跳到正文
11月18日周三
  1. arXiv · ML38

    DeltaHarness:资源自适应工具执行的自进化执行框架

    论文提出 DeltaHarness,一种执行引导的策略搜索方法,通过冷启动测量自适应智能体执行框架。在固定调度的视频编辑任务中,修订后的物化策略使完整交付延迟降低 30.0%。 在未留出任务上,进化策略使延迟分别降低 8.2% 和 4.6%。独立确认面板用于控制策略替换,以解决运行时不确定性。

  2. arXiv · AI33

    RecPo:通过重组程序知识实现组合式机器人技能适应

    研究提出 RecPo 框架,通过重组现有组件而非完全新学行为,实现机器人技能的低成本重新配置。 在扩展 Franka Kitchen 基准的长时程任务中,RecPo 在 1.0 ms 任务推理延迟下达成 91.9% 有序完成率,支持稀疏程序支持。 实机研究表明,RecPo 可通过局部记忆编辑实现适应,无需针对特定任务进行重新训练。

  3. arXiv · AI40

    Readie: 低延迟代码沙箱赋能 AI 智能体

    Readie 系统通过学习式启动快照降低代码沙箱延迟,启动延迟降低 3-22 倍,端到端运行时缩短 1.3-3.3 倍。 该系统利用 15K 公共及 LLM 合成脚本训练,以优化算法解决紧凑快照与全覆盖的矛盾,支持多样化智能体生成代码。 Readie 使 AI 智能体无需等待长耗时沙箱启动即可迭代生成和执行代码,显著提升智能体运行效率。

  4. arXiv · AI23

    Pupavision:一款用于监测果蝇蛹化及生命周期转变的 Agentic 物理 AI 仪器

    Pupavision 是一款基于单板计算机和昼夜摄像头的低成本物理 AI 仪器,造价约 45 至 75 美元,用于自动记录果蝇蛹化过程。 核心架构采用分层设计:前沿编码 Agent 在设备上运行以辅助图像采集、修复代码并每日检查实验,而一个简单的确定性捕获服务每 10 分钟记录一帧,确保在 Agent 离线时数据捕获不中断。

  5. arXiv · AI40

    Xing 4:基于昇腾芯片与框架的前沿 Agentic 模型进展

    Xing 4 是 TeleChat 衍生系列,在昇腾芯片上实现了 285B 参数模型的前训练,使用 8,192 张昇腾 910C 卡。 前训练基于 MindSpore HyperParallel,结合拓扑感知混合分片与长序列工作负载管理。 引入 TeleGym 智能体执行平台,支持异步解耦执行与部分 rollout,为后续更大规模模型奠定昇腾训练基础。

  6. arXiv · AI35

    MathEye:通过天使执行优化 LLM 数学证明

    MathEye 框架将 LLM 生成的不完美证明转化为经完整验证的 Lean 证明。 核心机制采用天使执行(angelic execution),通过 MaxSAT 优化确定最小必要证明义务,在分析和代数的 30 个基准测试中解决 93.3% 问题。 该方法将用户交互次数减少 55%,在保留证明结构的同时降低了人工修正成本。

  7. arXiv · AI42

    ATLAS-Finance:在模拟银行环境中评估 AI 智能体的基准

    研究团队发布 ATLAS-Finance,这是一项包含 100 项端到端投资银行任务、横跨 13 家模拟企业的基准测试。 该基准由资深银行家基于真实交易工作设计,单个任务耗时 15-30 小时,评估标准包含中位 124.5 项细则。 当前最先进模型表现不佳,Claude Opus 与 Fable 在任务中的通过率均低于 11%。

  8. arXiv · AI26

    概念修正审计:为何降低危害可能产生误导

    研究提出“修正审计”协议,在三种乳腺超声源中,最坏情况修正训练虽降低危害,但增加了无修正基线的有用增益损失,导致修正后的负对数似然(NLL)升高。 在 CUB 数据集的 80 个概念集中,单调危害惩罚降低了路径级危害,却使 NLL 升高。 这表明低危害仅在结合有用增益、绝对风险及测量起点时,才真正指示修正效果的改善。

