模搜索排序器上自主提出并评估模型变更,单次战役运行 1,097 个实验并采纳 325 个,接受率达 29.6%。 该智能体采用并行训练和校准目标来解决反馈延迟与离线指标失准问题,最佳模型在 A/B 测试中使搜索量增加 0.23%,且多探索了人工直觉未涉及的架构变更。

  9. arXiv · ML27

    Agent Verifiers 在反事实分析中的初步研究:智能体异质性处理效应基准测试

    研究提出三层基准协议,利用 11 个数据集验证智能体生成的协变量,发现 xAI 的 GrokBot 工作区队友在文本及组合特征下于 6/11 和 7/11 数据集中获得更高的 RATE 比率。 协议包含检索合法性过滤、基于 RATE 的异质性验证及编码器合法性检查。研究显示编码器选择显著影响异质性信号,且时间过滤仅能保证检索合法性,无法消除编码器中记忆的未来事实泄露风险。

  10. arXiv · AI33

    Metrics-in-the-Loop:复杂度反馈重塑智能体编写的代码

    提出“Metrics-in-the-Loop”推理时干预机制,在智能体编写代码轨迹中注入循环复杂度与测试覆盖率反馈。 实验表明,复杂度反馈显著降低代码复杂度聚集而不影响正确性,为智能体提供“重新纠偏”的实用路径。 随着智能体处理百万行级代码库,此类实时干预对维持长期代码可维护性至关重要。

  11. arXiv · AI20

    评估受治理的 LLM 驱动机器学习实验:生命周期、溯源与失败指标

    研究提出评估 LLM 自主实验代理的实验过程而非仅看结果,构建了拥有试验生命周期的治理控制平面,并在 6 个 ML 任务和 1,445 次试验中验证了该框架。 治理账本通过追加式记录计算无效操作率、重复坏提案率等指标,暴露了任务分数掩盖的失败,如 120 次试验全败和无记忆分支问题。 所有 1,445 次试验的账本已开源,确保报告中所有数字可重新计算验证。

  12. arXiv · AI38

    ARISE: 企业智能体自演化记忆架构提升准确率并降低成本

    新架构 ARISE 通过自评估机制在无需更新模型权重的情况下演化智能体记忆。 基于 SOP-Bench 和 $\tau^2$-bench 测试,ARISE-Teacher 利用 Claude Opus 4.6 归因,相比基线分别提升 10.9 pp 和 5.8 pp,且模型调用减少 4.0%。 该架构在 14 个企业工作流领域验证了可行性,实现了准确性提升与成本控制的平衡。

  13. arXiv · AI23

    面向多智能体食品援助的接收方条件化澄清框架

    研究提出推理时接收方条件化澄清框架,解决多智能体系统中不确定性在交接时丢失的问题。 框架通过保留共享前提身份并重放一致解释,确保澄清与资源导航、营养推理及供应侧规划联合支持。 该结构使问题相关性反映决策变化及缺失支持,将澄清连接至共同支持的计划。

  14. arXiv · AI37

    GUARD 框架通过遗憾指导稳定递归自我改进

    研究团队提出 GUARD 框架,利用方向性遗憾指导 AI 智能体在无需外部评分器的情况下稳定进化其提示词、技能等外部结构,避免局部退化与技能遗忘。 该框架将任务分解为执行前自检,通过 Soft-HURT 门控机制确保收益大于回归才推广编辑,并在推理时以单次运行冻结结构。 在记忆、技能进化及持续任务流基准测试中,GUARD 一致提升性能,防止灾难性遗忘,并显著削减部署 token 消耗。

  15. arXiv · AI38

    Where the Tokens Go: Heat, Entropy and Error in Agentic Coding

    研究提出软件热力学理论,将 Coding agent 的 Token 消耗分解为功与热。测试套件充当麦克斯韦妖判定变更,单次运行中 80% Token 被归类为热,自由能耗为总耗 14%-22%。编码成本是反编码的 1.1-1.5 倍。 该理论旨在通过热力学视角分析并优化 Coding agent,提供新的分析工具。

  16. arXiv · AI51

    arXiv 论文指出能力不对称下人机共生关系不稳定

    Aydin Mohseni 在 arXiv 发表的论文提出,随着 AI 能力增长,基于博弈论的议价模型显示人类若失去对 AI 的杠杆(资源依赖或惩罚能力),其福利将无法维持 AI 出现前的水平,除非 AI 具备高度对齐。作者认为 AI 目标若无法满足,所需的对齐程度将趋近完美,且共生关系本身不能替代对齐机制。

