LatentTriad:面向恶意 Agent 技能检测的前行动作风险表征
LatentTriad 提出一种免执行恶意 Agent 技能检测框架,利用预填充阶段的隐藏状态实现风险识别,无需生成 token、调用工具或执行代码。在涵盖 5 个来源的 5,830 个技能包及 7 种基础模型上,该模型取得 99.0%-99.2% 的池化 F1 分数及 93.0%-94.6% 的源宏 F1 分数。
LatentTriad 提出一种免执行恶意 Agent 技能检测框架,利用预填充阶段的隐藏状态实现风险识别,无需生成 token、调用工具或执行代码。在涵盖 5 个来源的 5,830 个技能包及 7 种基础模型上,该模型取得 99.0%-99.2% 的池化 F1 分数及 93.0%-94.6% 的源宏 F1 分数。
研究团队提出名为 ALBI 的神象征融合归纳逻辑编程(ILP)框架,用 LLM 生成假设并依靠 SWI-Prolog 进行验证。在 30 个标准 ILP 基准测试中,ALBI 在 Gemini 3.1 Pro、GPT 5.4 Pro、Claude Opus 4.6 上均取得 100% 成功率,平均仅需 1.4-1.7 次迭代,且通过匿名化测试证明了模型具备稳定的符号推理能力。
论文定义了自进化智能体从产物形成能力的五层属性及三尺度诊断法,指出当前信号评估存在缺陷。 在自由五子棋测试中,Reflexion、Voyager和DGM均显示指标提升但存在不同能力断点:Reflexion仅因合法移动增加而提升,Voyager组合组件无法识别获胜机会,DGM出现仅损失漂移。 该诊断框架证明了仅依赖指标上升无法确认智能体能力的真实形成。
研究人员推出交互式环境 ScamWorld,通过重构已报告的诈骗网站,系统评估 6 个前沿 LLM 驱动的网络智能体抵御在线诈骗的能力。研究发现模型基础欺骗率介于 11% 至 35% 之间,且智能体在处理支付请求时比获取凭证或钱包信息更容易受骗。ScamWorld 提供了一个可复用的测试平台,用于持续压力测试智能体对真实网络诈骗的响应。
HTCE 框架通过拓扑正则化无损压缩导航经验索引,将 17.7%–23.6% 的独立路由描述合并,同时保留完整任务性能。 该模型利用冻结视觉语言策略进行指导,在 HM3D v0.1、v0.2 及 MP3D 数据集上取得最佳 SR 和 SPL,SR 提升最高 4.9 点。
研究团队发布 AgenticFinBench,包含 230 项真实金融任务,涵盖 8 个类别、2 种语言和 4 个复杂度级别。 该基准提出无参考评估框架,结合特定评分标准与两阶段事实核查,以检测幻觉。实验显示,幻觉审核使领先者分数降低 7.58 分并降至第四名。 发布该基准旨在推动金融推理与事实核查发展,提升智能体在真实请求中响应的可靠性。
研究团队发布Kierston城市级模拟引擎及KierstonBench基准,基于宾州阿伦特镇约12.5万居民数据评测大语言模型的监控与调查能力。 基准包含32类任务,涵盖记录关联、事件调查及欺骗性陈述评估。
TactiNavi 通过将策略适用性转化为显式工件,将 LLM 游戏教练的推荐正确率从 57.9% 提升至 82.0%。 系统离线编译带有前置条件的策略包,在线执行时记录决策轨迹,回溯评测显示基于轨迹的验证精度达 86.4%。 部署发现重新运行未修改系统可恢复 38.4% 的失败轮次,表明多数表面修复实为生成噪声。
研究人员基于 110 万篇论文构建了电力工程研究世界模型,将研究领域视为可操作的动力系统。 模型利用 27 亿参数语言模型编译自然语言查询,并生成有无干预的配对模拟结果,回答忠实度评分达 4.1/5。 该方法能在决策前模拟和测试研究成果,通过预测概念增长及干预效应,为新研究方向提供前瞻性验证。
LLM 具备自动化实验流程能力,但其非确定性与幻觉特性与传统实验系统所需的信任基础冲突。文章报告了构建并运行此类 agent 的教训,指出通过限制非确定性范围解决该矛盾:模型负责选择并编排流程,确定性代码计算所有报告数值。
Signals 方法通过 45 类问题分类法诊断 AI 智能体非确定性故障,在公开智能体执行评估中匹配参考问题的 F1 分数达 91.43%。 该方法区分已实现故障、风险暴露与低效行为,并将相关发现归组为 Signal,同时提供开发者可执行的修复行动及变更检查方案。
论文提出CogniLife框架,旨在解决多专家智能体市场中“冷专家”问题,将创作者观察转化为可修正的决策规则与领域流程。 作者设计跨专家归因架构,包含可传输的Creator Profiles与专家专属Expert Journals,但该核心设计尚未实现或评估。 部署平台已部分实现创作授权、提案过滤及记忆整合;在ProfyBench-v1基准上,Profy Full配置平均分达4.65/5。
