双账本模型:跨云、模型与记录系统的多智能体 AI 系统交易粒度成本核算
提出双账本模型,通过结算账本与基于 OpenTelemetry 的归因账本关联,解决多智能体 AI 系统交易粒度成本核算难题。 归因脊柱在 trace 传播率为零时仍保持 99% 以上成本覆盖率,中期门控可将 p99 交易成本降低 61%。 该模型建议将归因账本作为 FOCUS 配置文件进行标准化,帮助财务识别未计量的“影子 AI”支出。
提出双账本模型,通过结算账本与基于 OpenTelemetry 的归因账本关联,解决多智能体 AI 系统交易粒度成本核算难题。 归因脊柱在 trace 传播率为零时仍保持 99% 以上成本覆盖率,中期门控可将 p99 交易成本降低 61%。 该模型建议将归因账本作为 FOCUS 配置文件进行标准化,帮助财务识别未计量的“影子 AI”支出。
Octopus 是一种单模型多智能体强化学习框架,所有线程共享同一骨干网络并通过 GPU 驻留 DAG 协调 KV 状态。 该框架在 Qwen3.5-4B 上端到端训练,在 BrowseComp-Plus 准确率达 49.6%,OpenResearcher 达 51.2%,训练吞吐量提升 3.3 倍且峰值 KV 内存降低 2.8 倍。
summary_zh: KDASO框架通过邻域归纳、执行对齐精化及上下文预算路由,解决了技能库过时和语义执行差距问题。 该框架结合近期数据演进技能库,并利用LLM轨迹分析优化描述,防止关键技能遗漏。
OpenAI Codex 发布 0.167.0 版本,新增通过 codex agents --no-daemon 命令开启 Agent 指挥中心的功能。 会话选择器现可标记未读结果,支持在终端切换连接后端并保留草稿。新增本地图片预览及通过 /experimental 启用系统代理设置的功能,并修复了切换模型提供商后聊天历史可见性问题。
Amazon Bedrock AgentCore 宣布 Web Answer 正式可用,通过一次工具调用返回基于当前网络来源的综合答案及对应引用。Web Answer 由 AWS 托管,内置代理式搜索流程:自动规划并行搜索、核实事实,最终输出Markdown格式答案并附引用URL。
推荐理由:Web Answer把搜索、检索、合成和引用流程收敛为一次调用,开发者不必自建管道即可获取带来源标注的网页答案。
NVIDIA 在 Hugging Face 上发布四个 Cosmos 3 Nano 开放权重模型,包括 Transfer-Auto、Sim-Auto、Sim-Transfer 和 Sim-Bimanual,支持多传感器驾驶仿真与双臂机器人交互。模型采用 OpenMDW1.1 许可证,提供商业与非商业用途权利,并附带分阶段后训练配方。
推荐理由:NVIDIA 发布四个 Cosmos 3 开放权重模型,提供从驾驶到机器人交互仿真的完整工作流,读者可评估其开源生态价值。
OpenAI 发布 GPT‑6 Cyber,这是一个用于寻找可利用漏洞并开发修复方案的网络安全模型,且经过训练以保持在授权范围内运行。
Microsoft Research 发布 PDD Kit,将证明驱动开发引入 AI 编码流程:先将自然语言意图转化为 Verus 形式规约,再对 Agent 生成的 Rust 代码做全输入证明,证明覆盖不到的部分用测试补位。
推荐理由:原文展示了将形式验证引入 AI 生成代码的实际工作流,读者可据此判断如何在不逐行审查的前提下保障关键逻辑正确性。
Mistral Large 4 (Le Chonk) 提升编码、网络安全及文档推理能力,Mistral Studio 支持在云端、VPC 或本地部署智能体、工作流和应用。 平台新增托管智能体、企业上下文、可观测性及评测功能,通过 MCP 服务器连接数据,ABANCA 和 BNP Paribas 等客户已在生产环境中使用该方案。
