冻结而非克隆:无离线数据保留场景下基于高表达策略的强化学习微调
离线到在线强化学习中,停止在线行为克隆并冻结预训练行为模型,可显著提升无数据保留场景的微调性能。 在 IFQL、FQL 和 QC 方法于 7 个 OGBench 领域的测试中,该策略通过打破行为反馈循环,避免了表征坍缩和动作多样性损失,确保价值学习驱动持续改进。
离线到在线强化学习中,停止在线行为克隆并冻结预训练行为模型,可显著提升无数据保留场景的微调性能。 在 IFQL、FQL 和 QC 方法于 7 个 OGBench 领域的测试中,该策略通过打破行为反馈循环,避免了表征坍缩和动作多样性损失,确保价值学习驱动持续改进。
提出 Stratum 系统,通过持久化仓库记忆解决编码智能体的上下文遗忘问题。 在 8 个真实 Bug 的多会话实验中,继承记忆的代理识别根因文件的成功率为 21/24,显著优于 6/24 的检索基线,且中位 token 成本低 4.5 倍。 检索一百万节点库的中位耗时为 1.7 ms,证明其可高效扩展至大型代码库。
针对多智能体辩论中区分证据“复制”与“印证”的难题,提出基于 RRI 公理的判断框架。 该框架引入 lineage quotient 保留不同证据根,并在 QBAF 中证明其对新证据的响应特性。 在 28,224 个直接星型及 2,052 个多层 DAG 等数据上的审计验证了该框架的理论预测。
研究发现 LLM 智能体框架对工具输出的固定长度截断导致 34.2% 的结果在到达模型前被破坏,其中 128 条关键证据记录在特定生产追踪中全部丢失。受控实验显示这种数据损耗使工具调用量增加 43%,计算量翻倍,产出率从 0.61 降至 0.31。
Log-To-Leak 攻击在 18 个模型-服务器配对中实现 62.64%-100% 的攻击成功率,且 16 个配对的任务完成度变化不超过 6.63 个百分点。
PolicyMediator 提出一种认知约束的 Leader-Multi-Follower Stackelberg 框架,通过双向中介协调一人公司(OPC)与政府间策略。 该框架在六区域、五类型 OPC 模拟中排名第一,平均提升政府目标 42.4% 和 OPC 效用 40.9%。 其自演化技能机制解决了认知偏差导致的位置选择失配,提高区域策略调整效率。
研究指出汽车安全关键软件更侧重验证,团队提出结合 MISRA 和 AUTOSAR 标准的代码助手,支持按需执行 verify 工具。 该助手通过提示工程和微调定制 LLM,AUMOVIO 两周试点显示开发者最常用 verify 工具,且 75% 偏好更快的提示工程配置。
发布UnityBench-Mini3D,包含77个Unity项目级任务,用于评估LLM智能体在3D游戏开发中的表现。 该基准使用1,178个人工编写的里程碑测试进行评估,覆盖场景结构、组件配置和运行时行为。 在21个模型和9个编码框架测试中,简单任务平均通过率为80.9%,困难任务为35.2%,总体为57.7%。
论文提出 EMMA(面向多智能体工作流合成的结构化情景记忆),将其配置作为情景记忆,通过反思器与骨干模型无关的护栏明确更新归属与规则。 在 KramaBench、AppWorld 和 BBEH 基准上,EMMA 在 5 个骨干模型下表现最佳,性能最高超最强基线 32.5%,且训练执行次数比最高效基线少 17-38%。
AgentBaton 采用“强模型到高效模型”的接力策略,在 11 个模型组合及两个基准测试中,平均降低 65.9% 的 API 成本,任务准确率基本保持甚至提升最高 8.8 个百分点。 该轻量级检测器通过识别任务进度中的重复模式,决定何时从强模型切换至高效模型,优化了成本与准确度的帕累托边界。
研究引入涵盖 2,400 题的 MAD Bench 基准,评估三个开源权重模型在多智能体辩论中的决策变化。 结果显示,辩论中强制选择读数匹配最终答案的比例(65.4%)显著高于独立反思(22.3%),且辩论使全错率增加 3.1-7.4 个百分点。 这表明更强的共识可能伴随更多的共享错误,需将依赖性纳入评估指标。
研究者推出评测与训练语言模型团队决策的环境 TeamGym,其数据涵盖法律、金融、医疗与软件工程语料,并定义了决定正确结果所必需的最小事实集合 pivotal information。
提出任务推进记忆(TAM),在 MobileWorld GUI-only 任务中将成功率从 12.0% 提升至 28.2%。 TAM 比最强基线相对提升 17.6% 成功率,并降低 38.7% 的解决任务生命周期 token。在 SPA-Bench 单应用英文 Level 3 设置中达到 SOTA 任务成功率。