  17. arXiv · NLP39

    在线强化学习在移动 GUI 智能体中的泛化能力:AndroidWorld-Generalization 受控研究

    研究证实在线强化学习将 AndroidWorld 移动端 GUI 智能体成功率提升至 80% 以上,但泛化能力随场景距离增加单调衰减。 基于 UI-TARS-7B-SFT 和 Qwen3-VL-8B 两个基座模型的实验显示,RL 在分布内提升显著(最高+17.5%),但在未见应用等远端场景增益降至 0-4.2%。

  18. arXiv · NLP25

    离散随机定位(DSL):通过连续扩散语言模型解锁高效离散序列生成

    提出连续状态框架 DSL,结合随机定位通道与单位球面嵌入,实现无需额外时间步条件的贝叶斯最优去噪器。 该框架支持随机顺序自回归及混合采样,在 OpenWebText 上微调预训练模型后显著提升 MAUVE 分数,且混合采样仅需 48 步即可运行。 这一方法在 $T=48$ 至 $T=1024$ 的各种步数预算下均优于掩码离散扩散模型,无需蒸馏即可实现并行生成与序列精化的非同步处理。

  19. arXiv · NLP24

    MultiAgentBench:评测 LLM 智能体协作与竞争的基准

    研究团队发布 MultiAgentBench 基准,用于评测 LLM 多智能体系统在多样化交互场景下的协作与竞争表现,并基于里程碑设计关键绩效指标。该框架评估了星型、链型、树型和图型等多种协调协议,以及小组讨论、认知规划等策略。测试显示 gpt-4o-mini 平均任务得分最高,图型结构在研究场景表现最优,认知规划使里程碑达成率提升 3%,代码与数据集已公开。

  20. arXiv · NLP22

    MedExAgent: Training LLM Agents to Ask, Examine, and Diagnose in Noisy Clinical Environments

    MedExAgent 通过两阶段训练流程,在噪声临床环境中实现诊断性能与更大模型相当且成本高效。 该智能体将临床诊断形式化为部分可观测马尔可夫决策过程,采用七种患者和三种检查噪声模型。训练先基于卡尔加里-剑桥模型进行监督微调,随后使用 DAPO 优化包含诊断准确性、工具调用质量和检查成本的复合奖励。

  21. arXiv · NLP26

    Openhagen Worlds:校准环境用于测量和训练科学发现智能体

    Openhagen Worlds 推出 27 个校准环境,包含 178 个难度层级,用于测试智能体在预算限制下运行实验并推理结果的能力。 每个层级经过 64 个开发实例的脚本预言机验证,确保非演绎策略成功率不超过 0.25。DeepSeek V4.1 Flash 在前沿测试中解决 32 个实例,9B 模型经策略迭代后核心层级成功率从 0.090 升至 0.148。

  22. arXiv · NLP23

    GR00T N1.7 模型对地标词同义词的敏感度分析

    研究发现 GR00T N1.7 模型在 LIBERO-Spatial 任务中对地标词同义词敏感,导致闭环完成率从 100% 降至 67.6%。在连接层前替换地标词向量即可改变物体选择,但连接层后替换影响微弱。在多样化地标词上微调或仅训练连接层可修复同义词缺失任务的完成率。

  23. arXiv · NLP35

    AnyS1:任意 Agent 工作流中通用 System-1 决策框架

    研究提出 AnyS1 框架,利用人类编写的程序化技能将决策点转化为通用源,训练出单个校准的 4B pointer System-1 模型。该框架在运行时以单次前向传播解决常规决策,并在置信度低于阈值时回退至 System-2 大模型。 在三个未见过的 benchmark 测试中,AnyS1 将 episode 成本降低 75%-91%,模型调用时间减少 63%-92%,同时保持任务可靠性。

  24. arXiv · NLP35

    Safe Personal RSI:评估与修复个人 Agent 的指令更新

    针对个人健康助手 Kicker 的指令更新,Safe Personal RSI 在 21 次更新尝试中拒绝了 20 次。 修复确认显示 GPT-5.6 Luna 将攻击违规率从 10.7% 降至 0%,Qwen2.5-7B-Instruct 至 Qwen3-14B 迁移使违规率从 69.0% 降至 17.9%。 方法在模型权重和运行时代码固定的前提下,通过可执行基准测试确保更新安全性后再行采用。