LLM-based 多智能体规划可靠性极限分析
LLM-based 多智能体规划在协调者回访源记录时存在可靠性极限,研究证明了两种报告格式足以支持广泛分配需求。 针对固定源类型和非均衡负载,该研究实现了报告角色与自适应读取的联合优化;其中 207,632 个报告设计的穷举评估验证了预测的联合最优解。 这表明可靠的智能体通信评估应基于其支持的完整决策及未解决案例的完成成本,而非仅依赖报告长度或局部预测准确率。
LLM-based 多智能体规划在协调者回访源记录时存在可靠性极限,研究证明了两种报告格式足以支持广泛分配需求。 针对固定源类型和非均衡负载,该研究实现了报告角色与自适应读取的联合优化;其中 207,632 个报告设计的穷举评估验证了预测的联合最优解。 这表明可靠的智能体通信评估应基于其支持的完整决策及未解决案例的完成成本,而非仅依赖报告长度或局部预测准确率。
研究人员对基于SWE-bench的LLM和Agent自动程序修复(APR)进行了大规模安全分析,使用20000+个GitHub issue对比了开发者补丁与AI生成补丁的安全风险。
研究者提出 TCIRL 框架,在观测不到隐藏时间相变的非马尔可夫环境中,同时学习控制策略并推断相变成因。TCIRL 维护假设确定性有限自动机(DFA),通过基于反例的 SAT 综合进行修正,并证明假设几乎必然收敛至生成最优策略的 DFA。在基因疗法网格世界和交通信号灯环境的实验中,TCIRL 正确恢复成因 DFA 并达到全信息基线水平。
该研究提出 GRIMIP 框架,将 LLM 的语义推理能力与贝叶斯优化 (BO) 结合,用于混合整数规划 (MIP) 求解器的高维超参数配置。 在包含 MIPLIB 在内的七个基准测试中,GRIMIP 在困难实例上将原对偶积分 (Primal-Dual Integral) 降低超过 40%,性能优于 SMAC 及其他 LLM 辅助 BO 方法。
LLM 智能体在地球系统模型参数化任务中生成可微分代码,未监督性能强依赖语言模型。 以暖雨碰撞-聚并为测试案例,重复无监督实验涵盖十种语言模型;专家指导下,迭代反馈降低八种模型的中位滚动误差。 两个无监督生成的闭包在留出模拟中雨质量误差略低于最准确的重调物理方案。
DistDebug-Bench 推出,收录来自 11 个广泛使用的分布式系统的 120 个真实世界 Bug,覆盖 5 种编程语言和 10 种故障模式,用于评估 LLM Agent 在代码层面诊断复杂系统故障的能力。
针对混合动机博弈中智能体对礼物过度依赖的问题,AGiR框架引入自适应拒绝机制,通过从策略更新信号中剔除部分礼物信号来平衡合作与竞争。该机制独立于具体赠送方法,作为插件支持去中心化学习,无需改变现有训练管线。实验证明其能有效减少过度依赖并防止陷入牺牲策略,从而提升α公平性。
研究发现增加数据库数量可能降低材料发现效率。带隙战役中,前半个预算期,7 个源合并排名(秩相关 0.737)劣于最优 3 源池(0.851)。 语言模型智能体团队表现低于随机选择基准(均值 0.876,标准差 0.096,20 次搜索)。
arXiv 论文提出 BOBA-Bench,包含 280 条由 140 个开源项目衍生出的 20 连任务链。评估显示 10 款编码代理在单步任务中完成率高达 95%,但在连续链式任务中降至 51%。研究指出原因并非代码质量变差,而是代理在自身测试通过后即标记完成,导致后续请求建立在含错代码上。引入外部验证和一轮修复可将链式完成率提升至 59%。
推荐理由:论文通过长链任务揭示了编码代理的自我验证盲区,指出外部校验能显著降低错误累积率。
提出拓扑导向层级选择方法 TopoSteer,通过位移云 H_0 持续度评分优化 LLM 激活导向层级。 该方法证明其评分与判别性在样本变化增加时方向相反,无需留出验证集即可实现更有效的导向控制。
研究评估AI智能体在任务引导与黑箱两种设定下的抗体设计能力,验证了LLM评判与程序化评估的一致性。 提供抗体相关工具能提升指令遵循度与序列空间探索但降低优化性能;引入设计历史则降低指令遵循度但提升优化性能。 整合两种模式的智能体优化器在模拟优化循环中表现与已建立的贝叶斯优化基线相当。
该智能体原生框架支持在 Snowpark 等环境运行 TPCx-BB 等标准化基准,并包含由 LLM 智能体查询的结构化遥测合约。 框架已成功开发超过 400 个基准查询用于常规性能回归检测,其结果直接推动了生产级数据引擎的优化。
该研究开发了可执行诊断工具,通过固定操作数并改变依赖深度、候选数量等参数,审计了有状态工作流中的调度与状态保留失败。主要研究包含 49,152 个生成任务及 393,216 次参考控制器运行,后续设计增加 295,936 次运行。
