跳到正文
11月5日周四
  1. arXiv · NLP43

    SlackBench:基于真实代码仓库协作项目评估 AI 智能体基准

    SlackBench 发布了针对真实协作工作流的 AI 智能体评估基准,包含 140 个需联合推理通信与代码状态的查询任务。该基准基于隐私保护的学术项目重演,涵盖多源检索、不可回答问题的拒绝回答及长对话情境推理。测试显示 33 个前沿模型中最佳系统得分约 80%,大多数智能体低于 66%。

  2. arXiv · NLP42

    面向医疗多智能体推理的挑战感知知识招募

    提出挑战感知自适应招募机制,通过外部Challenger识别推理轨迹中的知识缺口,触发检索或招募专家。在MEDAGENTSBENCH硬子集上,该机制提升8/9数据集准确率,相比纯Challenger基线提高6个百分点。 消融实验显示,针对缺口的查询信号和检索时机共同带来收益;在GPT-4.1-mini MedQA任务中,Challenger触发的专家招募将准确率从46%提升至54%。

  3. arXiv · NLP36

    LLM智能体自写交接摘要中未获支持政策的出现条件及影响分析

    LLM智能体在自写交接摘要中常包含记录不支持的权限或要求,两个开源权重模型生成摘要中1.2%-2.4%含不支持的限制,0.1%-1.3%含不支持的授权。将系统提示中模糊要求改为明确来源说明,可将开发集不支持限制率从5.0%降至1.8%,留出集从1.8%降至0.3%。 实验表明,中和虚假批准可将未授权操作从120次运行中的24次降至7次,多数开发限制源于智能体先前推理中“操作需批准”的认知。

  4. arXiv · NLP21

    ProcessPrefBench:评估自然交互中个体流程偏好的跨任务迁移

    ProcessPrefBench 基于 66 个源-目标案例,测试自然交互中流程偏好的跨任务迁移。 采用全历史或蒸馏提示词,偏好实现分数较目标专用提示词分别提升 0.204 和 0.244 点;但捏造证据失败率从 5.8% 升至 10.1% 至 10.4%。 该基准揭示了利用历史交互提升偏好对齐与增加事实幻觉风险之间的张力。

  5. arXiv · NLP39

    Pro-Memory 框架提升 LLM 智能体前瞻记忆能力

    论文提出 Pro-Memory 框架,通过分离意图维持与时机决策,显著提升了 LLM 智能体在前瞻任务中的表现。 该框架保留带有证据的未来意图,评估新观察结果并协调代理行动,利用两个基准测试验证了其在多个 LLM 骨干模型上的一致性改进,同时限制了不必要的干预。

  6. arXiv · NLP28

    搜索增强 LLM 智能体中的认知偏差特征:分阶段分析

    研究开发受控搜索框架,在10个模型和1000个合成搜索环境中分析初始证据顺序对LLM智能体最终答案的影响,发现主动搜索阶段最终答案对初始证据顺序更敏感。 死端历史相对中性历史会减少策略切换,表明该效应超越上下文长度限制;错误假设下的阶段测量区分了检索减少与反证打开后持续的错误。

  7. arXiv · NLP20

    CCDWiki: 在纵向 CBT 对话中解耦案例构建与响应生成

    针对当前 CBT 对话系统缺乏编码认知状态能力导致临时假设固化的问题,CCDWiki 提出了一种即插即用的顾问框架。 该框架将长期治疗视为基于证据的假设裁决,通过可变的临床假设条目及其支持/反驳证据,在跨会话中动态强化支持项、保留临时项并撤回被反驳的假设。 该方法在无需重训骨干模型的情况下,显著提升治疗模型的概念化与干预质量,避免了下游干预偏差。

  8. AWS Machine Learning Blog36

    AWS Quick 推出 Smart Approvals:在关键节点保留人工监督

    AWS Quick 推出 Smart Approvals,通过评估动作是否符合用户请求实现自动批准或转人工,不新增权限。 使用独立分类器模型结合知识图谱审查动作,单次自动批准仅限精确参数,超出范围则退回人工确认。 审计记录集成 AWS CloudTrail 与 Amazon CloudWatch Logs,支持全链路事件追溯与安全合规。

  9. AWS Machine Learning Blog38

    U Mobile 如何利用 Amazon Bedrock AgentCore 构建 AI 驱动的电信运营智能体系统

    U Mobile 基于 Amazon Bedrock AgentCore 构建 Agentic AI 客服系统 AiDaH,在六个业务部门覆盖 150 多个运营场景,关键类别工单量下降 84.5%。 系统采用六层架构部署于新加坡区域,通过 Microsoft Teams 交互,利用智能体自动排查跨系统故障,保留人工最终决策环节。

