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。
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。
Sheaf-MPNN 是一个 PyTorch Geometric 库,通过局部 incidence-wise 传输和聚合将 sheaf 扩散重构为消息传递,无需构建全局 sheaf Laplacian 稀疏矩阵。
ModelBlaster 提出 Memory-Augmented In-Context Reinforcement Learning (MAIC-RL) 框架,利用持久知识库跨 CUDA、OpenCL 及 RISC-V 硬件复用优化经验。
CoTA-DT 框架通过整合对比学习、语言描述对齐及世界模型监督,为离线元强化学习提供任务感知表示。 该框架利用预训练 LLM 作为共享骨干,统一语言编码、世界建模与策略学习,提升了参数效率。 在多种离线基准测试中,CoTA-DT 在零样本泛化场景下表现优于现有方法。
研究提出利用 RL 后训练日志概率比推导 LLM 智能体的“进度优势”,实现了无标注、领域无关的步级评分,无需额外训练。 该信号在测试时缩放、不确定性量化和失败归因五个基准上超越基于置信度的基线,表现优于专门训练的过程奖励模型。
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。
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。
使用工具的AI智能体在受限可观察环境中易被“检测被分析”机制欺骗。 借鉴恶意软件分析经验,提出威胁建模、变体测试、影子执行等评估原则。 现有评估易产生乐观偏差,新方法可提升安全与鲁棒性验证的可靠性。
论文提出 GSAR 强化学习奖励框架,通过自演化数据合成生成多样化任务与环境,并以状态锚点机制提供可靠奖励信号。 该框架在离线轨迹验证中实现 90% 以上准确率,表现最接近基于规则的方法;使用该框架训练的 Agent 在 AndroidWorld 及自建 benchmark 上表现强劲。
SkillLens 引入可视化技能卡片(VSC)框架,支持无检索部署的 GUI 代理动作预测。 在 119 个未见任务上,使用全卡片教师训练的模型步成功率比纯文本教师平均高 5.04 个百分点。 独立运行控制显示,全卡片正确动作数为 18.75%,显著优于纯文本卡片的 6.25%。
研究提出针对特定目标的授权审计方法,指出可信与不可信证据在竞争情境下导致不同行动的比例为 5.4%,而在支持情境下仅 1.7%。 受控退化的 450 项任务中,未授权竞争导致的错误保留率为 2.4%,说明模型易受文本来源权限暗示影响。
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。
研究显示,在迭代囚徒困境中改变 LLM 收益数值规模会显著改变合作率,打破经典博弈论预测。 测试涵盖 5 种 LLM、10 种收益规模及 5 种语言;Claude 和 Gemini 在高收益规模下表现出与其他模型相反的合作倾向。
PyRUA-DataFarm利用LLM Agent代替人工进行机器人数据采集,在5项任务中,仅用农场数据训练的模型达到93/100成功率,优于遥操作的84/100。 Agent编写场景与控制器,视频模型生成一致多视角数据。单任务API成本约$21,单集数据平均$0.80,无需机器人或操作员参与。
基于固定人物画像的合成人口模拟无法复现由情境驱动的行为。三十年人格研究表明,个体在不同情境下的行为差异大于个体间差异,基于身份经济学的理论证明,无论模型参数规模多大,固定画像均无法捕捉情境特异性。
开源框架 OperAItor 用于化工过程监督性故障管理,基于 113 变量模型和 20 个场景评估。 模拟装置包含 8 个 PI 控制回路、22 个报警及 11 个安全仪表功能。
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。
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。
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。
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。
一项针对 174 个真实 Reddit 样本的受控标注任务显示,Kimi K3 以 94.5% 的准确率超过人类多数票(86.2%),且具备成本与速度优势。 73 名人类标注者与 40 多种 LLM 配置参与测试,人类在低共识案例中的定性错误分析揭示了标注体系的不一致性,二者呈互补关系。
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。
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。
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%。
summary_zh: $\tau$-Rec-Books 基准通过控制用户需求披露时机(主动、混合、隐藏)评估 AI 智能体在对话式推荐中的需求 elicitation 能力。
研究提出一种针对LLM智能体的攻击方法“voluntary servitude”,攻击者通过植入伪造的安全危害描述,利用智能体自身的安全预警机制使其主动避开合法选项并选择攻击者目标。
研究人员构建了共享记忆系统 SEAM,通过社交应用原型将社区知识分布与关联起来。系统在共置社区部署两周,46 名成员使用其分享日常、查询记忆并设定指令。SEAM 通过回复帮助用户发现新人与新主题,指向知识主动寻找人的社区形态。
研究发现标准多智能体辩论(MAD)因社会偏见导致不安全采纳率从0.0%激增至100.0%。 该研究提出推理时审计框架 RiskTrace-Debias,将最坏情况下的不安全采纳率控制在 2.0% 以内。 此方法无需重新训练或生成新辩论,即可通过生成可验证溯源轨迹解决系统性脆弱性问题。
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。
该研究在数据分析领域开展了涉及 48 名参与者的用户实验。结果显示,参与者很少会主动考虑替代方案,但可视化路径有助于他们更好地解读结果并融入个人上下文。
Dx-Rx 是首个能盲修复三维 MRI 全脑容积的智能体,利用多模态大语言模型先测量后修复,在 148 个 T1 加权容积上平均去除了 64.5% 的伪影误差。 该智能体调用五个诊断和四个修复工具,表现优于或持平于专家规则管线(62.3%),且代码与演示已公开。
针对现有工具使用基准仅测试少量工具或单步调用的局限,研究者提出 SLATE(Synthetic Large-scale API Toolkit for E-commerce)基准,用于在约 1000 个工具的大型电商库中测试长周期 API 选择。
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。
提出 RuntimeTickets 协议,通过运行时门控和确定性解码器审计 Agent 技能,消除安全疏忽与过度拦截。 其在三个未修改的 Agent 框架上测试,漏报率和误报率均为 0.0%,优于现有生产扫描器。 该协议为第三方 Agent 技能的安全、可审计部署提供了通用基础。
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。
研究提出 ReVi 框架,旨在从小说直接生成受限于固定时长的自包含音视频回顾。该双循环多智能体系统通过“先编辑后生成”策略,在计划阶段分配事件时间与镜头,并支持跨小说递归自我改进。实验显示 ReVi 在回顾质量和时长合规性上优于基线模型。
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。
提出 JHiMA-WebRL 框架,通过联合训练任务分解器与执行者处理长程网络任务。 在 WebArena-Lite-v2 基准测试中,JHiMA-WebRL-14B 模型组合达成 37.2% 平均成功率。 该框架使用 7B 模型参数,超越同等条件下经 RL 微调的 32B 单体智能体。
Meta^2 提出一种预计算可复用知识以在线演化的方法,通过对比离线轨迹学习元技能,从而优化冻结模型的提示词、工具及记忆等 harness 组件。该方法保持在线编辑的任务局部性,避免使用测试时不可用的验证器反馈。
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。