跳到正文
11月10日周二
  1. arXiv · AI31

    PITA 基准揭示推理模型在长程任务中的长度泛化差异

    研究引入含 2300 万条命题逻辑语句的 PITA 数据集,发现含推理痕迹的模型在广度大而深度浅的子集上泛化良好,但在深度大且广度窄的子集上表现劣于基线模型。 研究通过受控传递推理任务验证了广度利于推理模型而深度暴露长上下文弱点的机制,解释了观察到的标度规律。 该发表于 NeurIPS 2026 的研究明确了证明式推理痕迹在受控长度泛化场景下的显著优势与局限。

  2. arXiv · AI20

    MedMMV:用于可靠可验证临床推理的可控多模态多智能体框架

    团队提出可控多模态多智能体框架 MedMMV,将推理轨迹转化为可学习的后训练目标,以解决早期不确定性导致的幻觉风险。 该框架通过构建、精炼并选择多条推理路径生成结构化监督信号,利用拒绝采样和成对偏好学习,使模型学会为优选轨迹分配更高似然。 实验表明,随着监督信号丰富,小模型性能显著增强,准确率从 10.5% 提升至 29.0%,证明轨迹选择是可靠推理的关键可迁移能力。

  3. arXiv · AI38

    超级平台为何战略上被迫对抗 AI 智能体

    文章论证超级平台因受基于用户注意力的商业模式威胁,必须主动攻击由 LLM 驱动的 AI 智能体。 基于守门人理论,AI 智能体可能取代平台成为新的数字流量入口,迫使平台进行技术约束。 论文旨在引发对数字生态开放性与用户利益的批判性讨论,并不鼓励对抗行为。

  4. arXiv · AI26

    15 位预测机器人构建者访谈:复杂推理下的调优、推理与评估挑战

    基于 15 位 AI 预测竞赛参与者的定性访谈,研究揭示了构建预测机器人的三大挑战:调优获取事实、实现连贯推理及评估实际表现。 研究发现,构建者常引入未带来收益的复杂性,且测试方式具有机会主义和碎片化特征,这为后续预测工具及人机协作创新指明了方向。

  5. arXiv · AI34

    多智能体筛查:一致性、接受率与漏检率评估机制解析

    多智能体筛查中,各智能体的一致仅证明其达成共识,不能证明判断正确;评估者的接受仅提供精确度及召回率下限。 若已知各智能体发现的相关项且无负相关,可设定召回率上限;不依赖智能体假设时,需随机抽样评估未通过项以估算漏检数。 该方法所需样本量不随智能体数量增加,为高成本人类评估场景提供了统计可靠的漏检率量化方案。

  6. arXiv · AI53

    Embodied First Exam:面向编码智能体机器人控制的综合评测基准

    论文提出 Embodied First Exam,一个包含 1,156 个任务、涵盖 47 种机器人的统一评测框架,用于测试编码智能体在物理世界约束下的控制能力。在 456 个核心任务的标准设定中,最强的智能体 GPT-6 Astra in Codex 仅取得 34% 的成功率,表明现有编码智能体在可靠控制多样化机器人方面仍有巨大改进空间。

  7. arXiv · AI39

    WebTrap Farm 揭示 Web 智能体 Harness 的安全韧性

    研究发布 WebTrap Farm 评测框架,发现现有 Web 智能体 Harness 即便在无显式攻击内容时仍存在不安全行为。 该框架覆盖恶意用户提示、提示注入及欺骗性网页设计三类攻击,统计显示 Harness 与后端模型共同决定安全结果。 研究定位防御行为出现的工作流阶段,强调 Harness 是 Web 智能体安全的关键边界。

  8. arXiv · AI34

    将科学论文转化为AI智能体基准:空间转录组学对齐任务的审计

    该框架将科学论文转化为AI智能体基准,在121个空间转录组学对齐任务中审计了6个智能体和16种基线方法。 性能最佳的 GPT-6-Astra 和 Gemini-4-Argon 在80%的任务上匹配或超越所有基线,且智能体表现对提示词和预装软件包具有鲁棒性。 框架还发现现有评估指标中的捷径错误,并成功将智能体生成的解决方案蒸馏为排名进入前10%的专用程序。

  9. arXiv · ML20

    用于云边连续体资源管理的LLM持续指令调优

    提出一种持续指令调优的意图编译器,用于云边连续体资源管理,将大语言模型置于低延迟控制器之上。 实验采用2B参数模型骨干,验证了朴素顺序调优会导致灾难性遗忘,而重放存储示例能有效防止遗忘,该编译器在重述意图上的鲁棒性优于语法解析器。

  10. arXiv · AI50

    工具使用智能体提示词注入防御:确定性策略执行、人工审批与污点追踪

    该研究在 13 项任务和 12 个工具环境中,通过 156 个攻击回合对比模型内防御与确定性外部执行机制。 Qwen2.5-1.5B 和 Qwen2.5-7B 在任务绑定监控器下的攻击合规率分别为 64% 和 84%,该监控器准入率仅为 1.3% 和 7.7%。 模拟表明无确定性监控器的人工审批易受攻击,而任务绑定监控器可将严重操作保持为 0.0%。

