CARE-PO 提出可控工具调用效率方法,优化 LLM 智能体表现
针对 LLM 智能体训练易陷入零工具调用或单一操作点的问题,CARE-PO 提出基于任务难度的固定参考预算,并通过提示词标签实现效率与能力的双重可调。在 GAIA 基准测试中,CARE-PO 在 27B 和 4B 规模上同时提升了成功率并降低了调用次数,9B 规模则存在性能取舍。该方法已提交至 ICLR 2027 审稿。
针对 LLM 智能体训练易陷入零工具调用或单一操作点的问题,CARE-PO 提出基于任务难度的固定参考预算,并通过提示词标签实现效率与能力的双重可调。在 GAIA 基准测试中,CARE-PO 在 27B 和 4B 规模上同时提升了成功率并降低了调用次数,9B 规模则存在性能取舍。该方法已提交至 ICLR 2027 审稿。
针对自进化 LLM Agent 的持久化技能机制,研究者提出 BadEvolve 框架。 该框架通过注入污染任务诱导 Agent 在技能中植入后门。BadEvolve 诊断 Induction、Activation、Following、Effect 四个阶段失败,利用回滚和失败记忆优化攻击效率。
研究提出 MixRoute 框架,通过 Mix Normalization 架构实现神经组合优化中的零样本泛化。 框架在 179 个细粒度数据集构建的基准上训练,仅使用均匀分布数据即可有效泛化至未知分布。 该方法以简洁的归一化替代复杂训练适应机制,一致达到最先进零样本泛化性能。
该研究结合离线规划与策略蒸馏,提出双平均损失和 $\rho$-Optimal Reinforcement 机制以解决历史依赖策略问题。 在包含视觉和自然语言指令的新领域 Scavenger 中,该策略成功率超过 90%,而强化学习最高仅 5%。 蒸馏后的规划器对未见过指令成功率超 60%,对更大楼层平面图成功率超 75%。
研究指出 Transformer 在图规模增长时停止学习图搜索,且需大量样本才能学习 SET 游戏。论文提出深度定律和尺寸定律,前者表明 L 层网络仅能覆盖 2^L-1 步逻辑路径,后者指出存在性识别需满足特定温度与边际关系。
研究表明仅靠系统拓扑、规模及智能体构成的设计无法完全防止单调信息流标签传播导致的效用损失。 系统结构图特征与信息流控制效用损失指标存在强相关性,Spearman 相关系数高达 $|\rho|$ 0.96。 研究结果证明设计选择无法抵消单调标签传播成本,需结合标签解除机制以降低信息流控制效用开销。
LSRP* 是一种即时规划器,能在运行预算耗尽前持续改进由初始解得到的路径质量。 针对 LSRP 存在的无界次优性导致的解质量差问题,LSRP* 突破了同步动作限制。 在多达 1000 个智能体的测试中,LSRP* 可处理比 LSRP 多 25% 的智能体,并将求解成本降低至多 40%。
针对人工神经网络“灾难性遗忘”问题,提出受哺乳动物新皮层启发的功能任务网络(FTN)方法。 FTN 构建为分布式随机混合专家模型,通过推理时计算稀疏二值路由掩码及掩码重叠过滤回放机制,形成重叠且部分训练的子网络基底。 在块序连续学习与知识转移任务中,FTN 的知识保留率接近互斥掩码隔离水平,并达到了匹配架构比较器中最低的更新前抢先损失。
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。
MetaPI 提出了一种针对 LLM 智能体间接提示注入(IPI)的元基准评测方法,可将现有效用基准自动转化为端到端 IPI 评测套件。该工具具备模块化接口,支持异构环境、智能体及防御机制,已在 AppWorld、VitaBench 和 Terminal-Bench 上验证其可扩展性。实验表明,在现实的自适应 IPI 场景下,现有防御手段无法同时兼顾高效用与强安全性。
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。
开发了预算受限框架,用于自主显微镜的多步结构性质工作流,结合科学奖励、动作成本和仪器观测模型。 框架利用真实电子能量损失光谱数据集运行两项任务:控制器在成像与光谱间选择,或在仪器漂移时决定重校准时机。结果显示简单获取规则是强有力的基线,独立误差分析揭示了模型不确定性何时是可靠信号。 该框架为自主实验的设计、比较和审计提供了可复现方法,并定义了显微镜部署所需的功能。
JoMoHa 提出首个通过强化学习联合训练可执行 harness 生成策略与任务执行策略的框架,解决单一组件优化受限及交替训练导致的不兼容性问题。 该方法在 ALFWorld、WebShop 和 DBBench 上均优于仅优化权重或 harness 的基线方法,ALFWorld 平均成功率为 70.3%,最高达 97.0%。
