跳到正文
10月28日周三
  1. arXiv · NLP25

    元认知解码:提升扩散语言智能体推理效率的方法

    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。

  2. arXiv · ML31

    CoHARL:基于强化学习协同演化智能体策略与可执行测试框架

    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。

  3. arXiv · NLP36

    隔离质疑的Agent框架:减少LLM过度防御性写作

    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%。

  4. arXiv · NLP32

    跨智能体交接任务接管基准 HSC-Bench 发布

    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。

  5. arXiv · ML26

    风场布局采样高效贝叶斯优化的图谱知情克里金模型

    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。

  6. arXiv · ML38

    h1:自动化定理证明中的苦涩教训

    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。

  7. arXiv · ML38

    KORA:面向 AI 工作负载的确定性优先执行控制

    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。

  8. arXiv · AI43

    StreamMA:通过流式通信优化多智能体推理系统的延迟与效果

    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。

  9. arXiv · AI31

    PlanAhead框架实证研究:LLM网页智能体中规划表示形式的影响

    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。

  10. arXiv · AI23

    LLM 驱动智能体中的详细平衡

    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。

  11. arXiv · AI57

    Cross-User Poisoning: 多用户协作语言智能体中的用户任务边界失效

    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。

  12. arXiv · AI25

    Experience Memory Graph: 从Agent轨迹中提取可复用纠错知识

    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。

  13. arXiv · AI40

    HiMA-Ecom:面向层级多智能体电商助手的长程记忆基准

    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%。

  14. arXiv · AI40

    Gym-Anything-RT 发布实时视觉语言智能体评测基准

    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。

  15. arXiv · AI28

    交易智能体群组的测试时通信研究

    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。

  16. arXiv · AI24

    ConCal 通过共享延续校准长时程智能体强化学习中的动作价值

    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。

  17. arXiv · AI32

    Blindfold 论文:揭示 LLM 代理审计机制中“审计硬币”泄露破坏证书有效性的缺陷

    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。

  18. arXiv · AI34

    EvoSpeakerMem:面向多用户语音智能体的在线说话人记忆构建框架

    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。

  19. arXiv · AI33

    ClaimNov 评估 AI 科学家如何识别新颖性

    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。