豆包工作支持抓热点、做方案、出内容、管素材、看反馈五类营销场景,提供对应 Skill 与提示词,可结合品牌信息直接调用。 功能涵盖调用“营销热点策略师”与“全案营销”技能生成选题和 PPT 全案,支持“无限画布”统一视觉设计,并调用 Seedance 2.5 生成约 30s 真人宣传短片。
月之暗面(Moonshot AI)首款 K3.1 系列模型 Kimi K3.1 Pro 正式上线阿里云百炼,支持 100 万 Token 上下文窗口及原生视觉理解。该模型通过大规模联合强化学习提升了代码开发、3D 创作及长程 Agent 任务能力,目前百炼中国站与国际站 API 已同步开放调用。
推荐理由:月之暗面 Kimi K3.1 Pro 上线阿里云百炼,开发者可直接调用支持百万上下文及强化学习优化的代码与 Agent 能力。
月之暗面发布 Kimi Hosted Agents 托管智能体,将支撑 Agent 运行的 Harness 作为云端服务提供,支持长程任务执行与多智能体协作。平台内置 140+ Skills 与 30+ 插件,提供独立沙箱、网络访问权限控制及审计导出功能,并支持接入 Kimi Inference Hook 在推理前拦截敏感数据。
推荐理由:原文列出了140+ Skills、30+插件及8个金融Agent模板,读者可据此判断托管智能体如何降低企业自建 Harness 的运维成本。
Kimi Hosted Agents 正式发布 Harness as a Service,提供云端托管环境、独立沙箱及可审计留痕机制,免去企业自建与维护运行框架的数月投入。产品内置 140+ Skills 与 30+ 插件,支持按任务调用,并配备 8 个金融 Agent 开箱即用模板;企业可接入 Kimi Inference Hook 在推理前校验敏感数据,在可控安全规则下完成应用开发。
阿里云副总裁安筱鹏指出,AI开源应从单纯开放模型权重,转向开放Skills等隐性知识,以增强智能体的工作能力。 他提出用“直升机与珠峰大本营”类比开源价值,认为开源体系降低了创新门槛,使人类经验可被AI压缩并调用。 该观点强调Skills是智能体革命的关键,推动软件功能原子化,助力企业实现认知升维与组织变革。
SEE Conf 2026 以“创造力复兴”为主题,于 2026 年 11 月 28 日在杭州蚂蚁 A 空间举办。 大会探讨模型能力与开源协作,涵盖 QMuse、TaoDesign 及 Coding Agent 等实践,旨在让构想转化为可体验的产品。 活动强调以人为出发点,通过 AI 拓展创造边界,将技术增量转化为用户可感知的体验价值。
多智能体系统 MAIA 通过苏格拉底式探究,将模糊情感转化为用户验证过的视觉文本简报。在 N=16 的组内被试研究中,MAIA 相比基线在认知支持上取得显著增益 (r = 0.97, p_FDR = 0.003)。 系统引入“验证优先于创造”规则,通过验证者门禁阻断未获批准的内容。三位职业概念艺术家的盲审表明,重写后的简报更完整且可执行。
论文提出 SMT 黑盒攻击框架,利用模拟审核痕迹在状态化函数调用环境中实施越狱,突破传统提示词级攻击范式。 在五个提供商的主流商用大语言模型上,SMT 在两个标准化安全基准中取得最高平均攻击成功率和 HarmScore,且所需查询次数接近最小值。 研究证明仅靠提示词层净化无法防御工具增强型大语言模型,需实施涵盖架构、参数及对话状态的上下文感知验证。
AvalancheBench 是一个多模态企业分析基准,通过 3 个验证任务、58 道文/图/文档题评估数据 Agent 从潜在世界规格中恢复数据的能力。基准引入 CATC 指标加权 Token 消耗,测试 5 种模型配置在 Snowflake Cortex AISQL 引擎下的表现,最佳分析保真度为 0.82。
