跳到正文
11月3日周二
  1. arXiv · AI33

    用于精神病医生高难度临床场景训练的状态感知虚拟患者模拟系统

    该研究提出一种状态感知虚拟患者模拟流程,用于训练精神病医生处理自杀意念、幻觉等高难风险场景。 系统通过行为策略选择器编排患者行为,结合患者状态与临床知识为 LLM 提供上下文,确保响应心理学一致性。 每次互动后系统自动分析交流并反馈,解决传统 LLM 驱动方案难以维持心理状态稳定性的问题。

  2. arXiv · AI21

    引入 ALPS:在长时程学习环境中通过短期规划实现对齐长期行为的学生模拟器

    引入 ALPS 分层学生模拟器,通过交替规划对齐画像的任务片段与生成动作,解决长时程交互中逐回合生成偏离行为画像的问题。 在数据充足和稀缺两种设置下评估,ALPS 在行为密度和画像一致性上持续优于逐回合生成,尽管在数据稀缺时覆盖率较低。 表明分层规划能够在有限真实数据下实现长时程、画像对齐的学生模拟。 ```

  3. arXiv · AI48

    MemHarmBench:评估记忆持久型 AI 智能体的跨会话提示注入

    MemHarmBench 发布,旨在评估记忆持久型 AI 智能体面临的跨会话提示注入风险,该基准重点考察攻击如何转化为实际危害。 评测涵盖用户、项目所有者及外部利益相关者,发现智能体常在任务正常完成时隐藏着符合攻击者意图的决策,缺乏可检测异常。 该框架弥补了传统攻击成功率指标的不足,系统性揭示了常规评估可能遗漏的安全漏洞。

  4. arXiv · AI32

    SPAR:多会话 B2B 销售中的经验驱动策略进化

    SPAR 提出自我进化框架,在 1688 平台 20 万+ 商家 A/B 测试中实现转化率提升 15.8%,高意向商家增长 35.8%。 该框架采用双循环架构,通过因果归因驱动策略假设演进,无需更新模型参数。 专家人类评估中 SPAR 整体销售质量获 4.62/5 分,为所有方法中最高。

  5. arXiv · AI50

    Zep Agent Skills:从验证轨迹自主编译与策划智能体技能的研究

    Zep Agent Skills 服务利用验证尝试编译版本化 Skills,在 banking 等基准上使三个较弱执行模型通过率提升 4.5 至 18.8 分。 系统通过 Reflector 与 Curator 角色转化轨迹,采用开放标准格式,经 API 或 MCP 支持词汇搜索与渐进披露检索。 在 ALFWorld 基准上,小模型编译的技能收益与或优于持续微调,且无需训练。

  6. arXiv · AI25

    CivicBench:面向基于网络城市数据分析的基准与记忆框架

    研究团队推出包含 400 项任务的基准测试 CivicBench 及 Task-State Memory (TSM) 框架,覆盖 4 个城市 2 年数据。 TSM 将工具观察编译为类型化断言,在兼容范围内调和记录并检索受限状态。在 9 个已完成模型对中,8 个的平均分差显著为正。 该基准与记忆框架使决策时刻记录可检查,提升城市数据计算验证能力。

  7. arXiv · AI20

    四旋翼无人机指派时间容错快速终端滑模控制与基于跟踪误差的扰动观测器

    针对四旋翼无人机在外部扰动、参数不确定及执行器故障下的控制难题,提出一种指派时间容错跟踪控制框架。该框架将系统解耦为位置和姿态回路,并结合三项创新技术:指派时间预设性能函数(AT-PPF)、基于跟踪误差的定时间复合扰动观测器(TFxTCDO)以及快速二阶终端滑模控制器(NFSO-TSMC)。

  8. arXiv · AI28

    Pulse: 长程任务中的流式个性化方法

    Pulse 提出一种流式个性化方法,通过独立的轻量级记忆智能体实时监控执行过程,识别新兴个性化需求并提供针对性干预。在 $\pi$-Bench 上得分 71.9%,在 MCP-Persona 上得分 46.4%,为对比方法中最高,同时提升了任务执行效率。 记忆智能体利用用户和项目记忆进行干预,并通过强化学习优化干预时机与方式,以提高个性化支持的及时性和准确性。

