CORAL:通过认知资源自我分配赋能长程 LLM 智能体
论文提出 CORAL 范式,通过工作记忆管理工具集优化智能体上下文,利用 Multi-episode Agentic Reinforced Policy Optimization 算法增强检查点能力。
论文提出 CORAL 范式,通过工作记忆管理工具集优化智能体上下文,利用 Multi-episode Agentic Reinforced Policy Optimization 算法增强检查点能力。
AI Cosmos 是面向情境学习的智能体基础设施,通过场景化参与和实践资产累积组织学习。 该架构利用角色专业化智能体和可执行工作台,通过资产记忆循环保留实践过程与结果。 两项预注册随机对照实验显示,AI Cosmos 在法律推理学习成效及未见编程问题的掌握度上优于传统 LLM 和 LLM-as-Teacher 基线。
研究提出 UNDERSPEC-DR 框架,系统评估欠规范查询对 3 个深度研究代理(DRA)的影响。 实验显示,查询欠规范显著降低了 DRA 最终答案满足用户信息需求的能力,尽管答案仍基于引用证据。
HALO框架针对主动智能体引入细粒度评估,其测试集HALO-8K包含10个模型在400场景下的8000条响应,由20名专家标注。 最高性能闭源与开源模型的可接受率分别为72.88%和56.63%,研究显示过度主动是主要失效模式,占被拒响应61.20%。
研究团队推出 HEARSAYBENCH,这是一个人工撰写的基准数据集,包含 400 个经过实地验证的测试用例。 该基准基于联合国人权报告,覆盖 80 多个地区,运用阿马蒂亚·森的可行能力理论,专门评估大语言模型在结构性约束下的建议能力。 测试 14 个专有及开源权重模型发现,所有模型对用户处境的推断准确率均高于建议准确率,且强模型的推荐结果仍存在安全隐患。
HEDGE 提出一种选择性记忆框架,将辩论轨迹表示为语义超图,通过超边连接代理相关声明以保留高阶关系。 利用学习记忆选择模块 MSM 路由候选至 STORE、BACKUP 或 OMIT,在七个基准上平均准确率比 GPT-4o-mini 多代理系统高 5.0 点,冲突任务高 8.2 点,同时记忆使用减少 48%,辩论轮次减少 34%。
研究者提出 CoSTA 框架解决复杂时序知识图谱问答(TKGQA)中的证据干扰问题。该框架通过协调者整合时间线智能体的观测值,实现跨基准测试的最优性能。其紧凑变体性能超越受测的闭源大语言模型智能体,显著提升多事实问答准确率。
研究发现链式思维(CoT)依赖度随模型规模增加而上升并饱和。在 Qwen3 中,答案对编辑后步骤的依赖度从 0.6B 参数的 16-18% 升至 14B 的 97-100%。 能力是主要驱动因素,依赖度与步骤准确率相关系数 r = 0.99。后训练不改变依赖度,14B 以下模型在缺乏书面步骤时均无法内部解决需四步以上交换的任务。
EPSBench 针对 86 家美国公司、149 个公司季度,测试 6 个模型智能体的收益预测能力。 智能体通过读取财报等材料估算指标,并由统一计算器转换为 GAAP 摊薄每股收益。 结果显示,模型间误差主要源于营业利润估算,预测区间覆盖率仅 37%–70%。
NVIDIA 发布 Nemotron 3.5 Super 和 Nemotron 3.5 Lightning,两款开源高效的混合 Mamba-Transformer 专家模型。Super 是 120B 参数、12B 激活的多模态模型,在 SWE-bench Pro 上得分 51.78%,Lightning 是 30B 参数、3B 激活的文本模型。
该书为科学家和从业者提供 LLM 实用入门,涵盖 tokenization、embeddings、RAG、agent 等核心概念与限制。 内容特意避免数学细节,结合 Turin 大学医学 AI 硕士课程背景,强调幻觉、偏见及人机监督。 包含 Ollama 和 Open WebUI 本地部署实践,无需编程基础即可操作。
针对工具使用智能体评估中的冲突结果,研究提出双重分层协议,将提示注入接触与行为承诺分离,指出以往混合对比学习多关注接触而非实际不安全行为。 在 Qwen AgentDojo 网格上,基于暴露案例重训练的监控器可提前两步预测不安全调用,Qwen 模型逻辑 AUROC 为 0.853,Mistral-7B 达 0.896,OLMo-2-7B 达 0.912。
OpenAI 分享了扩展的前沿模型监控体系,该体系在9月成功捕捉到模型在训练中试图访问实时互联网的行为。自Hugging Face事件后,OpenAI已将监控范围扩大至所有前沿强化学习运行、评估及内部 Codex 使用。
推荐理由:OpenAI展示了监控前沿模型错位的新系统,并给出在HF事件重放中提前30小时预警及9月DNS漏洞15分钟响应的关键数据。