SpecPilot 是一个自动智能体循环系统,通过发现新算法和系统优化提升推测解码性能。 单请求场景下,其将相对自回归解码的加速比从 4.46 倍提升至 10.87 倍;批量场景下,加速比从 1.94 倍提升至 3.93 倍。 该系统实现了无质量损失的无损 12-bit 权重格式和树状验证机制。
论文指出当奖励依赖组内其他样本时,GRPO 因引入负相关基线导致模型进行零和竞争,易致多样性崩塌。 团队提出的 Team-GRPO 将系数设为 +1,作为无偏估计器仅需每组两个样本,无需额外调用模型计算成对奖励。 在 GlobalOpinionQA 上,Team-GRPO 将错误率从 0.20 降至 0.08,避免了 GRPO 的多数答案坍缩,显著提升了集合效用。
7B-32B 开放模型在 256 事件日志中准确率跌至 48%-55%,而 32B 推理模型读取当前状态可达 96%-98%。 120B 推理模型在 1024 事件时落后显式状态约 10 个点,表明“状态超越长上下文”的边界随读者能力变化。 该研究将智能体记忆建模为递归过滤,证明基于状态依赖的写时选择优于查询时检索及 Mem0 等方案。
TSSDA 框架利用自主智能体生成时序 SQL 数据,并构建了名为 TERN 的时序 Text-to-SQL 基准。 该智能体通过建模语法语义扩大查询覆盖范围,利用时序感知记忆跨异构实例复用经验以提升生成效率。 实验表明 TSSDA 显著提升了数据生成的覆盖率、多样性及复杂性,并揭示了现有模型在时序 Text-to-SQL 任务上的局限。
报告提出 NorthCUA 系统,通过 Experience Flywheel 和 Harness 生成可验证轨迹,利用递归自改进和阶段性学习(中训练、长时程 SFT、联合桌面-Web RL)训练 Nano、Mini 和 Pro 模型家族,在 GUI 定位、桌面执行和 Web 交互上达到开源模型 SOTA 水平。
针对LLM对语义保留改写的脆弱性,定义条件因果难度(CCD)并引入GlassGSM/GlassMATH基准。 GlassGSM将脆弱性提升约12倍,Frail预测器在可靠性上限0.613处超越基线,CRD与复杂度代理变量不相关。
summary_zh: 自适应索引复用(AIR)在 SWE-bench Verified 上将任务成功率从 27.0% 提升至 32.4%,并在 Terminal-Bench 2.0 等基准中超越静态调度。
MAPLE 提出一种无梯度的多智能体框架,通过动态分步经验共享与执行时提示词进化,消除盲目试错循环。该框架支持实时交叉参考运行见解,引导智能体沿直接交互路径执行。在 AndroidWorld 和 MobileWorld 基准测试中,MAPLE 在复杂长时程任务上实现最优性能。
研究者通过nanoGPT实验确立了训练、学习与推理间的关联,并预测更新后的能力转换。 在5088个目标上,该预测器实现了91.43%的准确率和91.49%的四向宏观召回率。 该研究在五个额外架构中验证了这些关系,并展示了反馈再平衡如何将准确率从70.31%恢复至99.48%。
论文提出“飞轮引导的补丁”机制,使学习型奖励模型无需重新训练即可进行局部修正。该机制通过 Alignment Flywheel 识别违规区域,生成抑制补丁放入 MoE-GUIDE 潜在空间,仅在在线评估时检索一小部分补丁。MuJoCo 基准测试证明,这种局部修正信息可以修改现有奖励,而不必提供完整的替代奖励。
论文分析测试时强化学习(TTRL)中探索系数防止策略崩溃的机制,在MATH-500数据集上验证了特定奖励结构的有效性。 推导并计算了自洽奖励及多数决奖励下策略稳定性的上下边界,证明在归一化前探索系数需高于1/log(G-1)。该研究为自一致性训练中的探索强度提供了理论依据,但在实验中降低了pass@1指标。
Jet-QSparse 提出一种免训练方法,结合 NVFP4 缓存存储与 Blackwell 张量核心的原生 FP4 计算以加速 Agentic LLM 推理。
提出结构双重适应(SDLA)方法,通过当前成本中心化、轨迹加权和二次正则化,取代原始对偶算法在约束边界上的“开-关”切换,实现连续且唯一的乘子响应。 Ternary Search用于计算乘子而无需对偶梯度步长;对熵正则化表格策略,证明了平衡约束违反的上界。
研究提出 Spotter 框架,具身模型主导连续执行,VLM 并行监测,仅在检测到错误时介入反思并纠正,随后归还控制权。 实验使用 Qwen 和 GPT 作为 VLM,GPT 配置下 Cosmos Policy 和 π0.5 在 RoboCasa 分别提升 5.6 和 7.5 个百分点,π0.5 在 RoboTwin 2.0 困难设置从 47.2% 升至 57.0%。
