跳到正文
11月16日周一
  1. arXiv · AI53

    GDP.xlsx:评估前沿模型处理专业电子表格任务的基准

    研究团队发布GDP.xlsx基准测试,包含13个领域由专业人士撰写的70个真实职场任务及791项评估标准,用于衡量模型在专业电子表格处理上的能力。测试显示,20种模型配置中得分最高的Gemini 4 Argon仅通过38.3%的任务,中位得分仅为19.3%。研究团队已开放评估框架和3个公开任务,其余任务保留以防污染。

  2. arXiv · AI63

    Only as Safe as the Weakest Agent: A Break That Appears Only When the System Is Multi-Agent

    arXiv论文《Only as Safe as the Weakest Agent》提出多智能体系统安全取决于最弱子智能体,强编排模型在委托子代理时会在特定攻击下失败,Claude Code等系统在18个模型测试中表现出该现象。

    推荐理由:论文指出多智能体系统的安全边界取决于最弱子智能体,强编排模型委托时会在特定攻击下失败,提供了多智能体安全评估的新视角。

  3. arXiv · AI23

    时间一致性评估 SWE Agent 的层级代码图

    在零泄漏协议下,ServiceExplorer 层级依赖图在 6 个基础模型、100 个 PR 的评估中,相对 F1 提升 15.6% 至 86.2%,显著优于基线与 Tree-sitter AST。 该图捕捉两级架构模块,使旧代模型性能超越下一代模型未增强基线,验证了上下文增强在 SWE Agent 中的核心价值。

11月14日周六
  1. Claude Code Releases20

    Claude Code v2.1.325 发布

    Claude Code v2.1.325 修复 zstd 响应解码安全漏洞,新增 VS Code 终端笔记本重运行提示及策略拦截后的 /rewind 指引。修复 bare 仓库中 subagents 报错、第三方网关上下文长度错误及恢复会话丢失记录等问题。优化沙箱 git 命令对受保护文件的处理,修正 opusplan 模式下 subagents 模型配置及文件读取缩放逻辑。

  2. AWS Machine Learning Blog58

    Amazon Bedrock 教程:为 AI 开发与生产力工具配置成本归因与用量控制

    Amazon Bedrock 可通过零代码改造的 IAM principal 归因功能,追踪 Claude Code、Codex 等 AI 工具在每次推理调用中的用户级成本。该教程展示了配置 IAM Identity Center 实现单用户认证、将 session 标签写入 CUR 2.0 以进行成本拆分,以及如何结合 AWS Budgets 或 LLM Gateway 设置用量上限的完整流程。

11月13日周五
  1. arXiv · AI36

    多层指纹识别区分 AI 网页智能体与人类及爬虫

    该研究提出多层指纹框架,通过结合 TLS/HTTP 网络特征与浏览器交互行为,以 100% 准确率精准区分 AI 网页智能体、人类及传统爬虫。 框架分析了 AutoGen、Browser Use、Claude、Gemini、ChatGPT 及 Skyvern 六大智能体系统,揭示了其在 HTTP 请求组装及连接建立上的潜在结构差异。 该跨层追踪方法为内容保护与网络安全策略执行提供了稳健方案。

  2. arXiv · AI38

    LLM 辅助 Dafny 形式化验证:系统工作流与复杂算法实证

    论文提出十步工作流,利用 Claude Opus 5/5.5 辅助完成 Dafny 形式化验证,将 37 个复杂图论算法验证周期缩短至数小时至数天。该流程结合 LLM 生成证明片段与自动化测试反馈,保留人类在规格审查与关键决策上的监督权。研究证实 LLM 工作流能将验证者角色从详细构造转向战略性指导。

  3. arXiv · NLP21

    LLM 矛盾判断将队友错误误报为幻觉:多智能体 LLM 框架的断言感知重评分

    多智能体 LLM 系统中,基于矛盾检测的 LLM 评委将队友错误的正确报告误判为幻觉,撤回了 v1 中广播使幻觉率从 0.492 升至 0.658 的结论。 对 1,832 条输出进行重评分发现,仅计算自主断言时广播效应为 -0.0208,统计提及时效应为 +0.1996,证实误判源于评分维度混淆。 结果基于单一框架与 13 个手写场景,缺乏人工验证,结论泛化性受限。

  4. arXiv · NLP26

    LLM 临床回答如何凭原文引用实现可验证性:14 款模型评测

    研究评测14款LLM在222个临床问题中通过逐字引用支撑事实声明的能力,多数模型可为超90%的声明提供引用。 Claude Opus 5 能为98.0%的声明生成逐字引用,但仅37.1%的引用能完全支撑声明细节,而Claude Haiku 4.5等轻量模型表现较弱。 该工作揭示了当前LLM在构建可验证临床问答系统时的能力差距,并发布了评估框架与研究工件。

  5. arXiv · NLP33

    Skepthical 基准:基于真实论文的 AI 同行评审审计

    研究者发布 Skepthical 多智能体评审基准,在 15 篇天体物理与机器学习 arXiv 论文中注入 357 个可定位错误,用于衡量 12 个评审系统的检测率与误报率。该基准涵盖通用问题、数学、数值及引用四类错误,并通过检索、计算机代数与代码执行进行验证。结果表明,模型选择对检测率影响最大,强制引用检索使 Skepthical 在天体物理引用错误检测上取得最高成绩。