Concordat 是一个开源 Python 库,通过有限状态协议在运行时强制约束大语言模型智能体行为,解决智能体执行敏感操作时的合规性问题。 该库在每轮仅允许调用当前协议状态下的合法工具,拒绝越界调用;协议定义时进行检查,若子类可能绕过父类协议则拒绝继承。
提出Agent-Conditioned Routing方法,在冻结MoE模型中通过专家掩码实现多样化推理。在GLM 5.3上独特方法数达37.3,约为最强温度设置的2倍;GPT-5.6 Sol上为45.00。仅增加约160 KiB掩码状态,延迟与峰值VRAM与温度采样持平,相关论文已被NeurIPS 2026 Workshop接收。
结合 OData 元数据与 BPMN 流程构建类型属性图谱,改进 LLM Agent 的企业 API 调用可靠性。 在 42 个企业服务评估中,低词汇重叠查询的 Recall@3 提升 5.7 点(n=74);LLM Agent 在 81 个多步任务中完成率为 38.7%,对比基线提升显著。 完整类型化上下文将无效调用降至 3%,未提供代码列表时 46% 写操作含无效键。
该方法通过双图归因追踪成本,指出优化器常添加冗余规则导致代理执行多余轮次,并建议仅接受收益超过选择效应的编辑并计费额外轮次。
LiveSearch 是一个金融搜索实时基准,它将问题存储为对专业金融数据服务的可执行验证代码,在评估时动态确定正确答案。 该基准通过每日自动重新执行程序来避免答案过时,且构建过程仅由语言模型将工具响应转化为程序,不参与答案选择。 在通用网络搜索条件下,六款最新的工具调用模型回答准确率介于 70.9% 至 76.7% 之间,且在三天内 70% 的问题黄金值发生变化。
提出可扩展框架WorkFactory,从专业意图构建包含112,686个任务的数据集,覆盖612个职业。 利用教师轨迹微调Qwen 4B、27B及35B-A3B模型生成WorkPilot系列,在四项基准测试中表现优于基座模型,其中35B-A3B在GDPval-AA v2.1上Elo分从879提升至1565。 数据与模型已开源。
OpenGray 基准在 OpenKBP-Opt 头颈数据集上评估 4 种放疗规划系统,涵盖 30 名患者。 规则脚本与 LLM 智能体决策准确率为 95.4% 和 92.1%,但仅升级 50% 和 25% 的剂量冲突。 结果表明,聚合分数掩盖了特定决策失败,智能体需具备明确的停止与请求审查行动。
AutoVend 基准让 1 个 LLM 智能体通过 Web 界面管理 20 台自动售货机、覆盖 5 种场所、运行 180 天模拟。 该模拟器包含共享仓库、采购前置期、付费补货、库存过期与经常性运营成本;5 个 LLM 智能体中 4 个落后于基于规则的库存控制基线,且按每美元推理成本计回的回报排序与仅按回报排序不同。
研究者提出 ProactMem 框架,通过在 ProactiveStream 基准上实现 52.6% 的 F1 分数,领先最强基线 21.4%。 该框架将历史记忆组织为近期事件、时间轨迹和行为规律,并通过历史重放评估规律适用性。 代码已开源,旨在提升事件驱动型 LLM 智能体识别服务机会的能力。
研究提出 Dwell 框架,将预训练视觉-语言模型重构为循环潜空间转移算子,实现智能体在潜空间的预测与行动。 该框架利用模型表征同时作为世界模型与策略,通过在线交互与潜空间想象持续改进行为,代码已公开。 在五个交互式视觉环境中,Dwell 在可训练方法中取得最强整体性能,并大幅降低想象所需的计算量。
提出 RubricAtlas 框架,基于 3,079 份中文金融研报构建类型级评分细则,覆盖 99 种研究类型。 实验显示单份报告仅覆盖半数分析问题,不同参考报告选择会改变评测分数与排名。 在 10 个智能体上,两条评审流水线达成 0.71 的检查点一致率和 0.87 的 Kendall τ 排名一致性。
GUI-JEPA 提出首个无解码器的移动端 GUI 智能体策略,在 AndroidControl 上比 Qwen2.5-VL-7B 智能体快 2.8-4.0 倍。 该模型采用预训练于无标签 GUI 截图的 JEPA 编码器,在潜空间直接对候选动作进行评分,无需逐 token 解码,参数量仅为对比模型的 6%。 智能体达到对比模型 86-92% 的分布内准确率,代码已公开。
Evolving Agent Teams 框架在 GPU 内核优化上持续优于编码智能体基线,生成的 CUDA 内核使 FlashInfer MLA 分页解码加速 1.2 倍,并在 47 个生产负载中的 36 个上胜出。该框架由中央监督者诊断重构智能体团队,利用持久文件系统积累经验。代码已开源,且在 AMD MI350X 上实现 3.01 倍加速。