该论文主张应将 Agent 安全视为系统问题,指出 AI 模型作为不可信组件,仅提升模型鲁棒性不足以保障安全,必须通过系统级手段强制实施安全不变量。 基于在操作系统、网络等领域的经验,作者结合 11 个真实世界攻击案例论证了系统安全原则的预防作用,并识别出实现这些原则的研究挑战。 这项工作被 NeurIPS 2026 接收为口头报告,为设计具有可预测保障的 Agentic 系统奠定基础。
NeurIPS 2026 论文发布 GraphIP-Bench,统一评估 12 种攻击与 12 种防御。 该基准涵盖 10 个公共图、3 类 GNN 骨干及 3 项任务。研究显示中等查询预算下窃取 GNN 较容易,多数防御未能改变此现状,且异质图更难被窃取。
AutoBCI框架利用Designer Agent和Forecaster Agent在14个EEG数据集上搜索架构,经Claude Opus 5.5发现的最优架构平均测试平衡准确率(bAcc)达64.16%,超过最强基线REVE的63.87%。
研究团队发布开源基准 CivBench,用于在《文明 6》游戏中评估 LLM 智能体基于 MCP 协议的长程工具调用能力。 该基准包含 76 个 MCP 工具,单局游戏可超过 300 轮对话。研究通过 23 次试点运行发现,智能体在主动监控率和短期承诺执行率(RAG@10 为 48.2%-65.8%)上表现不佳。 CivBench 环境、场景日志及分析管道已开源发布。
TraceCAD 为基于 LLM 的 CAD 智能体引入了持久化恢复层,通过链接特征、操作步骤与失败证据来诊断故障并搜索有界编辑。在 DeepCAD 基准测试中,移除持久状态会使恢复得分减半,移除局部搜索则使几何回归加倍。该框架通过可复用的技能记忆降低重试次数、Token 成本和延迟,提升了最终 CAD 质量和修复可靠性。
研究验证了 R-Judge、InjecAgent、AgentHarm 和 AgentDojo 等四个智能体安全基准,指出其得分不可互换为单一安全指标。 官方评分器下,R-Judge 的“总是阳性”策略即可达 0.690 高分,而四个基准对 18 个模型的排序结果各不相同。
论文提出以工作活动为中心的基准表示框架,补充了被代表活动、测试环境等四个缺失字段。 基于该框架审计了GDPval等三个基准,发现13个APEX-SWE任务测试存在缺陷。 框架使不同基准具备可比性,提供了单页记录模板以规范报告实践。
该综述系统梳理了强化学习与图形用户界面智能体结合的方法,将其分为离线 RL、在线 RL 和混合策略三类。 分析显示,GUI 输入输出延迟瓶颈正加速向基于世界模型的训练转变,且丰富奖励信号可能使显式推理监督变得不必要。 研究提出了涵盖过程奖励、持续 RL 和安全部署的路线图,旨在指导下一代 GUI 自动化及原生智能体基础设施发展。
开源权重智能体 SARBLOH 证明在 ARC-AGI-3 中,空间感知而非规划能力主导交互推理。其零参数感知引擎将单帧处理时间压缩至 35ms,通过生成对象库存与几何简报,将评分从 3/28 提升至 25/28,同时降低 89.4% 的 token 使用量。
ZETA架构通过分离路由策略与动作执行,显著提升了科学视觉智能体对邻近语义边界的科学意图路由准确性。 在包含51个科学意图查询的零样本基准测试中,引入显式路由策略使Qwen 3.8的分割路由准确率从6.2%提升至75.0%,检测路由准确率达到100%。 该架构使路由决策与下游工件可独立观测,为区分意图选择错误与视觉执行失败提供了关键基础设施。
AgentTrustCI 提出针对 Java LLM 智能体在构建期的策略、接地与轨迹测试框架。 基于 JUnit 5 实现确定性回放,在 55 个合成用例中正确分类所有 30 个注入故障及 25 个通过控制项,包括 12 个关键案例。 该框架确立了在现有 Java 发布流水线中表达行为契约的实用模式。