该研究提出一种由大语言模型(LLM)辅助的自适应启发式搜索方法,用于敏捷地球观测卫星的任务调度。 方法由 LLM 根据调度实例特性生成初始启发式规则,并在蚁群搜索过程中利用搜索性能反馈迭代优化规则。 在包含 50 至 200 个成像任务的 6 种调度场景实验中,该方法平均观测收益比最强基线提高 4.3% 至 9.6%。
审计发现公共 Agent 排行榜存在评分器故障,导致通用 Agent 得分被低估 13 分,且排名顺序发生错误重排。 HAL 和 tau2-bench 存在成本重复计算、操作归属混淆及版本错配问题,重新评估可使分数偏差达 59-82 点且无报错。 建议报告评分比例、标记动作来源及锁定评估器版本,以暴露评估基础设施中的静默测量错误。
针对LLM提议者实验,研究构建了预注册协议修复的二元分类法。该分类法基于缺陷类别与环境、可行性、正确性的交叉,以及数据前、后的时机差异。 研究通过三个案例证实,所有修复均未改变编号判断标准或已收集数据。 该框架为验证器绑定的LLM研究提供了可审计性标准,强调透明记录优于修复本身。
在基于大语言模型的多智能体系统中,角色漂移会导致智能体越权执行其他角色的任务。ATC通过将角色权限显式化为契约,在消息进入共享对话前进行约束和重新生成。 ATC 通过检测越权偏离、逻辑违规并计算泄露正则化目标来干预消息,适用于内部表示不可用的黑盒智能体。 该论文已被 2026 年 EMNLP 会议接收,ATC 在任务和角色一致性上均优于强基线模型。
ATLAS 通过代数任务-角色锁定与自适应谱记忆,在无需训练的情况下优化多智能体系统的隐藏状态,解决任务漂移与状态过时问题。 该方法在长程记忆与工具使用测试中,比 A-MEM 提升宏观平均准确率最多 5.7 分,并在 72B 主干模型上实现 61.0 的宏观平均分。 ATLAS 作为表示层控制器,可作为黑盒智能体输出层协议的补充,适用于开源多智能体系统。
研究人员提出 Harness-S 框架,利用兄弟 Harness 修复基础系统故障,并将能力转移至单一策略,使该策略在原 Harness 下依然有效。 该方法通过方向性 Harness 演化构建固定的兄弟 Harness 池,仅在基础失败时调用,并采用自适应路由选择 Top-k 变体。 在 AppWorld、SWE-Gym 和 DBBench 基准测试中,训练后的策略显著优于仅基于策略的训练结果。
研究团队提出统一评测基准 DualWorldBench,用于评估智能体在受控符号-时序与接地-拓扑复杂度下的多目标规划能力。 该基准包含 TextWorld、SimWorld 和 DualWorld-VQA 三个组件,分别隔离测试符号规划、接地路径规划及感知理解。实验发现智能体在将局部感知转化为全局一致计划时存在普遍缺口,无法可靠将接地观察转化为可行动作序列。
DoGNAVY-Exploit 利用分阶段编排与并行探索架构,显著提升了开源权重模型在漏洞利用链中的表现。GLM-5.2 在该框架下,Cybench 与 CVE-Bench 的 Pass@1 均达到 97.5%。
EvoML 通过三个智能体协调验证门控,在 8 个数据集上实现全自动机器学习流水线合成,且最终模型质量均优于现有系统。 该框架包含执行器运行基于 nnU-Net 的技能及策展人进行技能库演化,分割任务 Dice 系数最高达 0.94,分类准确率 0.99,重建 SSIM 达 0.95。
summary_zh: GlucoAgent 是一种基于 LLM 的智能体系统,通过动态生成代码分析多模态个人背景(如 CGM、智能手表数据、餐食日志),实现个性化血糖预测。
研究评估结构化临床记忆对概率决策模型 Jev 的影响。在 30 个合成病例中,加入记忆后准确率从 90.0% 升至 93.3%,选项对数损失从 0.258 降至 0.175。 实验平均增加 310 个输入 token,延迟保持不变,约 0.5 秒。 研究称结果为方向性积极,支持评估结构化临床记忆作为可重用状态接口。
Agent Board 是 Corvic 框架中用于多智能体协调的持久共享任务表,模仿人类团队的看板机制。 系统代理 Board Keeper 负责路由事件并分配代理,实验显示在等待时间增加时其协调成本保持稳定,而轮询策略成本增长约165倍。 该设计旨在满足 Meta Muse 等持久智能体产品跨会话及跨供应商协作的需求。
summary_zh: AlgoPilot 框架将同类模型在13个基准、66个领域上的平均准确率从38.4%提升至72.9%,超越最佳大模型引导基线 GLM-5 11.7%。
引入 WASP-Mem 方法,将执行轨迹蒸馏为互连 Wiki 页面,在 TheAgentCompany 基准上将检查点通过率提升 4.6%-6.1%,同时减少 57%-61% 存储空间。