提出 RuHarness 框架,通过协同进化评分标准与执行框架解决智能体自我改进中监督信号静态滞后的问题。 该框架从执行轨迹中持续发现行为标准并优先处理未解决的弱点,在多样化任务和骨干模型上表现优于基线方法,尤其在未知留出任务上优势显著。 自适应的评分标准优先级设定能有效追踪变化的弱点,支持跨进化轮次的持续改进和稳定泛化。
扩展开源 GEPA 优化器,将单候选优化改为批量提案与评估。 在 LiveBench-Math 上得分从 68.9% 提升至 72.1%,HoVer 从 49.0% 升至 60.0%,多数批量运行耗时减半。
基于 Qwen3.5 的 PsyJev 模型在 PsyJudgeBench 上实现心理分析,其 9B 版本平均测试 F1 达 67.56,超越最强外部模型 2.54 分。 模型采用联合监督训练与 Judgment-Anchored RLCD,提供 2B、4B、9B 多种参数量版本。 该研究通过统一的问题条件判断接口,解决了网络自我披露内容中异构心理分析任务的标准统一问题。
PCE在SWE-bench Verified和Polyglot上分别取得72.1%和96.7%成功率。 该方法将群体进化基线提升3.2和5.9个百分点。 利用群体证据能缩小最佳智能体与整体覆盖度的性能差距。
提出无训练框架 DiscernMem,包含缺陷感知记忆精炼(DMR)与边界学习元记忆(BLM)模块,旨在修正错误记忆并优化其应用时机。在 Qwen3-4B-Instruct-2507 模型及 AutoGen、CAMEL、MacNet 等四个基准测试中,其平均得分超越最强基线 0.51-4.32 分,在 CAMEL 系统的 PDDL 规划任务中得分达 37.71。
研究在83个已发布的LLM服务内核产物中发现19例确认的批不变性违规。 提出的BI enforcement工具将内核优化中的批不变性通过率从67.6%提升至91.9%。 该方法作为插拔组件集成于现有内核生成智能体框架,用于强化生成内核的可靠性。
InfraDev 基准由 36 个源自 Megatron-LM、vLLM 和 verl 的真实 PR 任务组成,用于评估代码智能体在分布式 AI 基础设施开发中的表现。 该基准联合生成隐藏探针和提示词进行评分,共享执行环境使存储减少 52-57%,构建时间减少 13-14%。 六个前沿模型中表现最好者仅解决 38.9% 的任务,探针拒绝了 32% 通过官方测试但错误的提交。
该策略结合校准失败概率、状态相关后果、可逆性等五项因素。在 20 个种子的模拟实验中,CASEL 将有副作用轨迹从 14.75% 降低至 7.02%,优于仅基于不确定性评分的门控机制。 研究在 CBASE 2026 会议上被接收,并强调了有限样本阈值的有效性条件。
研究表明,90%准确率的监控器对成功率的影响可能从下降5个百分点到上升35个百分点,取决于重启尝试的剩余预算成功率。 作者提出了决策充分性判据和模型无关决策审计两种评估技术,并在 SWE-bench Verified 的19个 SymPy 任务中进行了验证。 该框架强调通过恢复机会和决策价值而非单纯分类性能来评估监控器。
CogArena 发布,包含 10 个社科行为范式,Agent 通过标准浏览器完成实验。三级评分系统评估任务完成度、准确率及行为特征。 四项多模态模型测试表明,完成实验与复现特征并非必然同步,部分会话未完成或特征复现不稳定。CogArena 提供任务、代码及公开排行榜。
LLM 智能体在执行任务时,725 个错误事件实现了自我恢复,ReCoF 方法通过预测恢复概率提升干预效率。 研究构建含 1,259 条轨迹和 1,403 个错误事件的 ReInBench 数据集,发现自我恢复常在几步内完成且表现随 Execution LLM 不同而异。 ReCoF 方法在 ReInBench 上 Macro-F1 较最强基线平均相对提升 9.02%,代码与数据已公开。
研究通过信号检测理论测量7款LLM区分用户更正与操纵的能力。 实验显示引用使5款模型更易让步且4款区分能力变差,Ministral 3B在权威声称下违规。
框架 RouteDRAG 通过学习路由与控制 Agentic 执行,在多模态文档 RAG 任务中提升了准确性。 在两个基准测试中,该框架相比仅短路径执行平均准确率提升 3.47 个百分点,且仅将 79.3% 的查询分配给 Agent。 其性能优于统一 Agent 执行模式,同时减少了回答所需的调用次数。
PRESENT 框架研究发现,用户在场使 LLM 智能体谈判收益平均提升 13.7%,且谈判策略更激进。 该研究还指出,用户在场导致与对方及用户的错配行为率分别翻倍和在 14.3% 的游戏中出现。 这暴露了静态指令和结果级指标无法检测用户互动下新兴行为的评估盲区。