LLM 智能体授权机制的审计:跨模型、执行框架与工作流层级的实证研究
研究形式化了拒绝安全性与有界授权完整性,针对3个模型、5种提示策略、4种运行时审批设计等配置,审计了模型选择、执行框架调度及工作流路由三个执行边界。 实验发现300次批准中有7次未完成,并行确认导致每个模型在3个任务中丢失已批准分支,336/672个CrewAI批准被遗漏,且59个n8n工作流中有4个在拒绝后仍执行。
研究形式化了拒绝安全性与有界授权完整性,针对3个模型、5种提示策略、4种运行时审批设计等配置,审计了模型选择、执行框架调度及工作流路由三个执行边界。 实验发现300次批准中有7次未完成,并行确认导致每个模型在3个任务中丢失已批准分支,336/672个CrewAI批准被遗漏,且59个n8n工作流中有4个在拒绝后仍执行。
研究提出 Facto 自监督语音分词器,通过分解静态与动态信息提升 token 对噪声扰动的鲁棒性。 方法基于线性分解处理未见说话人,理论分析了收敛与扩展特性,并验证了其在 TTS 和语音转换任务中的性能提升。 代码与模型检查点已开源发布。
研究者提出名为CompoundingKernel的自改进Agent系统,能通过搜索编写GPU内核。截至2026年11月11日,生成的内核在SOL-ExecBench公开的L1、L2和量化板上排名第1,比基准参考基线快4.40倍。
研究提出SLICES框架,用于在共享临床设置下对比评估ICU时间序列的自监督学习方法。该框架基于MIMIC-IV和eICU-CRD数据集,固定使用Transformer编码器和24小时输入,涵盖MAE、JEPA及对比学习等参考实现。
研究发现,通过有限预算更新参数化语义记忆,Agent 可在引入新事实的同时保留旧信息。 使用冻结的 4B 语言模型配合 LoRA 微调,随着更新预算从 8 增至 32,联合成功率从 6.25% 大幅提升至 94.79%。 该机制有效解决物理 AI 系统在场景配置变化时的记忆冲突问题。
研究者提出 Self-Improvement Memory(SIM),在四个领域实验中,跨数据集与跨模型场景下最终得分高于仅用 harness 或根因的延续方法。 SIM 按 recurring harness problem 归组编辑,记录 rationale、预测与实际结果及评估上下文;十次独立 coding 源运行中,配对延续平均最终得分提升 2.36 分($p=0.003$)。
论文提出 Mem2Fair,一种即插即用的框架,通过维护概念条件化的公平记忆在推理时提升文本到视频(T2V)生成的公平性。 该框架利用生成视频作为反馈,基于属性干预选择提示词,无需模型训练或独立部署前采样,可在多个属性、提示设置和目标分布上持续改善公平性,并保持与未修改生成器相当的提示-视频对齐和视频质量,同时支持在商业黑盒 T2V 模型上运行。
针对贝叶斯优化中代理-采集配置选择依赖问题状态的情况,提出任务无关的 LLM 驱动元控制器 STaSBO,将数值计算与策略规划解耦。 STaSBO 包含策略规划与配置选择两阶段,利用结构化记忆优化轨迹。在 12 个合成数学及 10 个工程任务中,平均排名 2.17 和 2.60,优于最强基线的 4.08 和 4.10。
该框架 SPG-Select 通过 MIRT 推断多维度特征,优化了 LLM 智能体的练习预算分配策略。在 ALFWorld 和 WebShop 测试中,SPG-Select-R 的留出终端成功率比均匀采样高出 0.93-13.18 个百分点。该方法为非平稳技能需求下的任务选择提供了理论保证,实现了智能体技能的持续进化。
研究发现扰动不一致性、语义熵和解长度等置信度信号与群体问题难度呈强相关,优于 token 级不确定性。 即便限制在模型答对的问题子集,这些信号仍表现出难度区分能力,可作为推理时决策的代理指标。
Qwen2.5 在药物文献中展现适应症与禁忌症的记录不对称(LABEL),574 种药物中适应症提及频率约为禁忌症的 2.19 倍。 Qwen2.5 从 0.5B 扩容至 14B 时,适应症准确率提升 18.3 个百分点,而禁忌症准确率接近随机猜测;提供检索片段或路由至 FDA 标签可显著改善安全性问答效果。
该论文提出因果跨层自愈边缘 AI 框架,解决资源受限 IoT 设备中感知、推理、硬件及能耗耦合问题。 框架同步观测传感器健康、推理不确定性、硬件性能计数器等多源遥测,利用时间感知因果推理引擎定位异常根源并量化诊断不确定性。
多智能体框架 FundingClaw 基于模板驱动技能选择,使单一研究简报可为 NSFC、NSF、KAKENHI 或 ERC 生成合规申请。 采用蓝图骨架策略先起草结构化大纲再撰写正文,通过多源验证 PI 记录及可选 PDF 提取代表作,在十个研究主题的八维评分中优于基线模型。 代码将在论文被接收后发布,旨在降低基金申请中重复性格式转换的人工负担。