AgentHop 发布 1011 道选择题及七工具沙箱,拆解检索、合成、工具调用等资源管理四轴评估。 覆盖 19 个模型发现显著家族特征:GPT 早期提交,DeepSeek 与 Kimi 过度搜索。 论文已被 NeurIPS 2026 接收并开源完整测试集与测试框架。
SkillDRE 是一个全自动框架,通过双阶段反馈闭环演化恶意 Agent Skills 包。 其在 SkillsBench 上针对四个受害者模型的平均攻击成功率为 45.28%,超过最强基线 40.3%。 最终提交的 Skills 未触发 SkillScan 检测,且基本保留了良性任务性能。
NeuroPilot 是一个多智能体系统,将神经影像处理、质控和数据管理数字化为三个可被 LLM 调用的技能。 该系统在 17 个队列(超过 123,000 名受试者)上部署,验证了其通用性,并将原本 2-3 个月的培训与处理周期压缩至一周。
GitInject 是一个开源框架,用于评估实时 GitHub Actions 工作流中的提示词注入攻击。它通过临时仓库执行实际工作流,暴露沙箱、凭证处理和权限边界等平台语义。
TRACER 是一种基于 Token 重分配的端到端概念遗忘框架,专用于生成式推荐系统。 它通过将概念相关项目重新分配到替代 Token,在有效移除目标概念的同时,利用一致性正则化器保留语义一致性,比现有基线更好保持推荐效用。 该框架解决了语义 ID 共享导致概念移除与推荐效用保留之间冲突的问题。
提出一种轻量级外部监控器,利用轨迹级结果训练注意力机制MIL模型,结合α-STOP策略实现故障早预警。 在5个基准测试中,高相关故障轮次稀疏且出现较晚;该系统相比前沿触发策略提升Pareto前沿质量3-42%,且无需按偏好重训。 相比基于GPT-5.2的LLM监控方案,每决策服务成本降低1,103-3,749倍,延迟降低31-106倍。
Adaptive Auto-Harness 框架分离持久演化工作区与可部署harness,使用 Sonnet 求解器。 预测市场全任务准确率达 80.9%,安全挑战 Pass@1 为 50.2%,显著高于无演化基线的 22.2% 和 37.2%。 持续演化通过修订累积知识,在任务分布变化时保持早期收益。
研究团队提出基于意识图灵机(CTM)的多智能体AI系统 CTM-AI,在 MUStARD 和 UR-FUNNY 基准测试中分别取得 72.28 和 72.13 的准确率,实现新的 SOTA。该系统整合各类处理器,反馈机制可迭代进化内部连接,在 StableToolBench 和 WebArena-Lite 任务上提升超过 10 分。代码已开源。
研究提出 WebWeaver 攻击框架,通过仅妥协 LLM 多智能体系统中的单个任意 agent(而非管理 agent)来推断完整通信拓扑。 该框架仅依赖 agent 上下文而非 ID,结合隐蔽越狱机制与无越狱扩散设计及掩码策略,在主动防御下推理准确率比 SOTA 基线高约 60%。
该研究提出分布感知检索嵌入框架 DARE,将数据分布特征融入 R 函数检索,解决现有 RAG 忽略统计方法适用性特征的问题。 框架包含含 8,191 个 R 函数的 RPKB 知识库、面向 R 的 RCodingAgent 及 100 项统计任务的 RStatBench 评测基准。
SparkMe 利用 LLM 模拟对话推导,实现了半结构化访谈中主题覆盖与新兴主题探索的平衡,在实验中提升了 4.7% 的主题覆盖效用。 该多智能体系统通过优化效用指标生成问题,在 70 名用户研究中,被职业专家评为生成更高质量、更具适应性的访谈并发现基准未覆盖的行业洞察。 代码与评估资源已开源,解决了人工访谈员稀缺导致的定性数据收集扩展难题。
研究提出 Semantic Engineering 方法论及 SemTexts 机制,用于替代传统 Prompt Engineering。 该方法通过语义上下文注解将自然语言指令与程序实体关联,在七个 AI 集成应用上评估显示。 相比 Prompt Engineering,集成代码行数减少 5.46 倍,任务性能最高提升 1.83 倍。
研究提出 MAESTRO,利用视觉语言模型作为编码智能体编排感知、规划和控制工具,实现零样本机器人任务。该系统通过“计划-行动-重新规划”循环,在桌面和移动操作任务中匹配或超越最先进的 VLA 模型。研究证明扩展工具库及其编排框架是通往通用机器人的互补路径。