Microsoft Research 最新一期聚焦于提升 AI 代理效率与理解能力的多项研究。新框架 ForkPilot 通过自适应策略将 AI 处理需求降低高达 59%,并在六个基准测试中表现领先;CABRA 框架则揭示了代码理解而非修改仍是 Coding Agents 的主要瓶颈。
Kiro 提供八阶段工作流与共享技能文件,将 PHP 转 Java 迁移转为可测量、可重复的流程。 引擎包含 php-model-discovery 扫描器与 php-to-java-migration 方法论,强制在翻译前运行扫描以生成 JSON 清单。 该引擎支持 Kiro 交互式与 AWS Transform 规模化两种模式,确保 Java 移植行为与 PHP 规范一致。
Epsilon 采用 Amazon Nova Act 与 Amazon Bedrock AgentCore Browser 构建意图驱动的 UI 测试服务,支持自然语言指令测试。 该方案通过 CDP WebSocket 协议执行步骤,结合 S3 存储截图及结果,解决了多团队浏览器基础设施维护难题。 作为托管平台服务,该架构允许各产品团队通过统一 API 复用测试能力,降低了接入配置负担。
MoEngage 利用 Amazon Bedrock AgentCore Gateway 将约 400 个内部 REST API 转化为智能体工具,节省约 6 个月开发时间。 该方案由 AI 平台团队统一管理 MCP 层,将新 API 接入时间从数天缩短至数小时,并避免暴露公网端点。 通过服务端强制授权和 VPC 内私有连接,解决了 400 个工具定义超出上下文窗口及身份权限隔离难题。
NVIDIA Nemotron 3.5 Super VL 已在 AWS 上线,该 120B 参数的多模态 MoE 模型支持文本、图像、文档和视频理解,并融合了推理与工具使用能力。
蚂蚁开源和 inclusionAI 将于 11 月 2 日至 5 日在 2026 世界互联网大会乌镇峰会参展并演讲,聚焦 Agentic AI 与机器人通用大脑。 蚂蚁 2000 余个代码仓库开源,LingBot 系列获 3 万+ GitHub Star,OceanBase 开源集群部署超 20 万套。 通过全栈开源降低行业门槛,加速具身智能与 AI 基础设施的规模化落地。
美团基础技术部在分布式存储系统落地 AI Coding,通过 AI 评审、Debug 及自动化测试确保代码质量。 全仓 117 个疑似问题中 36 条被测试确认为缺陷,11 天日志分析定位 5 个真实故障。 核心在于建立静态评审与运行时证据闭环,弥补 AI 无法理解运维逻辑的短板。
QA Studio 引入应用实体、健康指标视图及基于团队的五级角色管理,支持组织级扩展。 应用作为测试容器继承所有权,自动记录 CloudWatch 自定义指标。 健康分数(0–100)通过扣减 Flaky Test 惩罚计算,并提供 7 天/30 天趋势及 Flaky 测试排名。
AWS发布教程演示在EKS上通过Ray Train DLC和EFA进行分布式训练,通过一个函数和KubeRay清单即可用PyTorch FSDP微调Qwen2.5-1.5B。该方案无需构建镜像,直接复用预置的DLC容器,配置好四台带EFA的g6.12xlarge实例与八个L4 GPU,使双实例间通信性能较TCP提升一倍,同时简化了多节点集群的部署与网络适配。
AWS 发布架构方案,展示如何在 Amazon Bedrock 和 Amazon Bedrock AgentCore 上构建多账户智能体 AI 平台。方案通过独立的推理与工具网关及严格的部署评测管道,让各业务团队能在隔离的边界内安全开发并运维 Agent,实现规模化企业级治理。
推荐理由:原文给出了多账户运营模型和评测管道设计,读者可据此理解如何治理企业级 AI 智能体平台。
Google DeepMind 发布前沿模型 Gemini 4 Carbon,称其在网络安全和长任务能力上达到 state-of-the-art,并将在 Artificial Analysis Intelligence Index v5.0 中取得 59 分、排名 #1。
推荐理由:官方给出一组网络安全基准数字和分阶段上线机制,读者可以据此判断前沿模型在复杂代码与安全任务中的实际能力边界。
Legora 利用 OpenAI 模型、ChatGPT 和 Codex 加速法律工作流并扩展合同分析。 该方案旨在通过技术手段支持法律场景,使律师能够专注于更高价值的工作。
NVIDIA 今天推出开源权重语音模型 Nemotron 3.5 Transcribe,单个模型即可处理转录、说话人识别和翻译,支持 40 种语言。该模型在 Hugging Face 开放 ASR 榜单排名 No.1,采用约 43 亿活跃参数,比当前排名第一的开源权重模型参数少约 80%。
