GEPA-Curator:面向自改进智能体的人工筛选学习
研究者提出GEPA-Curator框架,通过任务筛选和成功轨迹检索,优化提示词以提升LLM智能体表现。在GoBrowse、ALFWorld、AppWorld和τ-bench上,该框架使用Gemini 3.1 Pro和Claude Opus 5进行测试,性能匹配或超越基线,相比GEPA提升最高20.7%,相比ACE提升21.2%。
研究者提出GEPA-Curator框架,通过任务筛选和成功轨迹检索,优化提示词以提升LLM智能体表现。在GoBrowse、ALFWorld、AppWorld和τ-bench上,该框架使用Gemini 3.1 Pro和Claude Opus 5进行测试,性能匹配或超越基线,相比GEPA提升最高20.7%,相比ACE提升21.2%。
新提出的元认知控制器通过动态调整扩散语言模型的计算分配与生成长度,将推理 FLOPs 平均降低 20.6%,同时保持具有竞争力的任务准确率。 该轻量级插件在智能体轨迹上训练,在五个基准测试中验证了其平衡正确性与生成成本的有效性,消融研究进一步支持了该方法的有效。
TrawMem 提出将智能体记忆重构为面向任务的角色自适应工作区,通过角色分配联合选择互补记忆来组织交互历史。
CoHARL 提出一种基于种群的强化学习框架,在策略训练中协同演化共享策略与可执行测试框架。 该框架在 SWE-rebench 上取得 27.6% 平均解决率,较仅搜索测试框架提升 6.4 个百分点。 实验证明其在 SWE-bench Verified 和 Terminal-Bench 2.0 上优于固定预算下的单次搜索或交替更新方法。
针对LLM Agent在扩展报告时出现的“过度防御性写作”问题,研究提出了一种隔离审稿人、过滤器和写作者的Harmess框架。 该Harmess使写作者Agent仅接收过滤器选定的问题。在25份商业项目初稿的测试中,防御性陈述从59条降至2条,减少96.61%;无新增无支撑事实,源声明保留率从80.35%升至93.12%。
针对多语言语音识别中数据采样依赖人工启发式设计的问题,提出一种语言感知的智能体数据采样框架。该框架引入 LLM 智能体,基于音系、形态和句法分析 ASR 错误,并结
论文提出包含 1039 个任务的 HSC-Bench,用于评估智能体在长期任务中的交接表现。 对比 6 个接收模型显示,结构化交接状态提升了所有模型的仓库证据恢复能力及多数模型的延续性能,且不同模型在两条评测赛道上的排名存在差异。 该基准为根据后续工作需求选择接收模型和评估交接表征提供了依据。
研究分析了近端策略优化(PPO)在等方高斯策略下的可塑性丧失(LoP),发现策略标准差 $\sigma$ 显著影响 LoP 程度。 该工作提供了理论与实验论证,解释了常用缓解技术的有效性,并在 7-DoF 机械臂部署中进行验证。
研究提出LOTUS框架,通过低阶多线性分解从LLM隐藏状态中提取紧凑表征,用于幻觉检测。 该方法利用互补统计描述符总结变长token表征,结合低阶分解降低对标注数据的依赖,并在多个基准上优于现有SOTA基线。
小米具身智能团队发布轻量级统一具身智能体 OmniBrain-0,通过共享高层决策模型协调操作与导航,在 LIBERO-Pro 等基准测试中表现出强跨领域性能。
该图谱知情克里金框架通过嵌入可复用气动交互信息提升高维布局优化中的样本效率。 数值实验显示,在稀疏数据下其 AEP 预测精度优于普通克里金方法;在 IEA Wind Task 37 基准测试中,仅约 280 次评估即取得有竞争力的解决方案。 该方法还扩展至 48 台风机的大规模场景,证明了其在基于 CFD 的风场布局设计中的适用性与高效性。
研究提出简洁框架h1,通过高效Lean 4接口在形式定理证明中验证“苦涩教训”,即在匹配模型下,单次尝试(pass@1)即可媲美或超越Goedel-Architect等专业工作流。h1在PutnamBench等基准达到SOTA,并解决了8个开放问题,表明高效执行反馈比复杂工作流更关键。
KORA 架构通过先尝试确定性路由来避免不必要的模型推理,在 100 项任务的基准测试中成功避免了 80 次模拟模型调用。 该方法在确定性子集测试中实现零不匹配,并通过遥测记录验证路由结果,仅当确定性处理不足时才升级至模型路径。 此工作证明了在特定文档化负载下减少模型调用的潜力,但并未确立生产环境下的实际表现或成本优势。
