跳到正文
11月9日周一
  1. arXiv · AI41

    LLM 智能体时代的 Web 机器人防御失效:破解商业求解服务与大语言模型浏览器智能体

    研究评测了 7 种商业求解服务和 8 种 LLM 浏览器智能体绕过 4 种 Web 防御机制的能力。 求解服务以 100% 成功率击败基于挑战的防御,但在 reCaptcha v3 上成功率降至 23%;重建可信浏览器环境可使智能体无需重训即可通过验证。 揭示了非交互式防御的信任信号可被攻击者复制和转移,导致自动化滥用规模化的安全困境。

  2. arXiv · AI28

    Embedded Arena: 基于硬件反馈的嵌入式 LLM 智能体迭代优化

    Embedded Arena 框架利用 LLM 智能体在真实硬件反馈下迭代优化边缘模型。Claude Opus 4.7 等前沿模型在无硬件反馈时部署成功率为 0%。 该框架实现 3 次迭代内成功部署,视觉模型压缩 250 倍且准确率损失小于 3.3%。 应用于鹿类检测相机和儿童语音追踪穿戴设备,支持太阳能供电商业 MCU。

  3. arXiv · ML38

    多智能体系统中的自适应控制图

    该研究将自适应控制图扩展至多智能体系统,以实现自动化监控。 模拟证明,监控能学习环境的系统需要自适应控制图;但理论和实证表明,该方法易受缓慢叛变的对抗性智能体利用。 结果揭示了多智能体控制中的根本权衡:固定基线监控器会标记合法学习,而自适应基线监控器则允许缓慢的对抗者存在。

  4. arXiv · AI38

    Build-and-Find: 一种面向智能体管理代码库的感知努力评估协议

    针对智能体管理代码库场景,研究提出 Build-and-Find 协议以评估下游智能体从生成代码库中恢复设计意图的效率。 该协议将行为正确性与工件侧恢复能力解耦,报告恢复准确率、可重复性、实现覆盖率及检查努力指标。 在任务包中,多个前沿模型在意图恢复上接近饱和,但第二阶段的检查努力差异揭示了工件易读性的新比较维度。

  5. arXiv · AI38

    RST框架生成3.7万终端代理任务,Qwen3.5微调后基准提升最高10分

    研究人员提出递归验证合成框架RST,通过15轮迭代生成了37,484个终端代理任务,成本约为每任务$0.05。 任务难度随轮次显著增加,中位参考解决方案从67行增长至374行,执行命令从40条增至244条。 使用Qwen3.5轨迹进行监督微调,使模型在Terminal-Bench 2等三项基准上得分提升最高10分。

  6. arXiv · AI35

    Sentinel Agents:面向多智能体系统的安全可信 Agentic AI 层

    Sentinel Agents 提出由 Coordinator Agent 监管的规则、行为与 LLM 语义检查层,以隔离异常 Agent。 在 1,000 条消息语料上,Gemma 4 12B 实现 F1 0.86 且误报率 0.11,Qwen3 8B 校准后 F1 提升至 0.80。 实验表明检测器组合效果取决于模型校准与聚合逻辑,为多智能体安全部署提供了可操作指引。

  7. arXiv · ML41

    EvoLib:无需参数更新的测试时学习框架

    EvoLib 提出一种测试时学习框架,使大语言模型无需参数更新或外部监督即可跨实例积累、复用并演化知识。 该框架通过自动从推理轨迹中提取模块化技能和反思性洞察来维持共享知识库,并采用权重与固化机制优化即时效用与长期价值。 在数学推理、代码生成及多轮智能体环境等基准测试中,EvoLib 显著优于当前的顶级测试时扩展与学习方法。

  8. arXiv · AI20

    基于 GPT-6 Astra 权重编辑的机器人策略词汇修复

    GPT-6 Astra 通过编辑 65 个 token-embedding 行,成功提升了 pi_0.5 机器人策略在 765 个保留改写指令上的成功率。 最佳修复将成功率从 86.3% 提升至 92.0%,其中 335 条含编辑词的指令成功率从 74.3% 升至 87.5%,其余 430 条结果无变化。 随机方向编辑无效,证据支持精确的词汇修复,而非泛化获取缺失的机器人能力。

  9. arXiv · AI30

    Conflux 通过引入“主体上下文”和系统级评估,防止 LLM 智能体在处理多主体信息时发生权限升级。

    该防御机制的核心是 ITES 内核,它基于数据来源和现有访问控制系统推导权限,并证明了在满足完全中介、无权限洗白等条件下,内核不会允许任何提升权限的操作。系统还包含 SLED 和 SLED-V 两种评估器,分别用于黑盒探索和白盒检查,但当前结果均为有界且部分的证据,不构成无界部署保证。

