跳到正文
11月4日周三
  1. arXiv · ML27

    DRAP: 用于物理 AI 持续学习的动态风险自适应可塑性方法

    针对物理 AI 中策略误差沿轨迹累积导致闭环失败的问题,论文提出 DRAP 方法。 这是一种无重放方案,利用轨迹放大风险对张量动作梯度加权,累积重要性记忆以动态调节有效 AdamW 学习率。 该方法在 OpenVLA 子网络及 LIBERO 多套件上评估,相比 AdamW 和 EWC,在保持新任务习得能力的同时显著提升了旧行为的保留率。

  2. arXiv · AI23

    RecoAtlas:评估和优化 LLM 推荐代理集级效用的基准与 RL 环境

    RecoAtlas 是一个基于用户行为的基准与强化学习环境,旨在评估 LLM 推荐代理生成的结构化报告及其集级效用。 代理利用产品检索、互补性和多样性等购物工具生成推荐报告,行为参考集支持精确恢复评估和 bundle 级奖励训练。 实验表明性能随模型容量和测试时算力提升,且语义合理性并不必然转化为行为导向的效用。

  3. arXiv · AI27

    MathlibPR 提出形式化数学库 PR 合并结果基准

    summary_zh: 研究团队基于 Mathlib4 真实 PR 历史提出 MathlibPR 基准,用于评估 LLM 辅助形式化推理能力。 DeepSeek、Qwen 等模型与 Codex、Claude Code 等 Agent 在区分可合并与仅构建通过的 PR 时表现不佳,且阶段式评估协议显示 LLM 难以独立判断 PR 是否值得整合。

  4. arXiv · AI30

    HealthJev:面向纵向个人健康管理的自进化开源智能体

    HealthJev 作为开源智能体,通过自训练的 JevGate 轻量级模型过滤错误经验,在 90 天模拟交互基准上平均提升 13.3 个百分点。 JevGate 决定经验入库的中位时间为 86 毫秒,消耗约 1,000 输入 token,运行时开销极低。该冻结经验库可迁移至六个其他基座模型,宏平均增益达 6.8 至 15.1 个百分点。

  5. arXiv · AI35

    RoboTryOn 通过虚拟试衣生成灵巧机器人演示视频

    RoboTryOn 将人类视频转化为指定机器人的视频,保留原始任务、物体和背景,并基于人类手部骨骼运动进行合成。 结合深度特征的反动力学模型(IDM)从合成视频中推断动作标签用于策略学习。 实验显示,使用合成数据训练的模型在新任务(包括双手操作)上的平均成功率从 2% 提升至 60%,且采集成本仅为遥操作演示数据的三分之一。

  6. arXiv · AI21

    面向推理与行动的几何抽象:智能体策略需要观察每一步吗

    提出通过 3D 几何抽象将机器人常规空间推理从图像转移至文本和符号,以提升多步操作完成率。 接口利用校准 RGB-D 生成带类型和证据的符号引用,并在动作后返回紧凑文本检查点,减少了重复多模态查询。 研究结果被 CoRL 2026 会议接受,证实了显式几何状态是机器人智能体策略的有效基础。

  7. arXiv · AI36

    GeoFaham:面向灾害响应的领域专用多智能体地理空间分析系统

    GeoFaham 实现最佳整体性能,得分 0.940 高于次优 0.879,且 Token 消耗仅为基线的 7.5 分之一。 系统通过 Orchestrator 协调向量、地图、图像及栅格分析智能体,利用 Response Store 在 LLM 上下文外持久化输出元数据。 代码与基于 40 项任务和 17 条真实灾害记录的 GeoFaham-Bench 基准已公开。

  8. arXiv · AI26

    ARPG:基于依赖感知的代理框架,利用 LLM 自动设计机器人 MDP

    该研究提出 ARPG 框架,利用 LLM 在设计阶段构建机器人 RL 策略所需的 MDP 公式与模拟器实现,而非在运行时进行决策。 ARPG 采用顺序 MDP 建模、局部验证及模拟器结构化实现,通过外部化中间工件,解决了代码可执行但策略不可学的语义对齐问题。 在 Isaac Sim 等实验中,ARPG 在建模正确性及策略生成成功率上优于单体 LLM 基线,被 NeurIPS 2026 接收。