研究发现前沿 LLM 智能体在简单环境下的零样本协同任务中表现不佳,主要源于对协同问题的理解有限及推理能力弱。 尽管 LLM 引入了语义信息作为协同维度,但未能有效利用该结构。研究者提出了协同友好定义(CFDs)作为改进方案,并证明其可被自动发现。 该成果作为海报报告被 NeurIPS 2026 接收,并入选 ICLR 26 MALGAI Workshop 口头报告。
基于物理定律的 CaRT+ 集总流域模型在北美、欧洲及澳大利亚流域上,纳什效率系数(NSE)达到 0.765-0.863,与 LSTM 模型精度相当。 该模型含 35 个参数,通过 AI 代理辅助迭代生成,无需每日神经网络,仅在部分测试集中略低于 LSTM 集成模型。 研究证实流域尺度存在形式定律,为构建可解释的高精度水文预测系统提供了新范式。
该研究扩展了“接受或解决”模型,探讨AI辅助下工作技能随任务序列演化的激励机制。 模型显示,短视工人可能因依赖AI导致技能停滞或衰退,而战略工人会为未来价值选择独立解题。研究指出,通过奖励独立工作可建立可持续技能体系,且提高技能目标有时能降低长期激励成本。 此发现将焦点从单任务依赖转向组织层面如何维持人类专家能力,明确了值得投资的核心技能领域。
PEARL提出预测误差自适应正则化学习,通过反转异常特征方向的Gram矩阵更新实现选择性遗忘。 在PRISM基准测试中,PEARL比贪心策略高出4.0分,比最佳神经bandit基线高2.5分;该策略为约10万参数MLP,可在CPU毫秒级运行且不改变LLM权重。
SecPatRec 提出了一种混合方法,将 LLM 智能体与静态代码属性图分析相结合,用于从源代码中自动恢复安全架构模式。 该方法在包含 93 个开源仓库的 100 个安全模式实例上进行了验证。
两项针对 2193 名美国成年人的实验表明,与 AI 进行个性化对话能显著降低阴谋论信念。 该辟谣效果在披露 AI 说服意图、将对话框定为辩论甚至替换为单条定制信息时依然稳健,仅当 AI 被指示进行无事实依据的说服时效果减弱。 内容分析显示,信念的减少主要归因于 AI 提供的相关且论证严密的反证,而非人际亲近感或共情诉求。
summary_zh: LIBRA 提出一种无需任务特定训练的程序化框架,将扁平工具目录转化为可执行工具库。该框架利用 LLM 生成工具调用契约,并在沙箱中测试保留运行时支持的关系。
一项涵盖 377 篇文献的系统性映射研究发现,基于大语言模型的游戏 NPC 在短期记忆和世界状态对齐方面普及率高(60% 和 69%),但长期记忆、反思和 RAG 仍稀缺。 研究识别出商业化的六大结构性障碍,响应时间跨度为 2.6 至 15 秒。该文已发表于 IEEE Transactions on Games。
LLM 智能体在持久运行中会出现语义漂移、检索精度下降等不可控可塑性症状,需通过“睡眠”机制解决遗忘问题。 作者借鉴选择主义“ ringing, resonance and renormalization (RRR)”理论,提出数字记忆架构可行的映射操作,并预测在选择性巩固中该机制将优于指令式替代方案。 对于在有限容量下持续学习并与环境耦合的系统,可塑性具有成本,该成本即为睡眠。
42 位物理学家构建的 FrontierPhysics 基准包含 56 个任务,要求 AI 智能体完成从文献综述到生成科学手稿的全流程研究。 在 22 种模型共 26 种配置中,最佳配置仅通过 168 次运行中的 46 次;专家审阅显示智能体主要缺陷在于推理严谨性不足及缺乏专家直觉,而非物理知识或执行错误。 该基准通过结合确定性验证器与专家评分标准,首次系统性评估了智能体研究的正确性与可发表性。
论文提出一种基于回合级 Best-of-N 采样的推理扩展方法,用于 LLM 智能体。该方法采用“生成器-选择器”框架,在每轮生成 N 个候选动作并由选择器模型选取其一执行。 在长时程终端任务实验中,该方法使准确率提升 5–10%,并显著提高了重复尝试的一致性。轨迹分析显示,智能体行为向更优模式转变,如减少尝试次数、改善指令遵循及调试测试能力。