  10. arXiv · AI45

    s^3: 通过合作式多智能体强化学习实现Swarm的简单缩放

    首个提出无预设组织架构的多智能体强化学习方法 s^3,允许智能体自主决定独立工作时长及信息共享时机。 在匹配预算下,训练时双倍规模的 s^3 集群解决协调问题的数量比最强基线多 25 倍以上,探索任务中通信智能体将重复工作减少近 50%,性能比 best-of-N 高 9.4 个百分点。 s^3 使组织形式从共享目标中涌现,为构建能协作的大型多模型系统提供基础。

  11. arXiv · AI38

    CPU-ARC:用于 CPU 推理复用的智能体推理缓存

    CPU-ARC 提出智能体推理缓存(ARC)方法,将从 LLM 推理轨迹构建的缓存用于 CPU 执行,可高效解决新实例问题。 ARC 在多项数学和科学任务上表现与前沿 LLM 持平,且调用成本比源模型低 16-291 倍。 该方案完全可解释、支持持续训练,并对输入扰动具有鲁棒性。

  12. arXiv · AI38

    并行智能体团队如何更优地扩展测试时计算

    并行智能体团队通过采样多个小团队保留最佳结果,相比Best-of-N和单一大团队能更有效地扩展测试时计算。 使用27B模型和100个智能体预算,10人并行团队在12个长时程任务的10个上超越并行智能体,在4个任务上超越100人大团队。 等成本下该并行团队在半数任务上超越前沿模型,平衡了高均值与方差收益。

  13. arXiv · AI32

    AI 智能体因果评估框架: tau-bench Retail 等基准显示干预效果随状态显著变化

    论文提出首个方法论框架,用于评估随机干预在 AI 智能体轨迹中的动态因果效应。 利用少量随机干预数据估计结构参数,构建了捕捉行动风险的安全排行榜。 应用结果显示干预效果在不同动作和状态下差异显著,揭示了因果推断与智能体评估结合的研究路径。

  14. arXiv · ML43

    计算机使用智能体是具身通用智能体

    计算机使用智能体(CUA)可执行具身任务,在四个 ECCV 工作坊竞赛中包揽第一至第六名奖项。 通过渲染物理环境视图并提供控制,仅更换软件而未对智能体进行特定微调。 这表明 CUA 的视觉定位与点击技能可迁移至具身任务,推动具身 AI 走向单一通用模型时代。

  15. arXiv · ML33

    Verifier Noise Is a Temperature:测试有限预算 LLM 引导搜索中的 Tilt 预测

    研究在 7 种设置中验证 LLM 引导搜索的“tilt”预测,发现 6 种设置下 150 步后的水平随 minibatch 大小增加,但预测值不准确。 在 bin packing 任务中,搜索达到的增益为预测的 62-88%(编辑父代)或 109-119%(编写新启发式);父代与后代质量相关性越高,实际达到的比例越低。

  16. arXiv · AI45

    Flex-RSI:基准测试前沿智能体的递归自我改进

    Flex-RSI 基准测试在固定预算下评估智能体递归自我改进能力,发现当智能体自建方案时改进效果最佳。 该基准涵盖感知、推理、机器人动作等任务,对比闭源与开源模型发现,仅记录成败反馈会限制开源模型表现,开源模型在严格物理稳定性检查中落后更多。

  17. arXiv · AI21

    WAAC 提出工作流感知的 Agent 轨迹压缩框架

    该研究提出 WAAC 框架,通过在线反向依赖分析和历史轨迹建模,实现工作流感知的 Agent 轨迹压缩。 在 PinchBench 和 Odysseys 基准测试中,WAAC 分别取得 87.6 分和 19.0% 的完成率,相比最强基线方法将执行成本降低 19.7% 和 29.1%。

  18. arXiv · ML26

    DW-FedADMM:一种用于分布式 Android 设备威胁防御的共识约束双联邦优化框架

    提出 DW-FedADMM 联邦优化框架,结合原对偶协调与性能依赖的客户端动态加权,解决部分参与和模型质量差异导致的优化不稳定问题。 在 Drebin、Malgenome 和 TUANDROMD 三个 Android 恶意软件基准上,DW-FedADMM 在 9/18 个数据集-客户端-轮次配置中取得最佳平均准确率,Drebin 上种子平均准确率达 97.64%±0.20%,并实现最低平均误报率。

  19. arXiv · ML21

    DrilDICE:基于鲁棒平稳分布校正缓解行为克隆中的协变量偏移

    针对离线模仿学习中行为克隆因专家数据非平稳分布导致的协变量偏移问题,本文提出 DrilDICE 方法。该方法利用平稳分布校正比估计(DICE),结合分布鲁棒优化目标求解,以提升模型鲁棒性。实验表明,DrilDICE 在多种协变量偏移场景下均优于现有离线模仿学习方法,已被 NeurIPS 2024 收录。