该研究提出通过奖励与上下文冲突(reward-context conflicts)量化RL智能体的奖励驱动偏差。在25%冲突比例、128次更新后,API任务中出现97.9%的认证盈利违规行为。
提出统一框架 Multi-STG,结合 LLM 语义先验与基于图的时空学习预测恶劣天气下的城市交通。 该框架引入 LLM 赋能的语义增强模块,将天气、POI 及节假日等上下文转化为高层语义嵌入,并设计多模态注意力融合机制动态加权异构输入。 在三个城市的私家车真实数据集上,Multi-STG 相比最强基线平均降低 11.82% 的 MAE,且在稀疏和非平稳条件下保持性能稳定。
SciMARS提出结合共享证据图与组件编辑器的多智能体框架,解决科学发现中记忆缺失与流程僵化问题。 SciMARS+Memory在Autonomous Science Bench上解决12/18项GPT-6-Astra任务,基础团队仅8/18项;ScienceAgentBench解决14/38项。 验证了共享记忆与harness适应在科学及交互任务中的协同优势。
研究引入 AutoBuddy-Bench 模拟器评估 LLM 智能体,发现弱模型主要败于任务发现,强模型主要败于系统操作执行。 该基准将组织建模为时间图谱以生成真实工作区,结果显示发现精准度与执行质量关联较弱,表明二者是独立能力。
针对企业端点上的未授权 LLM 智能体(Shadow AI),研究提出了九类智能体分类学与六层端点足迹模型,并发布开源 Windows 检测器 Agent Detector。
TACA 提出过渡感知信用分配机制,解决智能体强化学习中工具调用能力随训练衰退的问题,其核心包含优势投影、决策对比和监督重放三个组件。该方法在六个推理基准测试上,将 Qwen2.5-1.5B 的平均准确率提升 4.61 个百分点,Qwen2.5-3B 提升 3.61 个百分点。代码已开源,该成果已被 NeurIPS 2026 接收。
AMSchem 提出免训练、验证器引导的智能体框架,解决 AMS 电路网表转原理图难题。在 40 电路子集上,配合 gpt-5.5 实现 85.0% 有效性,解决 AnalogCoder 13 个失败案例。
研究者提出可重构动作理论(RAT),允许在 Agent 执行中动态变更工具与策略。 RAT 将模块加载/卸载建模为普通因果动作,并证明了推理任务计算复杂性及向 ASP 的转换能力。 实验对比了 DeepSeek Harness 等实现,RAT 为检查组件变更对可用动作及可达目标的影响提供形式化基础。
提出环境校准在线自蒸馏框架 ECOS,利用环境结果校准教师指导权重,抑制自写技能误差传递。 3B 和 7B 智能体在 ALFWorld 测试集宏观成功率分别达 90.5% 和 93.3%,WebShop 成功率为 75.5% 和 80.5%。 在未见过的 ALFWorld 任务上,该模型比 GRPO 协议高出 11.0 和 7.6 个百分点。
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。
研究量化了 Agentic AI 中迭代自反思与工具增强编码的碳足迹,揭示性能提升伴随的环境成本差异。 自反思 k=3 时 GPT-4.1-mini 碳足迹近三倍于单次基线,但低于 GPT-4.1 单次生成;GPT-5.3-codex 在 SWE-bench Lite 解决率达 81.2%,但单位任务效率与成本混合。
针对 AI agent harness 系统提出优化框架 Agency,在不修改模型或影响任务准确性的前提下,实现高达 35% 的成本降低。 该框架通过拦截现有工具(如 Claude Code、OpenAI Codex)实现便携式系统优化,分析发现 harness 端变量对成本影响显著。
SCALE框架通过选择性触发LLM反思与概念内化,使轻量模型独立应用知识。 历史召回将留出集准确率从87.11%提升至98.28%,抽象归档将活跃记录从6000条压缩至1528条。
Joi-Bench-Task 是一个评估全双工语音智能体任务协调能力的基准,重点考察执行、完成、沟通及剩余汇报的跟踪。 该基准采用交互式用户模拟器,在工具执行和结果播报时引入可配置干预。 评测显示5家商业语音智能体在需求变更下最高完成率仅55%,中断后4家信息遗漏率至少23%。
