规模条件下评估 Agent 记忆:当存储证据停止可用
研究提出规模条件评估协议,检验无关会话累积下 Agent 记忆证据的可用性。 在 LongMemEval 上,HippoRAG 维持双调用预算但可靠性损失 16-20 个百分点;LiCoMemory 表现因 Qwen3 模型版本而异。 该研究被 NeurIPS 2026 接收,支持构建依赖智能体、界面和规模的记忆声明框架。
研究提出规模条件评估协议,检验无关会话累积下 Agent 记忆证据的可用性。 在 LongMemEval 上,HippoRAG 维持双调用预算但可靠性损失 16-20 个百分点;LiCoMemory 表现因 Qwen3 模型版本而异。 该研究被 NeurIPS 2026 接收,支持构建依赖智能体、界面和规模的记忆声明框架。
AEM 提出无监督信用分配方法,通过自适应调节熵动态平衡探索与利用,将熵动态分析从 token 级提升至 response 级。 在 ALFWorld、WebShop 和 SWE-bench-Verified 上,使用 1.5B 至 32B 模型实验显示 AEM 一致提升 RL 基线,在 SOTA 软件工程 RL 框架中带来 +1.4% 增益。
研究提出无政策依赖性指标以量化语言模型 Agent 的探索与利用错误。评估 35 个前沿 LM Agent 发现,$\log$ 探索和利用错误与任务成功率呈强相关,$R^2$ 分别为 0.885 和 0.875。
INTERPOL 框架通过插值偏好学习显著提升 LM Arena 去匿名化准确率,克服现有方法的局限。 该框架利用模型插值合成困难负样本,并采用自适应课程学习策略以捕捉深层风格模式。 实验表明其性能远超现有基线,排名操纵模拟证实了对实际投票排行榜的严重威胁。
PRISM 是一种将决策论门控与双过程推理结合的新框架,专用于主动智能体。 该框架通过校准概率阈值控制干预,并在模糊案例中调用慢速模式,使用门控对齐蒸馏训练。 在 ProactiveBench 上,PRISM 将误报率降低 22.78%,F1 分数提升 20.14%。
研究提出层级智能体归约(HAR)管道,结合 LLM 推理构建可检查的跨事件关系图,并评估其与市场价格的对齐程度。 基于 8 个月 Kalshi 目录及 30.3 million 笔交易数据,HAR 管道在完全样本及留一法下,其识别出的关系显示比匹配对照具有更高的显著 Pearson 价格变化相关性,且中等或高强度关系表现更佳。
WxCrop 是首个通过因果分析结合天气与农业信息可靠预测作物损失的智能体,在佛罗里达州针对飓风、冻害和干热进行了验证。 该模型利用保险记录校准损失模型,飓风指数检测 AUC 达 0.98,历史损失复现误差在 2% 以内,县级排名相关系数为 0.63。 智能体可向政府、农户和科学家提供每个作物组损失占预期季节价值比例的溯源数据,以快速应对农业灾害。
Gym-Anything for Robotics 框架引入代码智能体自动构建机器人模拟环境,并发布了包含 25 个测试和 175 个训练环境的 RoboWorld。 即使最强前沿模型在所有 RoboWorld 测试任务中的平均奖励仅为 0.06,但通过引入在上下文学习和特权教师等方法,模型性能得到显著提升。 作者已开源该管道、RL 环境和基准测试以促进后续研究。
TaskFrame 提出分层规划-控制框架,通过 GRPO 优化任务规划器并连接帧级键鼠控制。 规划器将目标分解为原子指令,其隐藏状态作为目标嵌入复用;因果 Transformer 控制器结合观测预测离散动作与连续相机运动。 实验显示,TaskFrame 在 Minecraft 闭环评估中的战斗成功率优于基线。
MASCAL 提出让多智能体系统中的代理通过学习输出答案正确性概率,将该校准概率在任务交接中传递给下游代理,为其决策提供量化依据。 该方法结合任务性能与置信度校准进行强化学习优化,并引入置信度感知加权机制,在三个跨 Web 检索与推理的协作架构中验证了其在任务准确性与校准质量上的提升。 最终输出的校准概率支持选择性作答与针对性复核,实验证实其能泛化至更深的协作链及不同模型规模。
Amazon 推出 Sandman 沙箱服务,用于支持生产级 agentic 强化学习工作负载,每个沙箱均为挂载小型守护进程的 Kubernetes pod。 在规模测试中,Sandman 支持 11,858 个并发微型沙箱;2026 年 10 月四场 SWE-bench Verified 训练共创建 3.1 million 个沙箱。