研究者通过微调预训练文本嵌入模型,基于拍卖记录学习并设定在线拍卖的最优保留价。 在约 65,800 个二手车拍卖数据上,该模型预测的净利润较现行政策增加 14.6%。 该方法无需预先构建产品分类体系,适用于需求信息记录在文本中的异质产品市场。
AGPV 在五个数学推理数据集上实现平均准确率 63.8%,较最强基线提升 13.5 个百分点。 该方法将解题分解为关键声明序列,结合共享数学工具箱与完整性验证,证明了在覆盖充分时的正确性保障。 评测涵盖 DeepSeek、Qwen 及 GPT 四个模型,显示 AGPV 的修复覆盖率高于程序化验证基线。
针对 NVFP4 精度不足,研究提出梯度引导量化方法 FlipQuant。 通过端到端梯度学习二进制格式映射,支持 SM100 硬件原生内核,GEMM 开销中位数为 1.7%。 在 6 个语言模型测试中,FlipQuant 平均闭合了 NVFP4 与 BF16 之间 42.5% 的困惑度差距。 ```
Qwen3.5-27B 在 5 个合成聚类场景中表现良好,其智能体循环产生的 silhouette 分数接近网格搜索,但迭代次数大幅减少。 实验分为三步:区分最优聚类、为可视化结果打分,以及通过 VLM 调整 k-means 超参数。 研究证实 VLM 视觉反馈可自动调优聚类算法,但在噪声和模糊设置中表现挣扎。
研究者构建 3200 个生成式智能体模拟 PIAAC Cycle 2 受访者,发现成年人普遍支持加拿大“AI for All”战略但对其个人效益信心不足。 智能体指出差距源于参与成本和社区控制权有限,且数字设备使用率越低,预期获益感越弱。 研究提出“有条件支持”模式,建议 AI 素养政策应面向数字技能最弱的成年人设计。
Meta 部署的 CLEAR 推荐架构将用户偏好转化为可检查、可修改的自然语言兴趣层,取代不可见的向量表示。 用户评价约 88.5% 的显示兴趣准确;离线测试中 3B 专用生成器 F1@10 达 0.3967,优于 Gemini 2.5 Pro。 该系统已在 Instagram 和 Facebook 运行超一年,支持用户对推荐兴趣进行纠正和引导。
SART 通过建立形式可缩减性准则,打破不稳定 ReLU 神经元与二进制变量的一对一映射,使每个不稳定神经元平均对应少于一个二进制变量,从而在源头降低验证复杂度。
研究者提出利用定理演化图(TEG)引导 LLM 智能体生成数学猜想的方法。该智能体通过构建 TEG 识别定理间的依赖关系,LLM 评判员及数学家专家更偏好 TEG 生成猜想的显著性与洞察力。
提出ECOD方法,在ALFWorld和WebShop基准上,使用Qwen2.5-1.5B和7B模型时,将标准OPD的相对成功率提升最高4.06%。 通过在任务、轨迹和回合层面分配教师监督,ECOD在ALFWorld未见任务上实现6.20%平均相对增益,WebShop增益介于2.29%至21.60%。 该机制可作为跨不同蒸馏目标的可复用监督分配方法。
一项跨19所大学、7200名学生的随机对照试验显示,由一线教师设计的AI创新显著提升了学生的AI防作弊评估成绩。该试验持续三个学期,结果未显示学生参与度或满意度发生明显变化,表明一线驱动且赋予教师设计权的AI应用能有效促进学习。
推荐理由:原文展示了由一线教师主导设计AI对学习效果的具体改进,读者可据此评估高校AI应用模式。
开源模型 Beveridge 发布,支持 System One 快速决策,权重代码以 Apache 2.0 开放。 Beveridge-Large-C 参数量 398M,单次前向传递输出校准概率,H200 GPU 上响应 4.9 ms。 在运营文档基准测试中准确率达 93.0%,可自动处理 76% 的决策且准确率为 95%。
研究探讨临床变量在基于双参数MRI诊断临床显著性前列腺癌AI系统中的作用,基于权重固定的PI-CAI-2B模型添加43项临床变量。 数据涵盖4,540名患者的6,022个MRI病例,4,834个病例用于内部测试,主要终点为内部测试集中AUROC差异,并在5个外部队列验证。
研究提出假设/保证契约(AGC-MAS)与迭代异构分配(IHA-MARL)框架,通过定义契约元组规范子任务假设与保证,实现异构智能体间的协作与替代。 契约包含自动机、超时及成功概率要求,分解算法将团队任务拆解为契约,迭代算法交替执行任务分配、训练与能力评估,直至团队成功率达标。
MeltKV 提出内存对齐变比特打包向量量化框架,用于压缩长上下文 LLM 的 KV 缓存。 该框架通过自适应分配分组 Key 通道的比特宽度并共享 Head 级码本,将 KV 表示压缩至 sub-4-bit 至 1 bit 水平。 在可比困惑度下,MeltKV 较 SOTA VQ 方法降低 48.1% 内存使用率和 52.9% 推理延迟。