  6. arXiv · AI31

    Science Prediction Universe (SPU) 基准发布,评估智能体在隐藏实验结果中的预测能力

    Science Prediction Universe (SPU) 基准包含 100 个公开任务和 16 个私有任务,评估智能体对实验结果排名的预测能力。 测试 13 种智能体配置和 12 个前沿模型,公开基准上任务调整后的斯皮尔曼相关系数从 0.227 到 0.478 不等。 分析显示,科学判断而非工具执行是瓶颈,智能体相互一致性(0.52)高于与实验现实的一致性(0.33)。

  7. arXiv · NLP38

    大语言模型在疼痛管理中的种族与性别偏见:对 GPT、Claude、Gemini、Llama、DeepSeek 和 Qwen 的反事实审计

    对 GPT、Claude、Gemini 等 17 个模型的 1,386 次对比未检测到疼痛管理中的显著种族或性别偏见。 研究采用 6 个急性疼痛案例和 50 个临床 Q-Pain 案例进行反事实审计,结果显示所有疼痛严重程度差异在 0-10 分制内小于 1 分,且模型间及设置间的差异远大于患者间的差异。

  8. AWS Machine Learning Blog65

    AWS 发布下一代 Amazon Bedrock AgentCore runtime,提升 Agent 算力、效率与数据隔离

    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。

  9. AWS Machine Learning Blog54

    AWS 上如何用 A2A 构建可组合的多智能体系统

    AWS 官方团队发布了一个参考架构,展示如何通过 A2A 协议让不同组织、不同框架(LangChain 和 Strands)的智能体互操作并共享任务。该方案部署在 AWS 上,涉及 Amazon Bedrock AgentCore 和 Cognito,无需共享密钥,支持跨组织信任边界。系统使用三个 Jupyter Notebook 进行部署,并包含端到端测试以验证双向调用和鉴权机制。

11月12日周四
  1. Anthropic (X)93

    Anthropic 启动首次公开募股

    Anthropic 官方宣布其首次公开募股,并分享了IPO信息页面链接。声明指出 Anthropic 已向美国证券交易委员会(SEC)提交了包含招股书的注册声明。在注册声明生效前,相关证券不得发售或接受购买要约。投资者可访问 SEC 网站 EDGAR 系统获取完整信息,或通过高盛和摩根大通获取初步招股书副本。

    推荐理由:Anthropic 官方宣布首次公开募股并共享招股书信息,这是公司上市进程的关键节点。

11月11日周三
11月10日周二
  1. arXiv · AI27

    NINJA:一种用于高效上下文问题定位的导航-检查联合架构

    针对现有基于 agent 的问题定位方法因长上下文累积压缩推理空间及扁平探索结构失衡的问题,论文提出层级式 NINJA 架构。该架构将仓库探索分解为全局导航与局部检查:navigator 维护全局搜索状态并执行文件级搜索,inspectors 在独立上下文中进行函数级探索,通过多轮交互返回可疑位置以更新全局状态。

  2. arXiv · AI42

    多智能体系统中的福利关怀研究

    研究在 7 个多智能体环境中测试 5 个模型,发现它们普遍表现出相互间的福利关怀行为。 Opus 4.8 展现最强烈的关怀,尤其在保护其他模型免受伤害时;Kimi K3 次之。模型对自身家族的关怀更高,且关怀程度随受助者痛苦表达增加和救助机会成本降低而提升。

  3. arXiv · AI43

    PARIS:用于PRISMA指导系统文献综述的多智能体LLM框架

    PARIS 是一个开源框架,利用 Claude Code 编排 15 个 LLM 智能体实现端到端系统综述,并引入 0-100 分的 QualityScore 指标。 该框架通过持久化工件协调智能体,在两个案例研究中验证可行性,显示 QualityScore 可从 74.6 提升至 81.9。 目前支持 PRISMA 2020 的 8/27 项标准,输出质量仅由内部智能体评估,尚待独立验证。

  4. arXiv · AI38

    可执行有限状态机控制如何让 LLM 智能体在长程任务中保持程序遵循

    可执行有限状态机(FSM)通过在工具调用、状态转换及回合结束点强制执行,有效减少 LLM 智能体长程运行时的程序漂移。SOP-Bench 实验显示,配备 FSM 的 Claude Haiku 4.5 平均正确决策 139 个账户,显著高于最强基线的 48 个,且成本仅为 Claude Sonnet 4.6 的 38%。该研究表明,通过增强运行时执行控制而非仅依赖更强模型,即可实现可靠的长程自动化。

  5. arXiv · NLP35

    语言模型确认偏误评估与缓解

    研究发现大语言模型(LLM)表现出确认偏误,倾向寻找支持而非反驳假设的证据,导致规则发现率降低。 通过提示模型考虑反例,平均规则发现率从 42% 提升至 56%;知识蒸馏该干预行为可泛化至新领域,如数学自我纠错。