AdMem:面向长程任务智能体的期望接地程序性记忆方法
AdMem 通过引入按行动信用分配和记忆生命周期,解决了朴素累积跨任务经验反而降低性能的问题。在 AgentBoard 八个领域 707 个任务中,AdMem 解决了 441 个,显著优于 ReAct 的 388 个。该方法无需环境奖励,使记忆库可审计但存在被攻击的风险。
AdMem 通过引入按行动信用分配和记忆生命周期,解决了朴素累积跨任务经验反而降低性能的问题。在 AgentBoard 八个领域 707 个任务中,AdMem 解决了 441 个,显著优于 ReAct 的 388 个。该方法无需环境奖励,使记忆库可审计但存在被攻击的风险。
提出 BiGSyn 双层异构图对比学习框架,用于可解释药物协同预测。 利用异构图 Transformer 提取高阶依赖,通过双层对比学习目标弥合跨层级语义差距。 在两个基准数据集上一致超越 SOTA 基线,注意力机制揭示驱动协同的关键分子子结构。
提出Dynamic Shaping方法,通过获取响应与偏导数接口,在冻结的预训练组件上构建可执行神经架构。 利用近端策略优化学习接口,在ViZDoom Basic测试中,联合构建成功率为295/300,实现了无参考控制器的首任务获取。
PBit1 将预训练网络每个参数映射为一个可编程 p-bit,12-bit 指令设定其概率,通过共享仿射范围映射至权重域,并以时间观测重建权重用于推理。 在 GPT-2、DistilBERT 和 LFM3-1.7B 上,转换所有可学习标量且无微调,困惑度分别增加约 0.66% 和 0.26%,DistilBERT 准确率从 87.51% 变为 87.49%。
ToolGraph 将工具依赖编译为有向加权图,用于估计目标条件下的动作价值 Q(s,a,g)。 在两个基准和三个骨干模型上,基于 LLM 的估算器在平均 8.3 分上超越 PageRank 检索,因为纯结构估算器无法区分错误参数。 该研究发表于 NeurIPS 2026 的 PTA 研讨会,强调了读取具体状态对多步价值组成的必要性。
研究表明,对流匹配模型速度场施加 $k$ 阶导数惩罚,在 $2k > D$ 条件下可确保 $D$ 维经验学习问题在时间上均匀适定。 实验在 1 至 2 维空间验证,使用样条离散化速度场并配合直接求解器,结果显示 Hessian 正则化流的误差远低于无正则化情形,且优于或接近核密度估计。 该正则化策略有效解决了数据分布附近的问题不适定性,显著提升了生成模型的泛化性能。
VAHBench 评估智能体将用户请求转化为完整视频的能力,通过 48 种配置下的 240 次运行测试发现,视频生成的高质量分数并不等同于交付的完整性。 测试显示,缺失剧集、重复片段和静态填充物揭示了生产过程与用户要求之间的差距,添加的构图工具虽有帮助但未能一致提升性能。
SLiDE 是一个受 Koopman 启发的架构,通过潜空间中的学习线性算子近似非线性系统演化。该模型包含历史编码器和共享线性滚动模块,强制编码与预测使用共同的线性递推。
EVIDENT 是一个包含 220 项真实任务的新基准,用于评估 GUI 智能体决策是否基于可观察证据。 通过 TSR、ESR 和 GSR 三项指标区分表面任务完成与证据基础成功,实验显示在上下文和视觉任务中两者存在显著差距。 该工作揭示了当前评估方法可能高估智能体可靠性的问题。
论文提出基于 CVaR 对偶表示的决策导向学习框架,在保留点预测和确定性优化的同时实现风险敏感行为。 该方法利用熵正则化推导平滑代理,通过 SPO+ 损失在实例级重加权以强调高风险结果。实验显示在背包等组合优化问题中显著降低了尾部后悔值。
LLM Agent 首次应用于 SMT 求解器配置调优,基于 cvc5 记录 4,545 次提案。 在 2026 和 2025 SMT-COMP 验证基准中,未训练数据几何均值增益分别为 7.8% 和 6.8%。 Agent 引导的调优能让成熟求解器特化,实验证据积累可指导持续搜索。
summary_zh: Spectral Steering 通过结合请求特定的余弦增益预测器与阻尼逆修正,改进了冻结扩散生成器在修改部分输出属性时保留其他属性的能力。
该基准测试通过幂次序列控制变量,评估16个开放权重模型在纯演绎、干扰及矛盾检测上的表现。 纯演绎链长至L=128时多数模型接近饱和,但面对不一致前提时表现最低,24B-27B指令微调模型得分为零。
FinVerify 是基于证据验证金融智能体数值声明的框架,在 Agent Finance Reasoning 数据集上将声明精确度从 56.4% 提升至 76.7%。 该框架定义五类错误并采用 LLM 结合 Z3 求解器进行验证,在 XBRLFiling 数据集上达到 99.8% 的声明精确度和 97.0% 的决策准确率。 研究表明显式的证据验证能提升可靠性,但存在正确率与拒绝率之间的权衡。