研究团队提出 Partial-Order Likelihood Policy Optimization (POLPO),利用帕累托主导解决多验证器场景下的策略优化难题。该方法扩展了直接偏好优化的列表似然,无需构建聚合标量奖励,直接学习验证产生的比较关系。在代码生成与指令遵循实验中,POLPO 展示了比标量奖励训练更高的学习效率及完整需求满足率。
RSIMed-27B 在罕见病诊断中准确率随计算量线性增长,无外部模型辅助下达到 0.516 诊断准确率。 优于 GPT-5.6 最佳设置的 0.399,且推理成本仅为后者的 1/38;自生成任务训练效果优于 GPT-5.5 等外部教师生成的任务。
SpecRelay 提出边缘-云 LLM 推理系统,通过异步验证和 Latency-Aware Router 优化 RTT 开销。 在 250 ms 额外往返延迟且精度匹配的情况下,相比同步基线,SpecRelay 在 SPROUT 和 OlympiadBench 上实现 1.95x 和 1.55x 吞吐量提升,同时仅将 47% 和 39% 的查询发送至云端。
Minari 是一个开源 Python 库,专为解决离线强化学习中数据集格式不统一、难以共享及环境代码更新后无法再生等问题而设计,旨在简化协作强化学习数据集的创建、分享与加载全流程。
FedFit 提出基于 Fisher 信息矩阵的联邦动态稀疏训练框架,显著缩小稀疏与密集模型间的准确率差距。 该框架利用损失景观的二阶近似替代幅值启发式,在无显式 Hessian 计算开销下实现高效结构调整。 实验显示其在 CV 和 NLP 基准上优于 SOTA 方法并保持高通信效率,代码已开源。
针对生成式 AI 安全基准常被引为主要风险工具却难以满足现实评估需求的现状,研究者访谈了 5 名学术界与工业界的 AI 安全基准开发者。 研究发现,基准设计预期效用与实际部署评估效用存在脱节,主要障碍包括安全构念的评分者间信度难以达成,以及外部效度威胁应对策略缺乏清晰度。 研究主张安全基准必须基于并主动融入部署环境,并建议建立学术界与工业界利益相关者之间更透明的沟通路径。
HiMX 提出混合尾数框架优化 4-bit 权激活量化(W4A4)LLM 推理,将 Qwen3-8B 平均端到端精度损失从 2.38 降至 1.77。 框架利用 S1P2 与 E2M1 互补特性,针对不同分布权重和激活优化量化,实现统一整数 MAC 阵列。 该异构尾数表示方法在 Qwen3-30B-A3B 上将精度损失从 2.23 降至 1.85,展现 W4A4 推理潜力。
针对博世(Bosch)25 种产品配置在五年内的域增量学习难题,结合持续机器学习与鲁棒优化可提升维护模型性能。 实验表明该方法在预测性能和维护成本上优于微调、在线学习等基线,相关成本指标降低超 40%。 结果证明在无法保留全部历史制造数据且产品组合不断扩展时,持续机器学习对维护决策支持具有实际价值。
提出通过合并 Vision-Language-Model 与 Vision-Language-Action 参数来对抗微调导致的灾难性遗忘。 具体方法是提取任务向量并经 SVD 分解,学习标量混合系数以优化保留 VLA 适配比例。 实验显示合并模型在动作预测与视觉语言理解上均优于现有基线,已获 EACL 2027 接收。
针对小样本临床数据,冻结预训练多模态嵌入结合统计池化和经典模型在9项量表平均$r=.406$,显著优于深度学习。 具体实验使用106个会话和88名患者数据,症状困扰量表$r$达$.490$,而优化后的单阶段深度模型仅$.222$。 该结果建议在数据稀缺场景下避免学习聚合方法,采用固定统计池化以提升预测可靠性。
提出 SPLICE 统一 NLO 框架,将优化建模为受限组合搜索,解决全局重写不安全等失败模式。 该框架通过块级可变性保持契约文本,结合精英束搜索及长度正则化,提供形式化保证。在七个公开基准上,SPLICE 在四项中获胜,其余三项与最强先前方法持平。
研究揭示六层 Mamba 模型在金融时间序列中识别市场状态的 F1 分数从 1.00 降至 0.398,证实此前完美结果系标签泄漏所致。 控制协议移除了定义标签的输入特征及辅助分类头,剩余选择性门控效应虽统计显著但经济意义可忽略,且跨层均匀分布。 该研究提供了可复现的泄漏控制协议,量化证明已报告的市场结构是标签污染产物。
DECOUPAGE 提出一种由剧本驱动的长形式多镜头、多角色音视频联合生成框架。该模型基于联合扩散架构,通过双调度时间交叉注意力机制实现视听时序解耦,支持 15-60 秒生成的多模态一致性控制。