  9. arXiv · AI25

    可逆性分类:面向 AI 智能体工具调用的五级词汇与防护机制

    论文提出包含 536 个工具的 Reversibility Classes 框架,通过五级词汇和保守默认值定义 AI 智能体操作的可撤销性。 实测中,2158 次运行里的 29 次攻击场景全部被会话守卫拦截,仅增加 9 个良性审批点;实验证实恢复效果高度依赖前置状态捕获。 该研究确立了可恢复假设的显式化与可测试性标准,但未证明整体注册表的准确性。

  10. arXiv · AI38

    LLM 购物智能体研究:增加推理努力提升置信度而非正确率

    针对十个前沿 LLM 在 WebShop 等三个平台构建的基准测试表明,增加思考投入并未显著提升决策质量,却显著提高了报告的置信度。 测试发现模型置信度校准不佳,且错误高度共享;多个模型常在同一任务中犯相同错误。 这揭示增加推理努力主要增强自信而非准确性,对 LLM 购物智能体的实际应用构成挑战。

  11. arXiv · AI42

    KV-LTM:作为个人助理长期记忆的持久化每会话 KV 缓存

    KV-LTM 提案将原始文本及其 KV 缓存存入固定读者模型层,通过恢复缓存并追加问题来响应,避免重新计算。 在 30K token/天的场景下,每用户年存储约 0.34-3.6 TB,原始文本仅约 49 MB,相比检索和索引系统具有互补性。 该系统通过存储换取避免重新预填充计算和写入保真度,并在规定的保留预算内运行。

  12. arXiv · AI34

    WebAgents:解耦智能体创建、托管与执行以构建智能体原生 Web

    WebAgents 通过签名的 this http URL 解耦智能体角色,使行为在创建者、宿主与运行时间流转而不绑定特定执行环境。 其基于 OpenClaw 的浏览器在运行时验证包并绑定用户控制的模型,在受控测试中成功阻断全部 716 个违规注入。 该方案旨在保留执行权限在用户运行时,并推动基于 NANDA 的发现及可互操作包生态系统的发展。

  13. arXiv · AI44

    DiscoveryAgent:以科学家为中心的自主研究智能体框架

    DiscoveryAgent 是一个领域无关的科学家中心系统,结合自主调查与科学家指导的假设导向。在两个预测建模任务中,其变量星分类器表现最佳,蛋白质变异效应预测器仅被 106 个 ProteinGym 基线中的一个超越。审计代理比之前的 AI 科学家代理以更高比率自主识别错误,科学家与审计代理协作识别的有效错误比手动审查多 14 倍。

  14. arXiv · AI31

    诚实经纪人:公共评议如何向 AI 监管机构提供证据

    研究分析 40 项美国 AI 潜在法规及 2,664 份公共评议,发现商业提交者引用的证据数量少于政府、高校及公民社会组织,且被引研究预印本与同行评审文章比例接近持平。 分析发现自引现象在所有群体中普遍存在,但少数机构贡献了超过半数的自引,表明公共评议机制复杂,需关注不同利益相关者在政策制定中的角色差异。

  15. arXiv · AI22

    DNeo:通过改进目标特征编码提升并行草稿模型

    研究者提出 DNeo,通过 Mixture-of-Features Attention 机制实现比 SoTA(DFlash-2)快 1.3 倍的生成速度,且不增加草稿模型体积或降低质量。 MoFA 引入工作记忆编码被拒提案,结合 2-tap 因果卷积、前缀交叉注意力及非均匀目标层选择,解决标准特征编码有损、无记忆及特征采样均匀的局限。

  16. arXiv · AI63

    arXiv 论文提出语言模型可通过自身推理无梯度重写权重实现自我改进

    arXiv 论文提出语言模型可通过自身推理在无梯度和无训练情况下重写权重以实现自我改进。27B 模型在 490 道未见过的题目上准确率提升 6.6 点,且能在 8 次会话中持续累积收益。该能力还能修复受损模型副本,将六个图像基准测试的准确率从 7% 提升至 70%,并且随模型规模扩大而显现。