Emory 团队开发多智能体框架 FITTER,结合临床与可穿戴数据生成个性化 FITT-VP 运动处方。 在 400 名参与者评估中,FITTER 安全约束合规率达 98.5%,优于 75.8%-85.8% 的对比 LLM。 消融实验显示安全审计与修复是提升合规率的最大贡献因素,增强临床适用性。
研究定义“对齐漂移”为 LLM 智能体在交互讨论中失去初始立场的现象,并证实其具有模型特异性。测试显示 gpt-4.1 保持观点聚类分离,claude-sonnet-5 部分保持,而 gpt-5.6-sol 和 claude-opus-5 则完全放弃。这种异质性使 LLM 选择成为社会模拟的一级效度变量。
一项针对12名研究者100分钟研究冲刺的试点发现,个人AI工具在截止日期压力下加剧了消费瓶颈和AI诱导的研究孤岛,33次AI交互中仅1次被直接接受,27次缺乏记录。
提出任务条件效用指标评估长期智能体记忆价值,避免单一重要性评分。 在 LongMemEval-V2 事实回忆任务中,含答案信息的记忆配对奖励增益均值为 +0.33(95% 区间 +0.21 至 +0.46),优于任务盲写摘要。 效用不延伸至软件工程基准,已发布公开的条件记忆效用数据集。
在医疗场景下,基于Playwright的RPA方案在抓取报告任务中优于基于browser-use、LangGraph和Gemini 2.5 Flash-lite的APA自主智能体。RPA准确率98.90%,速度快13倍,单报告成本低6倍。 该研究通过两轮测试对比了两种方案的准确性、速度与成本。RPA在稳定界面上表现更佳,APA的时间波动更大。
El Agente Fármaco 是一个使用大语言模型技术的 AI 科学家,能将日常语言描述的发现目标转化为可扩展的计算筛选工作流。该智能体通过选择科学工具、审查结果并调整后续步骤来运作,核心在于一个名为 Fármaco Atlas 的共享科学记忆库,它存储分子、结构和结果及其来源记录。
EMBERS 是一种针对深度研究(DR)系统的缺陷引导模糊测试框架。该框架通过分析 1,932 条执行轨迹识别出 9 类重复缺陷,包括子问题制定、在线搜索和最终推理中的弱点。
开源框架 Simjecture 利用语言模型智能体通过反例证伪和假设修复机制,将 AI 辅助研究范式应用于物理领域。该框架在 82.6 小时调查中解决 Z-pinch 问题,揭示能量转换、保留及释放时机的竞争效应。结果深化了高密度等离子体物理认知,展示了自主研究新范式。
Unsatz 基准测试要求 LLM agent 自主构建科学模型的 ansatz。在 80 个系统任务中,9 个语言模型的解题率介于 21% 至 60% 之间。 agent 需在预算内购买实验并编写候选程序,仅按未见数据的预测效果评分。结果显示模型擅长发现变量结构,但难以精准掌握变量间的相互作用机制。
论文提出 RSI-Dojo 环境及 RSI-Craft 流水线,训练 LLM 智能体自动执行后训练。RSI-Craft 将研究论文转化为可执行环境,生成 281 个种子任务,用于从前沿模型收集高质量轨迹。
Claude Code 发布 v2.1.318 版本,新增假设角色支持与模型分叉力度选项。 修复 macOS 会话停滞、权限提示误触及共享网络目录配置丢失等缺陷,优化 MCP 服务器探测与错误处理机制。
Collinear AI 开放了 100 个网络安全任务基准 CWE-bench v2,覆盖 91 种 CWE 漏洞,支持程序化评分并在 Hugging Face Hub 提供运行入口。测试结果显示 Gemini 4 Argon 以 67.8% pass@1 居首,领先于 Claude Opus 5.5。
推荐理由:CWE-bench v2 开放了 100 个网络安全任务,给出了各模型的成本与得分对比,方便开发者评估 AI 修复漏洞的能力。
IBM 研究团队发布 Palette,通过微调 20B 开放权重模型并生成约 1000 份合成幻灯片数据,使小模型能遵循特定设计语言生成演示文稿。在 PresentBench 评估中,Palette 在经济和教育两个领域排名第一,三领域平均分排名第二,仅次于 NotebookLM(59.7 对 60.8)。
推荐理由:原文展示了通过微调 20B 模型和特定数据合成方法生成高保真设计幻灯片的完整流程,读者可复用该结构优化其他代码类任务。
该架构利用 Postgres 扩展 AIDB 在运营数据库内部构建语义知识库 SemKB,实现数据与业务含义共置。结合 Claude 与 AgentCore Gateway,通过 MCP 端点暴露工具目录,利用 GRANT 权限和行级安全实现差异化访问。语义层直接嵌入数据库,通过注释和外键定义业务逻辑,支持 OpenTelemetry 追踪。