  9. arXiv · AI22

    VisSearch-Bench:多模态智能体长时程视觉搜索基准

    VisSearch-Bench 发布 204 个人工编写任务,涵盖 7 大领域,旨在评估多模态智能体在视觉密集任务中的视觉上下文管理能力。 该基准测试了 16 种多模态模型,要求结合物体外观、局部细节、空间关系与外部信息,最佳系统仅完全解决 26.47% 的任务。 现有系统难以将视觉证据与搜索结果有效关联,凸显了长时程视觉搜索在完整回答生成方面的挑战。

  10. arXiv · AI41

    GroupAssistBench 提出真实场景群组记忆基准测试

    研究提出首个基于真实群组对话的记忆基准 GroupAssistBench,包含 80,299 条消息和 50 个群组,标注成本超 53,000 美元。 该基准区分记忆召回(L1)和记忆使用(L2),针对分散及冲突记忆设置无固定答案的服务请求,并通过真实用户反馈调整评分标准。 评估显示最强记忆系统在召回上接近全上下文水平,但在使用上大幅落后,表明群组记忆系统需重点优化记忆使用而非仅提升召回率。

  11. arXiv · AI27

    Vibetrace:通过执行轨迹实现人机编码协作

    Vibetrace是基于OpenCode的交互式轨迹可视化系统,支持编码智能体的观察、理解与干预协作。 系统允许用户从先前步骤分叉执行以提供针对性修正,无需重启已验证进程,并可将轨迹与反馈提炼为可复用技能。 在SWE-bench Verified基准测试中,提炼技能使输入token减少23.0%,成本降低15.5%,通过率从65.0%提升至68.0%。

  12. arXiv · AI30

    IntentGEO:面向推荐的意图感知生成引擎优化

    论文提出 IntentGEO 框架与 AMO 方法,解决现有 GEO 方法在推荐场景中因忽略用户意图差异导致的曝光增益波动问题。AMO 采用固定核心指令加学习策略的架构,在 4 个领域和 10 种意图状态中,平均引用排名增益比最强基线提升 35%。该方法在 Doubao 等闭源助手中也实现了有效适配,证实了意图维度对 GEO 评估的重要性。

  13. arXiv · AI36

    时间关键任务中非完整警示语的语用理解实验

    研究验证了人类能利用先验知识理解机器生成的非完整警示语。在 N=114 的预注册实验中,语用规划器优于全量基准线。 实验显示参与者几乎能以相同可靠性解析非完整警示,且响应更快、检测到更多问题。 结果显示语用助手的有用性评价更高,且未增加认知负荷。

  14. arXiv · AI35

    JevBreak 揭示决策模型中“允许选项”不等于“安全决策”的 Slot Attack 漏洞

    针对七个决策模型在 16 项任务上的评估显示,限制模型可输出的选项集并不能阻止攻击者操纵决策。 攻击者利用 Slot Attack 黑盒方法,仅依赖标签概率即可成功将 32%–99% 的正确决策导向错误选项,每次成功攻击中位查询量仅为 17–72 次。 固定答案集仅约束了决策形式而非来源,模型鲁棒性必须按模型、任务和版本逐一测量,不能因输出格式而默认安全。

  15. arXiv · AI28

    对抗性投机推理提升长程智能体性能

    研究人员提出对抗性投机推理,提升长程智能体在复杂代理编码基准上的端到端成功率。 该方法通过训练仅占总参数 0.06% 至 0.28% 的草稿模型,在 30 步后改变输出分布并修正关键推理点噪声。 此方法将投机解码从单纯加速器转化为上下文精度分配器,且无需修改目标模型及其输出分布。

  16. arXiv · AI38

    Continual AutoResearch:智能体能否跨任务学习

    论文提出 Continual AutoResearch 环境,评估 5 个前沿智能体在 9 类任务流中持久状态与重置实例的性能。 实验显示,持久状态显著提升所有智能体的研究效率,帮助其更快找到更强解,但并未持续转化为更优的最终解决方案。 研究表明,保留经验与有效利用经验是截然不同的两项能力。