StreamMA 提出一种多智能体推理系统,将推理步骤即时流式传输至下游,实现流水线并行以显著降低端到端延迟。该方法在八个基准测试中优于串行和单智能体基线,平均提升 7.3 个百分点,HMMT2026 上最高提升 22.4 个百分点。实验显示,步骤级缩放定律能同时提升推理有效性与效率,成为与智能体数量缩放正交的新维度。
研究引入静态规划器-执行器框架PlanAhead,评估4种自然语言规划表示对LLM网页智能体性能的影响。实验在3个难度级别的WebArena任务中,系统测试了包括顺序子目标、叙述、伪代码和检查表在内的4种规划表示。结果显示,规划形式的制定和底层LLM均显著影响网页智能体的稳健性和任务成功率。
SWE-Skills-Bench 评估了 98 个公开 Agent 技能对真实 SWE 任务的效用,结果显示 92 个技能无显著效果,平均通过率仅从 76.6% 提升至 76.9%。 基准基于 GitHub 仓库构建可执行验证器,进行 3,920 次配对评估。有效技能最多提升 17.7 点,有害技能最多降低 17.0 点。
该论文提出AgentSentry,一种通过时序因果诊断和上下文净化来缓解LLM智能体中间接提示注入(IPI)的推理时防御机制。在AgentDojo评测中,该方法在多种攻击下记录到0%的成功攻击率(ASR),平均任务效用(UA)达到76.10%,相比最强基线模型提升了1.84至7.60个百分点。
该研究基于最小作用量原理,提出了一种估计 LLM 驱动智能体内部生成方向性的方法。 实验测量了 LLM 生成状态间的转移概率,发现其符合详细平衡趋势,表明 LLM 可能通过隐式学习底层势函数而非显式规则集。 这一宏观动力学描述不依赖特定模型细节,旨在将 AI 智能体研究提升为基于可预测测量的科学。
研究提出跨界投毒概念,即攻击者向共享上下文注入消息以在被恶意用户外触发未授权操作。作者在 Continua 和 ElizaOS 两个多用户智能体上验证该攻击,并构建 MURMUR 评估框架。结果显示任务聚类和来源提示可有效缓解传播,证明多用户智能体需明确的用户/任务范围限制而非通用输入过滤。
MemPrism 提出任务条件关系记忆框架,将持久经验存储与决策时工作记忆分离。 通过轻量级视图策略动态构建关系视图,将历史事实转化为临时光学工作记忆。在长时程网络代理基准测试中,随着轨迹变长,该框架显著提升任务性能并降低记忆 token 消耗。
SCHEMA 是首个基于证据且拓扑感知的科学智能体幻觉评估框架,能从基准种子和文献构建科学概念图。该框架合成覆盖声明验证、多跳推理等任务,并通过轨迹审计与反事实归因发现幻觉集中高连通知识枢纽,最终答案准确性与轨迹诚实度解耦。
研究者提出Experience Memory Graph(EMG)框架,将Agent失败恢复重构为图匹配问题,实现单次测试时纠误。 该框架离线构建有向动作决策图,通过匹配失败与专家轨迹提取通用子图及图编辑路径,存入记忆图。 实验表明,EMG在ALFWorld和ScienceWorld基准上,于已知与未知任务集均优于现有记忆构建基线。
summary_zh: Hedge-Bench 是一个包含 92 个真实场景的基准,测试智能体在信息冻结下的预测能力,11 个前沿模型联合成功率仅为 2.54% 至 31.52%。
Bot-Mod 框架通过质询目标智能体而非仅依赖内容信号,基于贝叶斯后验推断揭示多智能体系统中的隐藏恶意意图。 该框架使用固定诊断探针和校准的内容先验,在 Molt-Intent 数据集上取得 0.736 的 F1 分数,超出最佳基线 22%。
在DeepPlanning和GAIA基准测试中,PIVOT达到SOTA性能,结合人工反馈时约束满足率相对提升最高达94%。 该框架包含PLAN、INSPECT、EVOLVE、VERIFY四阶段,比同类细化方法节省3-5倍token消耗。 基于反馈的轨迹优化被确认为缓解自主智能体系统规划-执行鸿沟的有效方法论。
Re4 框架通过协同推理 LLM 链提升科学计算代码生成成功率,显著降低非物理解比例。 该框架集成 Consultant、Programmer 和 Reviewer 三个模块,实现代码自动调试与迭代修订。
该研究提出 HiMA-Ecom 基准,包含 22.8K 个实例,其中 17.7K 个携带记忆条目,用于评估层级多智能体电商助手在累积上下文中的训练与管理。 基于该基准,HiMA-R1 采用 VR-GRPO 控制轨迹预算,利用 3B 和 7B 开源模型,平均性能超 DeepSeek-V3 6.0 分,且驱动式记忆将收敛所需更新步数减少约 55%。