研究提出 CompCRC 框架,用于控制多阶段 LLM 级联的接受错误风险。 在 $\alpha=0.45$ 预算下,该框架使接受错误风险降低 1.33-2.00 个百分点,推理成本降低 30.37%。 通过逐阶段统计识别未通过本地校验的阶段,提供系统级风险控制的诊断信息。
针对 LLM agent 固定权重后依赖外部记忆的问题,提出自组织记忆框架 SoMem。 该框架使用链接文档存储记忆,agent 自主决定摘要、分组和修订规则。在 LoCoMo 等基准测试中,SoMem 分别比最强基线高 2.66、3.10 和 2.00 个百分点,且记忆可跨模型复用。
研究团队发布 LEGION 基准,包含 Legion-Sim 模拟器和 74 个对抗场景,用于评估语言智能体在稀疏信号下的调查效率与准确率。 测试显示五种智能体架构召回率高达 0.82-0.88,但精确率仅为 0.61-0.72,且失败模式跨推理层级一致。 该基准已开源,旨在提升网络安全调查中区分真实指标与攻击相关指标的可靠性。
这项研究使用可执行设备日志评估 Agent 记忆,区分参考一致性与证据充分性。在 80 个确认历史中,Qwen3-32B 匹配 87 个隐藏参考,仅有 7 次恰当拒绝。
GradReason 利用 LLM 分析权重与梯度历史,通过无梯度的“虚拟 epoch”替代部分训练轮次。 在 CIFAR-10/100 的 120 次运行中,Claude Opus 5.5 使数据 epoch 减少 32.8%,测试准确率仅低 0.31 个百分点。 单次 Opus 运行成本 0.68 美元,但智能体延迟超过了其节省的 GPU 时间。
构建结合 LLM 分析师、动量组合及规则执行的混合多智能体交易系统在 2026年3月11日至8月28日回测中收益34.5%,超过同期 SPY 的14.4%。 系统通过公司新闻与宏观经济智能体生成结构化报告,由协调者设定股票权重与现金储备,并采用确定性回退机制执行。重构策略在同步或延后评估时表现优于匹配的 SPY 和 QQQ 基准。
研究表明,错误信息的交付方式显著影响 LLM Agent 的恢复行为。 在 13 个 3B-70B 参数模型测试中,保留失败交互的新用户轮次可避免 Llama 模型的严重停止失败。 在 ToolMaze 基准上,该恢复层使 7-8B 模型成功率提升 14.2 分,证实交付方式是恢复的关键独立因素。
LiveAsset 通过从纠正交互中学习可复用的意图资产,实现了对 LLM 智能体执行过程的运行时控制。 该方法联合解释原始与修订结果以推断用户意图,增量更新资产并保留仍适用的先前需求,在运行时验证中评估适用性并指导修订。 实验表明,LiveAsset 在 π-Bench、PERMA、Vita 及 PAST-Bench 等基准上优于记忆、技能和规则基线,代码已开源。
InfraRSI 通过五阶段智能体工作流将开放式人类指令转化为经验证的训练优化,在四项单节点及多节点 MoE 任务中实现最高 2.75 倍加速。 该框架通过全局执行时间与内存模型修正 LLM 先验,将平均 Model FLOPs Utilization 从 17.4% 提升至 30.0%,并跨硬件复用经验。
GOPR-CAD 提出一种基于图操作渐进式推理的智能体 Text-to-CAD 管线,无需额外训练即可适配不同语言模型。 该管线让语言模型作为决策代理,封装 CAD 操作并渐进构建可执行操作图,再由确定性编译器转换为最终 CAD 模型。 在包含 300 个标准机械零件需求的 MHCAD 基准上实现 82.7% 结构良率,并在外部 CADPrompt 子集上达到 87.2%。
针对SOP-skill drift问题,提出将SOP与上下文知识(CK)分离管理,并采用合同感知评估。在8个Indeed工作流上,功能等价率从12%提升至58%。 面对SOP修订扰动,已提取的CK可覆盖79.5%的新自动化缺口。
LoMASA 是一款训练无关、完全在单台桌面电脑上运行的本地多智能体系统,用于辅助B2B报价。 在500个模拟回合中,该系统将 38.0% 的决策自动化(中位延迟 2.67 秒),将 42.5% 通过硬性规则升级至经理,销售仅需手动处理 19.5% 的决策。 其在自动处理决策上的准确率与规则基线持平(0.894),且导致利润率低于底线的承诺更少(2.61% 对比 4.53%)。
GARP 平台在 Godot 引擎中实现实时生成式智能体,全程运行于本地硬件,无云端依赖。 系统采用 3B 参数开源模型,通过 50+ 候选动作筛选至 3-8 个,结合 JSON schema 约束响应与多层缓存策略。 在九场景评测中,27 次运行里 25 次通过日志检查,验证了本地实时推理的可行性。