  9. arXiv · AI25

    MemSidecar 如何调度 LLM Agent 的长期任务记忆

    MemSidecar 将记忆调度与任务执行解耦,通过 Hooks 和 Foresight 两种模式降低 LLM Agent 的调度负担与执行延迟。 Hooks 在预设事件匹配时直接传递记忆,Foresight 则由独立 Agent 并行预测查询并缓存结果。 该方案在 MCP-Persona 基准上分别取得 41.23% 和 44.34% 的分数,提升了长期任务的执行效率。

  10. arXiv · AI20

    长程研究智能体行动构建的评估框架:阅读集设计与效率分析

    研究提出用于评估长程研究智能体行动构建的阅读集框架。在30个合成状态下,完整设计请求相较于行动名称基线,使两个模型族的负担得起的效率分别提升465.98%和327.91%。 构建的60场景数据集显示,场景级信息成本比与18名人类参与者的判断具有0.733的平均场景内相关性。该框架使设计规范与执行模糊性可衡量,为评估智能体将科学意图转化为预算可行的信息丰富实验提供了可复现基础。

  11. arXiv · AI25

    Trail:基于决策模型的本地智能家庭控制框架

    Trail 提出一种完全本地化的智能家庭控制框架,通过分层类型化决策替代开放生成,确保动作有效性并支持置信度弃选。在扩展的 HomeBench 数据集上,Trail 在 Trek-Robust 测试中达到 85.3% 准确率,显著优于微调 Qwen3.5-4B 基线的 69.8%。 该框架引入结构化记忆模块处理多轮交互,解决 75.6% 依赖前序轮次的请求,远超基线模型的 42.5%。

  12. arXiv · AI24

    迈向发现链式反应:Evolving Scientific Intelligence 架构蓝图

    论文提出 Evolving Scientific Intelligence (ESI) 架构蓝图,旨在通过共享可计算科学记忆消除证据碎片化,实现跨领域假设触发与验证链式反应。 ESI 联合选择候选假设与评估方法以兼顾价值、可靠性及成本,协调分布式节点物理测试,并通过慢速元控制修正目标以防自我强化错误。 该方案呼吁建设科学智能基础设施,将孤立发现循环转化为累积科学进程。

  13. arXiv · AI20

    确定性 LLM 审议中低边际分支点的白盒审计

    研究表明在贪心解码的五智能体委员会中,低边际 token 位置比高边际对照更敏感于局部干预。 研究者通过注入归一化相对残差位移,在十个生成 token 内测量首次转录分歧,发现低边际位置分支敏感度更高。 该研究为特定协议下的局部分支易感性提供了受控审计方法,但不估计部署频率或决策正确性。

  14. arXiv · AI38

    Skill++:通过路由感知技能精炼实现终身智能体

    Skill++ 提出了一种无需路由器训练或有标注数据的方法,仅通过重写传入技能的名字和描述来优化终身技能路由。 当技能库增长至 731 个技能时,Skill++ 在 76.3% 的查询中成功选择所有必需技能,远高于原始元数据的 36.4%。该方案在三个基准测试和五个 LLM 路由器上均优于所有对比方法,其增益也延伸至 Codex CLI 智能体框架。

  15. arXiv · AI46

    Exo: An Architecture for Self-Improving Systems at Runtime

    提出 Exo 智能体运行时架构,允许智能体在持续工作中安全学习并修订其 harness 和策略。 在开放世界游戏中,Exo 相较 Codex 和 Pi 减少 12-53% 的模型成本;在 AppWorld 和 SREGym 上,Exo 减少 35-61% 的保留集模型成本,同时保持相当的准确性。 该架构将优化循环折叠进任务执行,通过可检查的代码变更演化 harness,降低长期运行目标的成本。

  16. arXiv · AI38

    更强能力的 LLM 监控器如何区分奖励黑客攻击与诚实失败

    在 Llama 3.1 8B 代理的 60 个集数中,小型本地监控器未能有效区分利用尝试与诚实失败,预注册主要监控器的 AUC 仅为 0.64。 Gemini 3.1 Flash-Lite 在相同输入下达到预注册的 0.80 AUC 标准,但其对未命名利用的检测存在局限;8B 监控器在获取完整轨迹后能标记所有 25 个复现集,却常描述未发生的动作。研究团队已发布该环境、标签及预注册日志供参考。