论文针对有界Lipschitz连续源逆深度场,刻画了有限采样下的首次命中深度集合,证明了其可能不连通,并提出了共享场景的充要性检验。 基于标量锥不等式的极线减少方法无需枚举表面,在rectified模型中给出了尖锐最坏情况逆深度直径的理论界,并通过十场景评估区分了求解器正确性与假设失效。
研究表明,视觉输入未使视觉-语言模型(VLM)更诚实,其遵循激励的程度取决于读数是否显式化及输出顺序。 实验涵盖 15,170 次试验,覆盖 Qwen2.5-VL、InternVL3、Gemma 3 等 4 个模型,发现添加文本真值可消除偏差。 该研究揭示了纯文本评测与均值偏移指标的盲点,已提交 IEEE 发表。
在两座燃气电厂部署的控制系统显示,采用VLM从PDF重建拓扑的提取精准度仅为0.51,且在4块H200 GPU上耗时3.1小时。 后续测试表明,将LLM工具调用代理替换为显式执行计划后,token使用量降低20倍,中位延迟缩短3倍,且检索节点集保持一致。 该设计将本地LLM限制在意图分类和解释上,利用确定性软件处理基于权威来源的技术证据检索与构建。
针对智能体重复失败动作及误信自身成功的问题,该方法构建了包含联想矩阵与有序步骤记录的双部分记忆系统。 仅由外部验证(测试、工具或人工)确认的结果才计入学习,代理自身声称成功不被采信。 模拟显示,引入外部验证后机器人任务解决率从 35% 提升至 79%,10 万条记忆检索耗时 16ms。
提出 Func-JEPA 架构,预训练数学函数编码器,其潜在空间模仿 Sobolev 空间 H^1 且导数作为学习潜在算子。 规范范数由函数精确计算,方向学习匹配 Sobolev 角度;冻结编码器复用于解码、组合、积分及回归任务。 f-JEPA 从噪声样本恢复精确公式的频率高于符号回归方法,但计算机代数在标准基准上更强。
针对 SAM 泛化机制,本文提出“统计重放”诊断方法,通过局部窗口均值和标准差重放扰动。在 ResNet 18 和 CIFAR 10 实验中,纯重放未能复现 SAM 验证精度,混合重放可接近其性能但未复现训练动态。结果表明,多种简化解释被削弱,但 SAM 的核心机制仍未完全解释。
HARMONIX 框架揭示了局部有效的决策未必能维持人类决策中的上下文关系。 该研究利用 19,745 条记录进行实验,发现综合约束在稳定结构中提高约 5 个百分点的根音程一致性,但在转调跟踪情境下降低近 9 个百分点。 这一结果证明可解释约束可能引入被整体准确率指标掩盖的系统性失败。
研究揭示学习规则控制 Grokking 过程中的电路大小,通过统一信用分配条件,可将从层神经元 60% 扩展至 99% 参与电路。 Nero 优化器因逐神经元归一化实现电路分散,而 Adam 等保留紧凑电路;分散电路抗删减性强,紧凑电路剪枝效率及特征重组任务迁移速度约快 2 倍。
Qwen3-4B 通过自提议 Lua 5.1 程序并经解释器标注进行训练,在后续 2340 项新考试中准确率从 8.3% 提升至 16.7%。该流程分三轮增加数据量,累计 3300 条程序;在 27B 智能体及仓库任务上未观察到增益。
该方法在学习世界模型潜空间使用逐次凸化规划,将离散时间控制屏障函数作为约束,比 MPPI 和 CEM 违规更少。 模型由平滑 MaxMin 激活和谱归一化层构建,在 Safety-Gymnasium 任务中比采样规划器更安全且收敛更稳定。 该方法能报告每步规划是否为 KKT 点,代码已公开。
Query-ATLAS 框架利用 LLM 在分布式系统中引导符号搜索,实现了跨客户端共享方程的识别。 在 72 个设定中,该框架取得 64 次验证通过和 64 次分布内通过,优于固定工作流的 62 次和 59 次;两者在分布外测试中均通过 47/60 项,且固定工作流保留了更低的误差和成本。 研究指出更广泛的查询覆盖是潜在优势,推动了对任务感知工具选择和客户端感知拟合的关注。
GEM-MM 通过熵引导偏好对齐减少视觉语言模型(VLM)幻觉,基于 Qwen3-VL-4B-Instruct 在 3000 个提示预算下取得最佳熵深度偏好分数 61.7%。 方法采用组归一化策略梯度,奖励高熵推理分叉并惩罚不确定答案,将 AMBER 幻觉率从 23.4-24.0 降至 20.6。 代码与评估框架已开源,统计显著性检验 p 值小于 0.001,确认了主要消融实验结果。
针对深度循环模型在自回归解码中内存随深度增长的问题,研究提出结合架构调整与缓存共享以降低内存成本。 具体包括构建循环混合架构、Parcae 风格专用循环工作区,以及引入循环 KV 重放机制,仅允许选定迭代写入 KV 状态供后续复用。 研究发现循环混合架构对注意力锚点频率和循环混合器性能敏感,且循环 KV 重放能在保持性能接近全量缓存基准的同时实现跨迭代共享。
