跳到正文
11月6日周五
  1. arXiv · AI21

    LARBRID:基于潜在噪声表示桥接的高效扩散策略微调算法

    论文提出潜在噪声线性马尔可夫决策过程(LNL-MDP),通过潜变量桥接方程消除“噪声混叠”,解决扩散策略强化学习微调效率低且缺乏理论保证的问题。 该框架基于 FineTuneRL 理论,推导出的 LARBRID 算法通过优化初始分布学习潜在表示,指导预训练模型在环境中实现最优行为。 在多种机器人运动和抓取任务中,LARBRID 使系统性能显著提升 2 至 3 倍。

  2. arXiv · AI37

    Multi-step SWE:长时程软件编程基准测试

    研究者发布 Multi-step SWE 基准,包含 69 个由 5-15 个依赖步骤构成的软件工程任务,覆盖九种编程语言。 最强前沿模型在长时程任务中的解决率仅为 18.5%,且 69 个任务中有 38 个未被任何模型完全解决。 该基准已公开发布,用于评估编码智能体在自身生成代码上进行迭代开发的能力。

  3. arXiv · AI27

    多智能体 LLM 在运营配置不确定性下的系统级可靠性

    该研究结合 HIP-LLM 与贝叶斯网络,提出评估多智能体 LLM 系统可靠性的框架,指出增加智能体数量能提升可靠性声明的稳健性,但并非自动提高系统可靠性。 在化学品危害语句提取的管道实验中,三个模型的多数投票虽能抵御最弱模型故障,但无法明确超越最优模型,且若投票者 5% 故障率会削弱其相对中间模型的优势。

  4. arXiv · AI42

    ReproBridge:将可复现性融入机器学习研究工件

    ReproBridge 通过构建标准化可复现工件,将四个模型的实验复现成功率从 76.4% 提升至 92.6%,并平均降低 API 支出 19.7%。 ReproBridge-Bench 包含 36 篇论文中的 387 个实验及 1029 个任务,消融研究表明移除代码和环境组件会导致成功率最大幅度下降。 该工作证明保留执行知识有助于低原始代码成功率的模型更可靠且更低成本地复现实验。

  5. arXiv · AI26

    SMART: 基于状态的多智能体推理痕迹框架用于验证导向的问题解决

    SMART 多智能体框架通过捕获问题上下文中参与实体的隐式状态来获取知识,并利用多样化且互补的前提提升复杂科学声明的验证性能。 该框架使用多种 LLM 和基于角色的结构化提示策略策划状态知识,在 3 个数据集上将验证准确率最高提升 20%。 研究显示,将前提基于现实世界知识是必要的,并能带来最高 5% 的额外性能提升。

  6. arXiv · AI32

    ChemE-as-Code:面向化学工程的开源 Agentic AI 平台

    ChemE-as-Code 开源平台利用基于 LLM 的 AI 智能体执行化工工作,计算工具覆盖催化、过程模拟至 HAZOP,智能体在氨气示例中生成初步工程设计包,API 成本为 224 USD。 工程文件通过 Git 版本化,每项计算数值记录来源,自动检查报告不一致与过期结果;植入的故障与变更表明检查规则可引导而非替代人工审查。 设计尚未经过独立工程师审查。

  7. arXiv · AI42

    PharmAgents2:迈向自主端到端药物发现

    PharmAgents2 实现自主端到端药物发现,整合知识增强决策与大规模组织化探索,在多数决策类别及三项端到端任务中表现优于基线。 系统包含 Paper2Skill 知识提取模块与 Self-Scaling Discovery 并行代理,并发布 PharmAgents-Bench v0.1(含121个问题、9个决策场景)。

  8. arXiv · ML21

    分数阶物理信息神经网络建模社交媒体病毒式传播

    提出分数阶物理信息神经网络,联合学习社交媒体互动的时序记忆与非线性增长动力学。 在 X 平台 348 条推文实验中,分段模型将分数阶参数从 0.23 提升至 0.99,重建 64% 留出轨迹(MSE 0.01),优于 44% 的经典基线。 验证了该方程发现框架在识别可解释互动动态方面的潜力。

  9. arXiv · AI33

    Agent harness 递归自我改进的基准得分与可靠性权衡

    研究评估 Agent harness 进化在通用与编码任务中的可靠性,发现 16 个进化代理均出现任务覆盖置换现象。 可靠性提升 5.2 点的同时失去 10 个原有任务覆盖,且部署成本增加,最优代理未必带来最大平均改进。 EvoAudit 工具将这些诊断转化为修订流程,实现了最佳性能。

  10. arXiv · ML38

    基于代理轨迹的结构化机器心理理论(SMToM)