LongChang 框架评测大语言模型在改变物理定律的模拟世界中通过自由探索发现规律的能力。 在测试的 12 个大语言模型中,GPT-6-Astra 达到 16.7% 的发现率,其余 11 个模型得分均为 0%。 探索记录仅部分识别出被改变的物理定律,揭示了未被调查的异常现象。
Gym-Anything-RT 构建 100 个实时视觉迷你游戏,用于评测视觉语言智能体在动态环境下的交互能力。 该基准通过智能体管道基于 6 项核心能力自动生成环境,支持在实时、暂停或减速模式下进行受控对比实验。 GPT-6 Astra 在实时模式下通过率仅 9.0%,暂停后升至 75.0%;研究揭示了智能体在实时交互中存在的能力缺口及规避感知的编码行为。
研究人员提出由强化学习控制的固定翼拦截无人机,在模拟与实飞中成功拦截机动目标。 该策略在 Python 环境中结合近端策略优化(PPO)训练,模拟表现优于传统控制器。 该系统展示了人工智能在固定翼拦截无人机自主控制方面的潜力。
研究在2026年10月的7个交易日中,让来自四个模型家族的200个交易智能体在5种通信机制下独立决策。结果显示,在两个模型家族中,有通信的群组持有相同股票的比例远高于隔离组,且群体收益主要由共同持有的资产决定。 发现看到同伴帖子后,智能体复用其中8词短语的概率增加7个百分点,且在后续交易日更常同步卖出。这提示评估羊群效应时,需以无同伴基线衡量超额收敛,而非绝对趋同。
针对LLM驱动智能体框架进化,研究发现稀疏反馈可维持高效搜索,针对性评估优化最终结果。 提出的评估分配框架结合稀疏搜索反馈与最终确认,使用约半数评估资源即可在四个基准上取得优于全量评估的平均性能。
研究提出 Spine 运行时,解决长时程编码任务中上下文膨胀及性能下降问题。该机制通过 SpineTree 结构保留未完成子任务交互,替代已完成子任务细节,支持前缀缓存复用。
提出递归延续价值估计器 ConCal,通过匹配访问状态并整合共享延续证据,减少了对单次采样延续的依赖,缓解局部信用分配失真。 在 Qwen2.5-1.5B-Instruct 模型上,ConCal 在 ALFWorld 和 WebShop 任务中的成功率分别比 GiGPO 高出 3.39 和 5.86 个百分点。 该方法无需额外 rollout 即可优化策略,代码已公开。
针对 LLM 代理的审计证书有效性依赖于“审计硬币”的保密性,该硬币必须在代理选择行动前保持与代理视图的“预提交非干涉”(PNI)。 论文证明 PNI 是应对自适应代理偏差的充要条件,并指出任何泄露(包括静默审计导致的工具时间戳延迟)都会破坏标准审计证书的有效性,且单纯提高审计率无法修复此缺陷。
EvoSpeakerMem 提出免训练层实现因果说话人路由与身份分区记忆写入,解决语音智能体身份混淆问题。 引入 LoCoMo-ID 基准测试,在说话人敏感查询任务中,相比固定表征方法提升 3.86 和 11.62 个百分点。 揭示记忆碎片化与跨用户污染之间的权衡关系,单一 QA 指标无法完全捕捉该复杂性。
针对 LLM 智能体基于软件需求生成测试的现状,发布基准 Req2Test-Bench。该基准包含来自 8 个开源项目的 5,086 个执行验证实例,涵盖 5 种编程语言,并要求智能体在隐藏实现代码的情况下生成测试。
提出基于LLM智能体的无导数优化求解器NextEval及其基准测试协议NextEval Bench。 该系统结合LLM代理与数值环境,由LLM配置参数并分配评估预算,辅助数值方法选择评估点。 实验显示,NextEval在低维无导数优化问题上,其函数评估效率优于当前最先进基线模型。
RoboAuto框架通过显式组织对象、场景和交互层面的物理理解,实现了机器人程序的自主搜索。 该框架包含分层知识库、场景定位和带自设计实验的多阶段规划组件。在LIBERO-PRO短视域任务中成功率达89.1%,在长视域任务上性能超基线模型两倍以上。
研究人员提出细粒度可解释的 ClaimNov 模块,用于识别 AI 科学发现中的新颖性。该模块在 1.5% 的误报率下拦截了 97% 的伪装论文。 相比最强现有检查工具,ClaimNov 的声明级新颖性分析将 LLM 评委的误报率从 11.8% 降至 1.5%,并保留了 91% 含有拼接先验贡献的新颖提案。