研究评估了 Agentic Systems 在车辆异响检测与超材料设计两项声学应用中的表现。 弱模型的性能瓶颈无法通过 harness 设计克服,只有模型能力达标时设计选择才生效;Agent 在指定频率范围内可靠找到满足插入损耗的超材料设计。 结果阐明了 Agent 各组件的贡献机制,指导声学任务的 Agent 设计。
ZEST-Search提出一种无标签、工具高效的搜索智能体训练框架,通过异构共进化实现性能提升。 该框架使用非标签参考问题在线构建验证任务,并采用中间难度奖励与工具感知奖励优化任务难度与搜索效率。 实验表明,在七个通用及多跳问答基准上,ZEST-Search在无需专家轨迹的情况下显著提高了搜索效率。
研究人员开发了基于本地开源权重LLM的无训练多智能体系统EpidemIA,允许用户通过自然语言对话调用专家编写的流行病学模型进行预测和统计分析。该系统运行于单GPU工作站,在博洛尼亚IRCCS Sant'Orsola急诊科数据集上验证了可行性,证明了LLM技术能帮助克服复杂动态模型学习曲线陡峭的障碍。
LLM Agent 在 FPGA 上实现 CPU 候选项并利用板载测量指导设计决策,最终单周期 RV32I 核心发展为三发射乱序 RV32IM 核心。
研究者提出 Task-Graph Contextual Integrity (TG-CI),作为首个将 Contextual Integrity 形式化应用于多智能体任务图的方法。
研究人员分析了45个真实编码智能体会话(102,233条记录),估算23.4%的代码编辑结束后无独立验证,57.8%的已标记完成待办项缺乏中间证据。 提出的Soei系统采用哈希链本地账本,体积仅为原始数据的20%,不含内容或凭证,验证速度约126k events/s,且能检测篡改。
OPERA 推理智能体利用开源工具,自主完成 CMOS 运放从设计规格到版图签核的全流程。 该智能体基于 gm/ID 方法生成电路,并编写可复用的版图生成器以通过 DRC 和 LVS 检查。 在 SKY130 工艺下,设计的六款运放版图均满足提取网表在 15 个 PVT 角下的性能指标。
一种名为 REALM 的方法可识别并维护 LLM 智能体任务所需的最小资产。该方法使用依赖图节点表示资产,通过 AgentDyn 测试,在 60 个干净任务和 560 个注入案例中,使用 qwen3.5-flash 模型完成 40.0% 和 36.4% 的任务。攻击成功率从 16.6% 降至 0.2%。
研究表明自我进化显著降低了个人智能体应对间接提示注入(IPI)的鲁棒性。 对比未进化的基础智能体,技能进化使平均攻击成功率提升 14.0–48.8 个百分点,强化学习提升 3.0–39.3 个百分点。 该发现揭示了自我进化机制在安全性方面的潜在风险。
研究提出 Proof-Carrying Messages (PCM) 协议,解决多智能体通信中事实与权限验证缺失问题。 协议利用 Merkle 日志和签名验证,使接收方离线检查声明,结果为已证明、未证明或失败。
该研究提出 Critic-Guided Synthetic Experience (CGSE) 方法,利用 Critic 指导在隐式世界模型中生成离线合成经验以增强现有数据集。 方法通过采样候选动作并在信任域内最大化 Q 函数一阶近似进行精细化,无需额外真实环境交互或测试时规划器。 在三项 OGBench 操作任务中,该方法使离线策略平均成功率相对提升 7.1%。
自主智能体 HERA 在盲测中得出的结论与专家密封结论一致。HERA 针对量子器件低温输运测量设计,依托实验室成员整理的知识库。消融和重放研究显示,所有模型在知识库支持下设计的测量更好、推理更合理。HERA 还需几小时专家时间开发新协议后,即可自主寻找和表征新超导体。
MAS-Loop 提出了一种基于执行的反馈循环框架,通过耦合 Orchestrator 和 Refiner 实现多智能体系统(MAS)的自进化。 Orchestrator 生成并执行源 MAS,Refiner 依据轨迹定位故障并提出有界补丁以更新系统,二者在训练迭代中共同进化以优化策略。
研究团队推出量子材料自主表征框架 QUANTA,利用 Agentic AI 实现闭环实验。 该框架集成物理属性测量系统 PPMS,结合检索增强生成与专用智能体,由确定性控制层校验仪器操作。 已在 TaP 输运测量及 Co2MnGa 非线性响应研究中验证,确立其为通用表征工具。
本文提出“认知资本”概念,分析生成式 AI 如何影响个人与组织保留的知识、技能与判断力。 研究识别出实践替代、脚手架反馈、元认知校准及组织聚合四种作用机制,并总结出 7 项证据原则。 该框架旨在为管理 AI 采用提供多层面依据,并呼吁开展纵向测量研究。