RISE 通过从静态子图转向全规模交互式数据库,解决了现有结构化环境预过滤导致的测量偏差问题。 方法包含决策空间扩展与学习前沿扩展两条轴线,在 19 个基准和 3 种模型基座上进行测试。 结果显著提升领域内及未见模式的知识图谱推理能力,并实现零样本开放领域检索迁移。
研究提出利用从智能体读取轨迹中提取的字段级依赖图谱,以平衡事实变更时决策修复的可靠性与成本。在120个工作流的受控基准测试中,轨迹衍生图谱降低了决策审查量,但遗漏替代支持可能导致完整计划正确率下降。
研究显示,Claude Sonnet 5.5 和 GPT-6.1-Sol 在忽略窄峰数据的 32 次闭环测试中,采样频率低于随机搜索。 严格遵循模型分歧的代理在全部 32 次测试中均漏掉窄峰,早期探测未测间隙并跟进异常则能实现发现。 仅测当前模型分歧区不足够,提出指向未测区域的新问题是 AI 在假设链中发现的关键。
MAPS 是首个结合街景图像的结构化 POI 提取与数据库维护框架,在人工评审的全任务评测中比最强基线模型高出 21.8%。 该框架包含 SPICE 和 RIMA 两个级联模块,已部署于 Kuaishou 的大规模 POI 生产线,将平均处理时间较人工标注减少 76.9%。
SMELL 框架在 16K 上下文长度下,将峰值内存消耗较传统微调降低 88.35%,较 forward-only LoRA 微调降低 13.25%。 该框架集成 LSFA、CASC 和 CPUR 机制,实现内存高效的本地适配、异构感知稀疏协调及轻量级更新传输,在 OPT-350M 和 LLaMA2-7B 实验中验证了其在非 IID 设置下的性能提升。
基于覆盖 63 个国家-作物数据集的 CY-Bench 基准测试,特征工程机器学习与表格基础模型在整体预测性能上表现最强。 数据驱动模型在种植玉米的 72% 国家及种植小麦的 78% 国家降低了 NRMSE,中位降幅分别为 8.8% 和 11.9%;空间预测难度显著低于时间序列和异常预测。 研究成果已被 KDD '27 接收,有助于改进粮食决策、预警及粮食安全规划。
P2C 智能体框架将生物系统文本描述转化为类型化形式约束,用于在数值拟合前限制候选 ODE 结构。 在急性炎症和免疫调节的四个 ODE 系统测试中,加入 Text2Constraint 将干净数据的最大形式误差从 1.397 降至 0.499,高斯噪声(σ=0.1)下从 13.096 降至 1.095。 该方法在测试噪声范围内优于多个 LLM 基线,显著提升了稀疏噪声生物数据下的方程发现能力。
研究显示,后门语言模型的触发器仅通过权重即可被识别,无需运行模型。 该方法利用静态统计读取细调检查点,无需数据、标记毒化模型群体或预先知道后门存在,即可将触发短语中的一个词元标记为词汇表中的最高候选项。
论文提出 AI 智能体应对执行中断的最优策略,基于有效中断深度的阈值决定修复、重新规划或放弃目标。 模型显示单次故障需重新验证 1+R(G)/n 个动作,串行计划在原始损伤约为并行计划 w 倍时切换至重新规划。 数值检查器通过 160 万次静态模型评估验证命题,零违规,且复现基准测试的区间翻转。
DH-BPR 框架结合 LLM 与规则技术,通过事件日志自动检测并应用业务流程再造启发式规则,最终输出优化后的 BPMN 模型及资源模型。 该框架实现了从用户驱动向数据驱动的转变,支持联合设计与记录应用计划。基于合成基准及两个真实事件日志的模拟评估显示,该框架将平均案例完成时间最多缩短 61.5%。
研究团队提出 NetBreaker 基准,旨在评估学习时代网络拆解算法的性能。该基准整合 30 种方法(18 种非学习、12 种学习)并在 8 个统一领域的 185 个网络(节点数 14 至 1.69 百万)上测试,通过统一执行协议将异构输出转化为节点移除序列进行评估。
审计发现 SmellNet 在未知成分组合识别中存在严重协议缺陷,四种架构模型在获知成分数量的协议下,90-96% 的混合样本被错误识别出不存在的成分。 官方测试集上,二元混合物中排名第一的成分准确率仅为 29-46%,且模型对训练集高频成分存在偏好,导致错误分布在所有架构间高度一致。 该研究表明识别瓶颈源于成分混淆与频率偏差而非模型架构,建议采用集级错误指标并移除先知数量进行评测。
研究人员提出针对社会部署 AI Agent 的行为一致性评估框架,通过标准化测试电池测量行为差异、一致性及漂移。 该框架沿五个可测量轴操作化 Agent 行为,覆盖六种社会敏感交互场景,利用受控 persona 配置作为实验锚点验证行为差异的持久性。 此工作将焦点从 persona 设计转向行为保证,为评估 AI Agent 是否在用户遭遇的各种情境中按预期一致且可测量地运作提供了基础。