  10. AWS Machine Learning Blog30

    Indegene 如何在 AWS 上利用 LLM 驱动的数据质量智能体扩展企业级数据质量管理

    Indegene 在 AWS 上的 NEXT UDP 平台构建 LLM 驱动的数据质量智能体,生成上下文感知的数据质量规则并产出可运行的 SQL 和 Python 代码。 该智能体支持集中式人工介入治理,解决了传统技术规则与业务规则脱节、静态校验无法捕捉业务背景的问题。 此举帮助生命科学企业提升数据质量扩展性,降低数据工程维护工作量。

11月4日周三
  1. Qoder45

    Qoder CN 上线阶跃星辰 Step 5 Preview

    阶跃星辰旗舰模型 Step 5 Preview 正式登陆 Qoder CN,支持 100 万 Token 上下文及文本视觉原生输入。 该模型面向 Agentic 任务,官方测试显示可连续迭代近 22 小时优化 GPU kernel,并支持一次调度 950 次网页抓取整理 30 万条数据。 这是 Qoder CN 首次接入阶跃星辰模型,双方将在后续持续推出更多合作功能。

  2. 腾讯混元92

    腾讯混元 Hy4 正式版发布

    腾讯混元 Hy4 正式发布,首次引入视觉与电脑操作能力,金融综合表现及内部科研评测位居开源第一。官方计划开源模型权重,已在腾讯云等渠道上线,API 价格与预览版保持一致。

    推荐理由:原版在金融众测与科研任务上取得开源第一,并展示了从代码到生物建模的跨领域生产力落地。

  3. 阿里云百炼22

    阿里云百炼 Token Plan 双11新客5折,19.5元起

    阿里云百炼 Token Plan 在双11期间为新客提供5折优惠,Lite 套餐首月19.5元,Essential 套餐首月39.5元。 Lite 套餐月额度为11,500 Credits,Essential 为25,500 Credits,额度支持小工具开发、图文创作及短视频生成。活动限未购买过该套餐的用户,优惠仅限首单。

  4. arXiv · NLP40

    PersonaFuse:一种情境感知的大模型行为自适应后训练框架

    PersonaFuse 提出一种情境感知的大模型行为自适应后训练框架。 该框架基于特质激活理论和大五人格模型,采用混合专家架构与情境感知路由机制,根据任务上下文动态调整模型行为。 在能力、工作流和部署三个层面评估显示,该框架在保持通用推理、交互质量和安全性的同时,提升了企业场景下的任务完成率。

  5. arXiv · NLP29

    MDSKILL: 通过多视角蒸馏内化技能记忆以实现高效的动态智能体自进化

    MDSKILL 提出一种多视角技能记忆蒸馏方法,将记忆组织为状态定位、行动规划、执行控制三个互补视图,并在 ALFWorld 和 WebShop 基准上较 SOTA 性能提升最高 7.1% 和 8.1%。 该方法无需额外计算开销,通过动态指标筛选高质量技能,构建视图特定及集成推理分支,经 On-Policy Self-Distillation 将互补经验知识整合至共享策略。 代码已开源。

  6. arXiv · NLP37

    ToolSpace:基于工具中心环境合成扩展长周期智能体能力

    提出 ToolSpace 框架,从真实 MCP 服务执行轨迹挖掘工具依赖并合成环境,在自动化及银行基准测试上使 7 个前沿模型性能最高下降 38.2 点。 框架通过状态感知随机游走生成任务,将 Qwen3.6-35B-A3B 平均分从 23.0 提升至 41.0,GLM-5.2 提升至 56.6,表现与 Claude Opus 5 相当。 执行验证边优于 LLM 判断边,性能随数据和环境规模提升。

  7. arXiv · NLP31

    MIMIC-Note-Extract:从MIMIC-IV-Note出院小结中提取的大规模结构化数据集

    MIMIC-Note-Extract将300,720份MIMIC-IV-Note出院小结的16个部分转化为结构化表格,填补MIMIC在病史、过敏等结构化数据上的空白。 采用确定性解析与LLM生成混合管道构建,病史条目增加10倍,覆盖2倍以上的住院记录;医生验证各部分抽取准确率超92%。 该数据集支撑LLM智能体临床决策基准,降低重复数据整理成本。

  8. arXiv · ML23

    Agentic 框架识别在线阴谋论:基于希伯来语推文数据集的上下文感知推理

    论文提出一种配备社会查询工具的 Agentic 框架,通过推断言外之力识别阴谋论,在希伯来语推文数据集上优于纯文本分类。 数据集覆盖 2018 末至 2023 初,包含 80%-90% 公共希伯来语推文,涵盖选举与疫情时期。 上下文感知工作流性能显著优于非 Agentic 模型,验证了社会嵌入解释任务中自适应推理的有效性。