该研究通过三项实验(N=395)实证评估了融合人类与机器维度的人工智能人格模型(APM),并开发了专门的人格问卷(APQ)。 研究发现宜人性等人类维度可部分迁移,且特定机器维度影响了用户满意度与社会临场感,而BFI-2量表在该场景下可靠性不足。 该成果为对话智能体的设计提供了经过实证检验的理论框架与测量工具。
Tracekit Box 是一款开源(MIT 协议,v0)系统,让 AI 智能体在 Firecracker 微VM中运行,无网卡,出口由宿主机签名器裁定。 每个任务使用 vsock 通道,密钥与元数据地址被拒,变更以补丁形式返回。13 项端到端检查通过,15 个模糊测试发现 9 个问题均已修复。 结果打包为 .tkb 文件,支持离线验证。
MUSE 提出结合多层级记忆与选择性运行时注入的框架,在数值求解、内核优化等四个基准测试中全面超越检索与记忆基线模型。 该框架从历史轨迹构建全局、方法级及实现级记忆,执行时利用当前交互检索实现级记忆,由 LLM 门控选择性注入建议或跳过。
研究通过 5,625 次试验发现,Coding Agents 在默认偏好冲突时压倒性地遵循仓库先例(359/360 次试验)。 本地支持文件使先例采纳率达 96%,而同级资源文件仅为 4%;显式书面优先级规则在开源仓库中可将联合成功率从 0/120 提升至 117/120。 这些发现强调了在设计决策可追溯性中保存实现逻辑及优先级的必要性。
研究发布含 31,734 条 GPT-4o 响应的 IFAAB 基准,审计印度 LLM 金融建议偏差。男性初始资源高 60.1%,性别差异在地区调节下降至 7.9%。 提供可复用基准,强调高危经济领域需本地化交叉评估。
提出 Skeleton Coding 范式,要求开发者与行为规范共同指定程序结构,将 AI 辅助编码建模为控制问题。 理论证明该方法可将所需测试数量呈指数级减少;实证显示最佳骨架规范使平均测试错误降低 48.4%。 缩小小模型与大模型性能差距约 52.4%,同时将实现成本降低 15 至 26 倍,平均代码侵蚀率降低 24.7%。
研究人员首次提出角色接地攻击(RGA),利用嵌套对话结构导致Agent将攻击者偏好错误归属给受害者用户。 RGA通过工具选择操纵和隐私泄露两种方式实施,在5种主流记忆系统和6种语言模型中测试显示高攻击成功率。 该研究揭示了现有Agent记忆系统在角色到主体归属上的脆弱性,呼吁加强角色接地机制。
$\pi_{0.5}$ 模型在 BEHAVIOR-1K 基准上完成所有 100 项任务的配对评估,结果显示先前提出的推理与数据采集策略无法均匀泛化至新环境。 该评估基于 2025 年 BEHAVIOR 挑战赛获胜者微调的模型,其在公开测试集上取得 0.39 的 Q 分数。
针对现有扫描器忽略多技能交互的缺陷,该六模块扫描器实现了对良性技能中非预期漏洞的检测。在 SkillTrustBench 556 个案例子集中,其召回率达 95.90%,误报率为 4.22%;在 1,000 个 MalSkillBench 平衡样本中,F1 分数为 0.947,优于 Cisco 等竞品。
研究发现,将越狱指令嵌入 Agent 的 Markdown 技能文件中,可将平均攻击成功率(ASR)从 0.5% 提升至 45%,个别模型甚至达到 68.9%。 测试表明,零宽字符和语音学混淆等隐写策略效果不佳,平均 ASR 降至 30%;模型本身的特性比具体混淆技术对漏洞的影响更大。
这项基于 GitSkills 1.53 百万个英语 skills 的研究首次大规模考察了“监督弱化指令”。约 1/17 的 skills(约 88,000 个)包含此类指令,70.1% 为无条件生效。
论文通过封闭形式模型分析了多智能体 LLM 流水线的协调成本,基于 Claude Opus 5.5 和 Haiku 5.5 在 2430 次运行中测试。 OFP 协议每次切换增加 7.2 ms 开销;分解流水线成本为单一强调用的 3.22 倍,且未提升任务解决率。
summary_zh: 研究表明,LLM群体的集体行为不依赖网络拓扑,经典共识理论中的凸组合假设失效。在73,080次受控交互中,8个指令微调模型系统性违反凸性,表现出活跃排斥效应。
Cassette-Editor 提出一种通过统一执行器进行原子提交或拒绝的视频编辑智能体。 该智能体使用单一读取和写入工具,将镜头分析与时间线上的每次使用相关联。 在受损编辑修正实验中,定位问题使纠正所需的输入 token 减少不到一半。