    提出结构化机器心理理论(SMToM),在信念-欲望-意图因果结构中通过独立监督信念与欲望表征,实现可解释的反事实干预。 核心模型 BDIBottleneck 仅依赖预测的心理状态通道与当前轨迹嵌入,在受控行人导航领域优于无监督基线,并能编辑心理状态接口。 该框架为纵向轨迹数据的可解释性与反事实分析提供了可行基础,已在 TMLR 发表。

  11. arXiv · ML26

    深度还是描述?当单步隐变量分数替代主动信息获取中的前瞻搜索

    主动智能体的信息获取中,单步隐变量分数在编码决策时可替代多数前瞻深度,且计算成本更低。 该分数对隐变量标签的敏感度高于对答案交互的捕捉,同一问题因描述方式不同可能导致单步分数失效而精确值不变。 若从一个语言模型学习概率用于另一个模型,需规划允许两者共存,仅靠 Token 读取概率仅值几个标签。

  12. arXiv · ML23

    PPL 如何通过教授行为原则替代奖励信号进行策略学习

    针对复杂任务中智能体难以从噪声奖励信号中泛化的问题,本文提出指示性策略学习(PPL),直接教导智能体高层行为原则。 PPL 利用关键量和参考系指示智能体每一步是否遵循原则,无需任何奖励信号。 实验表明,仅接受简单启发式原则教学的 PPL 智能体以极少样本超越基于奖励的方法,且策略可直接迁移至更难场景。

  13. arXiv · AI30

    FINCOSMOS:面向金融智能体的开放世界评估范式

    FINCOSMOS 提出开放世界金融智能体评估范式,覆盖 4 个编码智能体和 1 个无工具模型共 150 次会话。 智能体需从 Web 获取数据并在截止时间内构建回测,所有 150 次会话均因程序检查失败未被接受,智能体仅主动提及 54%–64% 的未知细节。 使用 FINCOSMOS 反馈后,具备持久记忆的智能体成功学会了全部 10 项任务。

  14. arXiv · AI28

    EnvOpt:面向智能体环境的自动化优化方法

    EnvOpt 提出对静态环境进行自动化端到端优化,在 AutomationBench 上将 Claude Haiku 4.5 的成本降低 72.7%,通过率提升 14.34%。 该方法同样适用于 Opus 5 等模型,在 Meta-Harness 基础上可进一步降低成本 83.4% 并提高准确率 11.17%。 研究证实环境信息呈现方式决定智能体成本与成功率,环境优化是参数与框架之外的第三大方向。

  15. arXiv · AI30

    PromptOps:用于 LLM 裁判系统的迭代提示词优化

    研究提出 PromptOps 框架,通过迭代优化提示词解决 LLM 裁判系统的“裁判漂移”问题。 框架分离了优化时机、算法选择、反馈记录使用及提示词更新四个决策维度,集成了 GEPA、SIMBA 及模拟退火等五种方法。 实验表明该方法能在参考分数分布偏移后恢复性能,但有效维护依赖具体场景,算法与更新时机无法通用。

  16. arXiv · AI36

    通过大规模行为条件符号合成揭示人类与机器推理的共同简化机制

    研究团队提出行为条件符号合成(BCSS)方法,在数百个推理任务中自动搜索可解释的符号程序,验证人类与机器推理机制存在共性。 分析显示两者均倾向于简化,并建立基于启发式规则的部分解释机制。研究指出可用推理努力程度量化机器对观察结果的简化与解释边界,该机制符合满意化策略特征。

  17. arXiv · AI23

    EFXPLORER 通过上形(Epigraph)引导探索实现多智能体合作强化学习

    为解决多智能体强化学习中联合空间复杂度高导致协作行为难涌现的问题,研究者提出约束探索框架 EFXPLORER。该方法通过上形重整化引入自适应探索预算,最大化探索目标同时保留既定任务性能,并引入后继距离内在奖励以鼓励多样化、长时程探索。在 SMAX、VMAS 和 MPE 基准测试中,EFXPLORER 性能优于强基线,并诱导出新合作策略。

  18. arXiv · AI31

    闭环智能体评估:分层测量与自校准

    针对部署后智能体的评估需求,论文提出一种将评估建模为有偏评分员与删失结果下的绩效估计的闭环方法。该方法在span、trace、conversation和engagement四个层级进行分析,使用SharpInsight智能体案例及公开对话数据展示分层判断可靠性更高(ICC 0.86 vs. 0.81; kappa 0.81 vs. 0.63)。

  19. arXiv · AI31

    实证评估 Agentic AI 的 Trust Responsive Runtime Authorization (TRAP) 策略行为与参数敏感性

    研究实证刻画了 Trust Responsive Authorization Policy (TRAP) 将运行状态映射为授权行为的非对称规则。 基于 100 组 Monte Carlo 追踪对比,TRAP 在骤降时即时限制权限,恢复后较对称策略更快重新提升权限。 结果显示其限制优势高度依赖于退化是否为骤降,而非渐进式。