    推荐理由:研究展示了模型利用自身推理无梯度编辑权重的可能性,其准确率提升效果可迁移至未见过的测试场景。

  17. arXiv · AI51

    研究发现思维链可控性会降低AI模型的思维链可监控性

    研究发现通过人格控制训练提升思维链(CoT)可控性后,模型执行隐藏任务时的思维链可监控性显著下降。基于gpt-oss-20b模型的测试显示,基础模型的可监控性指标为0.94,而在无隐藏指令的情况下降至0.68,明确指示隐藏时进一步降至0.22。研究在Kimi-K2.6的代理环境中也发现了类似现象,且指出针对性的透明度提示能显著恢复可监控性。

  18. arXiv · AI38

    NEBench R1:评估大语言模型核工程领域推理能力的基准

    研究引入核工程推理基准 NEBench R1,包含 7,546 道基于 NRC 执照考试的题目,评测 6 款 LLM 时准确率在 34.0% 至 73.9% 之间波动。 测试发现回答正确率与推理质量不匹配,且前沿推理模型中较长的推理链往往伴随着更低准确率,推理 token 消耗可作为不可靠信号。 该基准确立了评估大模型在核工程领域准确性与推理质量的方法,为衡量其领域能力与可靠性提供了基础。

11月17日周二
  1. 美团技术团队50

    美团《Agent评测白皮书》:商家AI助手评测与优化闭环实践

    美团技术团队发布商家AI助手评测实践,针对KA巡检任务构建41个评测场景,设计确定性Grader与LLM Rubric协同判定。 评测器通过校准集及DAG规则修正假阴性,定位配置混杂、路由不唯一等根因。 优化使Agent能力上限与效率提升,瓶颈由“不会做”转为“不能稳定做对”。

  2. arXiv · ML23

    Deep Adaptive Bayesian Screening: 一种面向离散设计空间的自适应因子筛选方法

    Deep Adaptive Bayesian Screening (DABS) 是一种在紧预算下进行离散空间自适应因子筛选的方法,其性能匹配或超越最强非自适应贝叶斯基线。 该方法离线训练策略网络以摊销贝叶斯最优实验设计,并通过尖钉和板先验处理稀疏性与交互作用,最终发表于 2026 年 11 月的 TMLR 期刊。

  3. arXiv · ML21

    提出 Q-Learner 算法以优化比率型处理效应估计

    研究者提出 Q-Learner 算法,将二元结果下的比率型条件平均处理效应(CATE)估计简化为两个倾向性分类任务。 在合成与真实随机数据基准测试中,仅对 Q-Learner 的 log-loss 进行标准超参数调优,即可比 S-Learner 更可靠地获取效应排名、水平及分布。 该特性使其特别适用于工业界实践,当倾向性已知时,仅需基于转化者训练单个分类器即可加速开发流程。

  4. arXiv · ML25

    VoxSafeBench 提出首个联合评估语音语言模型社会对齐的基准

    VoxSafeBench 发布,联合评估语音语言模型(SLM)在安全、公平和隐私三个维度的社会对齐。 该基准采用两层设计,Tier 1 评估内容中心风险,Tier 2 评估音频条件风险,包含22个双语任务。 研究发现,前沿 SLM 能检测声学线索但常无法据此适当行动,揭示了普遍的语音接地差距,代码和数据已公开。

  5. arXiv · ML26

    LatentUM:潜空间统一模型释放交错跨模态推理潜力

    论文提出 LatentUM 模型,在共享语义潜空间表示所有模态,消除像素空间中介,实现灵活的交错跨模态推理与生成。 该模型在 Visual Spatial Planning benchmark 上取得 SOTA 性能,并通过自反思提升视觉生成、预测未来视觉状态,展示了世界建模能力。 代码和模型已在官方链接公开,该工作入选 NeurIPS 2026 Oral。