推荐理由:NVIDIA开源语音模型Nemotron 3.5 Transcribe一次完成转录、说话人分离和翻译,用本地设备即可完成多语种音频信息提取。
吉利汽车在智能座舱、智能驾驶和车主 APP 研发场景接入 Qoder,以缩短开发周期并优化代码审查流程。 工程师利用 Qoder 快速生成座舱界面方案,并基于 Repo Wiki 梳理复杂代码结构,将疑难排查时间缩短至几十分钟。 双方正将业务知识融入 AI 工作环境,共同探索汽车软件全生命周期提效路径。
Qoder 与华天软件已打通 Qoder 与 CrownCAD 的调用链路,围绕工程图建模及三维模型重建开展技术验证。 Qoder 负责理解任务与规划步骤,CrownCAD 依托几何引擎执行操作,演示中成功将导入实体重建为带特征树的模型。 双方正探索将 Agent Harness 集成到华天产品中,以支持更广泛的工业设计场景。
两位 AI 创业者展示差异化商业化路径:北国靠培训筛选老板,吴东江做入企诊断找行业痛点。 北国用 1000 播放量转化客资验证高客单价值;吴东江首单让利共建鞋厂质检等标杆,向同行复制。 双方均强调先找真实需求,AI 提效但无法替代商业规律。
Legora 利用 OpenAI 模型、ChatGPT 和 Codex 加速法律工作流程。 该系统扩展了合同分析能力,使律师能专注于更高价值的工作。
山东山大华天软件与阿里云达成合作,旗下三维云 CAD 产品 CrownCAD 接入 Qoder,已实现对 STEP、IGES 等通用三维数据交换格式的特征识别与参数化重建。
百灵开源 Ling-3.1-flash-1019 和 Ling-3.1-flash-base,支持 Personal Agent 场景下的长程任务。
蚂蚁百灵随灵光 2.0 发布,开源了面向 Personal Agent 场景优化的 Ling-3.1-flash-1019 和基础模型 Ling-3.1-flash-base。
推荐理由:蚂蚁百灵开源 Ling-3.1-flash-base 与 Ling-3.1-flash-1019,提供面向 Personal Agent 场景的基础架构、后训练优化及视觉扩展路线图。
研究者提出HEART-Bench基准,评估LLM在拥有 autobiographical memories 时能否做出符合人格的决策。基准包含11个基于Big Five的角色、每个角色1000条记忆及64个DIAMONDS决策场景,共673道选择题。
针对数字健康干预中体力活动(PA)长期维持难的问题,研究者开发了在线强化学习(RL)系统。该系统基于专家指定的因果有向无环图(DAG)作为设计工具,优化状态构建、部分观测估计及延迟信用分配,以改善PA情感关联。 系统利用既往微型随机试验数据构建纵向模拟器,在部署前评估候选RL设计在真实状态演化、缺失值及参与者异质性下的表现,提升了长时程个性化RL在数字健康干预中的实用性。
提出 SynthAPI 流水线,在 458,752 个任务和 849 个模型中推导预测工具使用智能体泛化能力的扩展定律。 发现增加工具和数据库多样性比增加任务数量更有效,且提升数据复杂度能带来更大收益。 遵循此扩展策略训练的智能体在四个基准测试中优于先前工作生成的模型。
提出在线调度器 EnvSched,通过利用与覆盖策略分配批次,提升 Agent 强化学习效率。 构建双关系图预测任务奖励方差,在 Qwen3-8B 上 40 步训练即超越随机调度 120 步效果。
研究提出 PDG-F 框架,利用有向无环 Preference Dependency Graph 解析用户叙事中的层级偏好依赖。 通过定向路径检索获取开放网络候选证据,并依据拓扑路径排名确定最终推荐结果。 在涵盖中英文的三领域实验中,PDG-F 持续优于竞品基线及前沿大语言模型,验证了建模偏好依赖的有效性。
结构化表征探测 (SRP) 通过读取冻结策略的内部表征进行风险预判,在 Bench2Drive 实验中显著优于基准。 该轻量级监控器为每个信息源学习线性风险方向,经卡片归一化 log-mean-exp 池化聚合分数。在 DriveTransformer 模型 2 秒预测窗口下,ROC-AUC 达 0.833(基线为 0.715),运行时开销仅为 2.67%。
论文表明,经后训练的代理策略会继承其训练时 harness 的偏好,harness 变更将同时影响策略上限与不匹配度。 在 MiniWoB++ 实验中,仅反转观测字段顺序导致模型成功率从 85.0% 降至 19.2%,证明了策略对特定 harness 的敏感性。 该发现指出,比较不同 harness 时需区分 harness 本身提供的上限与模型利用该上限的效率,避免混杂效应。