  17. arXiv · AI23

    ParallACT:无编排器多智能体代码协同与通信基准

    研究提出 ParallACT 基准,测试共享代码库中无编排器多智能体协同。单智能体 Oracle 性能显著优于多智能体,互补任务表现尚可,但矛盾任务性能从 62% 跌至 16%(Claude Code 配 Claude Opus 4.8)。 仅告知智能体存在同伴帮助有限,提供通信通道虽能恢复少量性能,但会增加额外 token 成本,且该差距在六种配置中普遍存在。

  18. arXiv · AI31

    PatchScout:基于信息觅食的主题化网页数据收集框架

    PatchScout 是一个多智能体框架,通过平衡局部开发与自适应 patch 切换来优化主题化网页数据收集。 在四个实时网络主题实验中,该框架显著提升了收益率和领域覆盖率,优于遍历法和搜索增强推理基线。 在一个社会科学应用案例中,PatchScout 发现了 102 个先前未识别的实体,展示了其扩展现有主题数据集的能力。

  19. NVIDIA Blog21

    NVIDIA 与伙伴在全球城市扩展物理 AI 与智能体服务

    NVIDIA 正联合伙伴在全球多地城市部署物理 AI 与智能体服务,基于 GTC Berlin 宣布的举措扩大共享计算基础设施覆盖。 具体案例包括马德里使用 Nemotron 等模型处理市政事务,以及马来西亚 ITMAX 通过 RTX PRO 6000 GPU 支持超过 17,000 个摄像头,并于 2027 年前实现交通管理优化,减少高峰时段通行时间多达 26%。

  20. 美团技术团队85

    美团正式发布 LongCat-2.5:面向智能体任务的原生多模态模型

    美团正式发布面向长程智能体任务的原生多模态模型 LongCat-2.5,总参数量 1.6 万亿,每个 token 激活约 480 亿参数。模型在 2.0 基础上通过长序列训练、大规模长程强化学习提升复杂代码库开发与完整项目构建能力,并具备将视觉信号表示为多层级离散 token 的原生视觉理解能力,支持 Visual Coding、创意设计和 3D 等任务。

    推荐理由:美团给出了 LongCat-2.5 在 1.6 万亿参数规模下的工程化方案,读者可据此了解长程智能体多模态模型的训练与推理路径。

  21. Claude Code Releases20

    Claude Code v2.1.317 发布

    Claude Code v2.1.317 发布,新增 /schedule 连接器警告及未授权网络请求拦截。 修复了 LLM 网关 403/422 错误、MCP 服务器断连及磁盘满导致的退出码异常。 新增 anthropic.* OTel 指标及网关管理 API 成本报告,支持按开发者或 IdP 组分析。

  22. AWS Machine Learning Blog31

    Circle K 利用 Amazon Bedrock 将 DevOps 事件分诊缩短至 15 分钟以内

    Circle K 基于 Amazon Bedrock 构建自动分诊系统,将平均分诊时间降至 15 分钟以内,效率提升 67%–75%。 系统采用 Agentic AI 架构,利用 Bedrock Flows 及 AgentCore 自动检索日志并生成 Slack 摘要。 此举让值班工程师即刻获取可操作上下文,免去了手动排查 45–60 分钟的操作。

  23. AWS Machine Learning Blog67

    Amazon SageMaker AI 通过序列级知识蒸馏构建高效 Agent 教程

    本教程演示了使用序列级知识蒸馏 (SeqKD) 在 Amazon SageMaker AI 上微调购物 Agent。使用前沿教师模型 (GLM-5.3) 生成多步轨迹并过滤,通过有监督微调在服务器上训练 Qwen3.5-4B 学生模型。微调后的 4B 模型在保留推理链的情况下,将绝对成功率从基座的 0.297 提升至 0.541,接近教师模型水平。

    推荐理由:展示了如何仅用教师模型文本输出构建数据集并微调4B学生模型,保留推理链可将任务成功率从41.5%提升至54.1%。

11月2日周一
  1. 豆包工作20

    凯迪仕利用豆包工作实现 200+ 商家营销提效

    凯迪仕引入豆包工作自动化处理 200+ 商家营销流程,两位运营即可支撑全链路活动。门店资料自动上传认领,脚本分发耗时从 2 天缩至 2 小时,视频批量剪辑约 30 分钟交付成片。重复操作由 AI 承接,运营得以专注于内容打磨,营销响应速度显著提升。