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。
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。
提出AttnSR方法,通过追踪策略模型注意力图估计早期步骤相关性,无需额外奖励模型即可实现步骤级奖励增强。 在Qwen2.5-7B-Instruct上的ALFWorld实验中,AttnSR将最终保留成功率从91.2%提升至97.1%,并在ScienceWorld中减少29.9%的环境交互。
SPILLWAY 提出确定性防御机制,将目标准入与净化分离以保护使用工具的 Agent。 该方案利用类型化字段识别合法目标,无任务级规划且几乎不增加模型调用。 在三项主干模型及七项任务测试中,SPILLWAY 在最高平均效用下抵御了所有标准注入攻击。
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。
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。
summary_zh: PRISM 代理LLM流水线在3.9百万条在线健康社区帖子中筛查遗传变异重分类需求,识别出123个候选分类差异,其中5个从不确定升级为致病或可能致病。
SwarmEvolve 框架在数学与科学计算 21 个问题上取得最高平均分,最优成绩的中位达成时间仅为 3-8 分钟,而其他 SOTA 框架需 60 分钟。该框架让数百低成本智能体在潜在空间推理,通过共享 KV cache 交流,并用新颖性过滤器直接测量隐状态向量距离保留独特想法。
summary_zh: Scientist World 项目发布了首批 1,000 个已验证的可执行科研环境,将论文转化为 AI 科学家可运行的评估基准。 前沿 AI 科学家在其中 74% 的情况下表现超越人类研究者,且该系统包含 6,400 小时研究轨迹。
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。
提出 Meta Access 概念,赋予 LLM 助手对界面状态的结构化权限视图,使其能感知工作区而非仅限对话。 基于 Chat AI 客户端的 Meta Chat 原型,支持摘要检索、设置访问及可逆变更,将聊天扩展为工作区控制层。
summary_zh: 针对智能体基准的持续验证工作流被应用于 Terminal-Bench 2.0,发布版本 2.1 以修复约 30% 的任务缺陷。 修复后准确率提升超 10 个百分点,排行榜排名变动达 3 位,但整体排名保持高相关(Spearman rho = 0.958)。
summary_zh: sLLM 智能体在处理指令改写时成功率下降 21-52%,主要受物体同义词影响。 研究提出免训练框架 BINDIntent,将同义词改写成功率提升 17.5-49.1 个百分点,并使 GiGPO-7B 总体成功率从 61.8% 提升至 77.4%。
LAQ 是首个基于远端边界证明的目标函数量化器,在 52 个留出运行中全部提升全局保真度 G。 针对 96 字节/段落的压缩场景,LAQ 在 12 个 Multi-Doc-2025 运行中取得了七种等大小量化器中最高的 G 值,并扩展至百万段落规模。
NeurIPS 2026 论文提出基于生成模型的情境完整性(CI)框架,通过 LLM 模拟对话研究信息分享规范。 实验显示,角色在必要时会向非授权方泄露私人信息,而不仅限于正当接收者。 该模型为分析信息分享行为在情境和角色变化下的演变提供了方法。
提出交互感知策略优化框架 IAPO,将策略性能差异分解为单个决策效应及其交互效应,并证明交互项可占潜在增益的 50%。在 GSM8K、MATH、DROP、MBPP 和 HumanEval 长输入版本上,IAPO 在 7B 执行器上用更少 token 达到最强系统准确率,移除交互项会使代码任务准确率下降 7 到 17 分。
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。
为解决持续强化学习中的稳定性-可塑性权衡,该研究提出互补学习系统,结合长期参数化表征与短期非参数化表征。 方法引入新型非参数近似估计瞬态价值函数,在基于图像的任务及 Craftax-Classic 基准上,该方法实现了在线学习并优于竞争基线。
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。
提出空间记忆模型,通过读取不变量实现跨规模泛化,解决LSTM/Transformer在长序列上的失败。 在9项基准任务中平均正确率超99%,可无误差逆推15,015个符号字符串,优于现有架构。 该机制证明生物电路可学习算术与语法,解释了有限经验如何支持无限长度任务。
arXiv 新论文提出持久检索子智能体,跨轮次维护检索历史。 在五个多轮测试场景中,该方法比基于技能的检索减少 43.3% 的 agent-model tokens 并降低 45.0% 的 API 成本,平均响应时间缩短 9.1%。
MCPHallu 发布了一个包含 358 项任务的基准,用于诊断 MCP 环境下的智能体幻觉。该基准涵盖 5 个能力域,并在 36 个生产级 MCP 服务器运行,设计了 Branch Collapse、Unreachable Goal 等 4 种失败亚型以进行细分分析。
研究提出实证信息设计框架,评估 10 款前沿 LLM 在经济市场中的表现。结果显示信息透明度效果高度依赖模型:GPT-6 Sol 在贸易中收益下降(98% 降至 91%),而 Claude Sonnet 5 收益上升(72% 升至 86%)。
Loopback Transformer 通过几何衰减和注意力机制分配更新权重,在 191M 至 3B 规模上以更少参数降低验证损失。 在 ClimbMix 数据集上,该模型仅用标准 Transformer 40%-75% 的参数实现更低验证损失;在 1.4B 和 3B 规模下,十三个下游任务平均准确率更高。
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)。
本研究提出了 Skillware,一种开放架构框架和能力注册表,它将逻辑系统想要执行的任务与执行该任务的方法在形式上分离。Skillware 通过模块化、版本化的软件能力束来增强模型,而非依赖松散的文本指令或 Prompt 工程。
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。
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。
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。
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。
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。
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。
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。
研究提出基于图神经多智能体强化学习监管AMoD运营商,解决高定价与服务不均问题。在曼哈顿真实数据实验中,固定惩罚使遭遇过高价格旅客占比从22%降至1%。动态监管相比均等强度固定惩罚提升监管奖励高达15.6%,但高峰期车队满载时服务缺口依然存在。
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。
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。
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。
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)。
研究证明在有限记忆 POMDP 中,结合非线性神经价值函数近似与策略镜像下降,可获得有限时间次线性遗憾界。 这是文献中首个基于神经函数近似的有限时间次线性遗憾结果,数值实验验证了理论结论。
该论文构建了理论框架,对比达尔文式、拉马克式及智能体引导式演化在环境变化下的适应机制。研究发现,当学习足够有效时,生成更多行为变体可加速适应,最优搜索努力度取决于学习能力、问题难度及实验成本。
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。