  11. arXiv · AI23

    HydroTuring:测试水文模型质量、能量和动量守恒的物理探针基准

    研究人员发布开源基准 HydroTuring v0.1.0,包含 37 个物理探针,测试 32 个水文模型的质量、能量和动量守恒。 在评估的 28 个模型中,仅 3 个精确参考模型通过所有探针,而 AI 和过程模型通过率分别为 74% 和 76%。 该基准为模型开发、同行评审及业务部署提供了可复现的“冒烟测试”工具。

  12. arXiv · ML26

    衡量 LLM Agent 在 CAD 操作中的静默失败与自我验证校准

    针对 LLM Agent 生成参数化 CAD 代码的基准测试显示,单次生成静默失败率达 14.1%,且完成声称校准度低。 引入强制“测量后声称”的工具使用循环将静默失败率降至 3.2%,完成声称准确率从 64% 提升至 96%。 planner-coder-checker 管道在较低覆盖率下匹配了相同精度,但无成功率增益,表明契约约束优于单纯反馈

  13. arXiv · AI32

    基于零知识验证准入与共识聚合的鲁棒隐私 Swarm Learning 框架

    该框架通过零知识证明验证节点数据质量,结合 Tendermint 共识替代基于数据集大小的加权,实现鲁棒且隐私保护的去中心化模型聚合。 在四个非 IID 基准测试中,面对梯度缩放攻击,该框架在 CIFAR-100 上保留了 94% 的干净数据精度,而 FedAvg 仅保持 2.1%。 这为去中心化学习提供了私密、鲁棒且可审计的基础。

  14. arXiv · AI26

    SurgKnowBench 和 SurgAgentGym 如何评测手术场景理解中的通用智能体

    研究团队提出两阶段评测框架,通过 SurgKnowBench 诊断基准揭示当前多模态大语言模型在程序理解上的薄弱边界。 引入 SurgAgentGym 智能体环境,验证使用知识搜索和视觉定位等工具可提升推理时理解,但精确定位仍是瓶颈。 该研究被 NeurIPS 2026 接收,为手术智能体理解提供了新路径。

  15. arXiv · AI32

    智能体云资源所有权归属架构:在50种AWS资源上实现92.1%加权召回率

    该架构通过离线组织画像与并行调查智能体,将云资源所有权归因的加权召回率提升至92.1%,加权精确率为86.6%。 在50种Amazon Web Services资源类型的100个资源样本中,该架构成本仅为通用智能体的0.55倍,且证据需对照记录逐条验证。 相比未提示的通用智能体,该架构在“无显式所有者”场景下通过工作记录与代码历史定位责任人,显著提升了安全工具告警的归属准确性。

  16. arXiv · AI42

    ErosionBench:企业多智能体系统中对齐衰减的探测基准

    ErosionBench 提出一种执行攻击并验证过程级对齐衰减的环境化基准,包含 1,728 个场景及 198 个图像攻击。 现有周边防御导致 54-92% 的合法工作被过度拒绝;提出的校准 Meta-Auditor 在 906 个留出场景中达到 98.5% 召回率,误报率为 2.9%。 该防御监控轨迹而非表面内容,实现通道不变性,使检测对图像和文本攻击同样有效。

  17. arXiv · AI48

    Statopia: 统计自动化形式化与证明发现的 Prover-Library 生态系统

    研究团队推出 Statopia 生态系统,包含专注于统计与机器学习证明的独立 Agent 及 Lean 4 库 Statlib。 该 Agent 无需外部编程代理,能基于陈述直接构建 Lean 证明,支持动态依赖图与并行任务执行。 Statlib 共享接口专为 Agent 检索设计,通过证明开发反馈驱动统计定理覆盖范围的持续扩展。

  18. arXiv · ML30

    控制变量辅助的强化学习模拟方法

    针对标准模拟混合方法因模拟器误差导致性能下降的问题,提出基于控制变量的保守模拟辅助学习方法。 该方法仅利用模拟数据降低学习过程中的方差,不直接塑造学习目标,并扩展至离线 RL 场景。 MuJoCo 基准任务实验证明其优于标准模拟混合方法,已被 NeurIPS 2026 录用。

  19. arXiv · AI29

    RAGu:基于检索增强的零样本 VLA 模型领域自适应方法

    研究团队提出 RAGu,利用 DROID 等野外数据集检索结果指导 VLA 模型行为,解决微小领域偏移问题。 该方法通过几何校准、由粗到精检索及引导 flow-matching 推理,避免重训或扩展上下文窗口。 在真实世界操作中,RAGu 将 VLA 成功率从 20% 提升至 80%,并在模拟环境中超越相近基准模型。

  20. arXiv · ML33

    多智能体强化学习系统的模块化建模视角

    论文提出多智能体强化学习(MARL)系统的模块化建模视角,将其解构为智能体、环境、学习等8个功能模块,以解决文献碎片化导致的评估与复用困难。 该视角在MARLKIT框架中实现,模块具备明确且可互换的特性。实验表明该框架支持模块的原型设计、比较、复用及组合,并能显式化不同配置间的差异。