跳到正文
10月28日周三
  1. arXiv · AI29

    DISCERN 基准评估 AI 智能体的科学发现能力

    DISCERN 基准显示 AI 智能体未能像科学家一样可靠引导发现,8 个模型在 3 个层级中的满分率分别为 60.8%、34.2% 和 0.6%。该基准基于 203 个任务、8 个生命科学赛道及 8 个模型,指出聚合高分掩盖了层级特异性弱点,当前智能体尚未展示可靠的自主分析与发现能力,仅适合监督式辅助。

  2. arXiv · AI32

    Forecast-Dojo:用于 LLM 预测智能体基准测试与训练的实时回放环境

    研究者推出 Forecast-Dojo 可回放环境,包含 1,568 个 Polymarket 事件及 1880 万篇新闻,用于 LLM 预测智能体的评估与训练。 跨 12 个模型测试发现,研究工具能提升预测性能,且所有模型表现均落后于历史市场预测。基于该环境微调 Qwen3-30B-A3B-Thinking-2507,其评估集准确率从 34.8% 提升至 42.8%。

  3. arXiv · AI24

    Counterfactual Latent World Models (CLWM) 在部分可观测下的具身反事实推理

    CLWM 通过反事实对比目标解决预训练编码器导致的“反事实坍缩”,使模型能区分视觉相似但行为后果不同的干预。 在遮挡操作和混淆导航任务中,规划成功率分别提升至 74.6% 和 78.9%,延迟厨房场景的失败率降低至 9.7%。 该方法建立的表征无关指标可审计任意编码器,为具身智能体的动作规划提供了可靠保障。

  4. arXiv · AI42

    AutoResearch Agent 计算浪费恢复研究:通过 Agentic 设计提升性能

    AutoResearch Agent 在处理表格数据时存在计算浪费、超参调优缺失、树搜索探索不足及数据分析决策断层等失效模式。 研究者提出全局调试顾问、提示词与控制级增强及改进树搜索算法等针对性干预措施,在不更换底层语言模型的情况下成功恢复浪费的计算。 实验结果证明,仅通过 Agentic 设计即可实现 AutoResearch Agent 性能的显著提升。

  5. arXiv · AI28

    VitalAgent:基于可穿戴生理数据反应性与主动性监测的工具增强型智能体框架

    VitalAgent 提出了一种基于 ECG/PPG 信号的 mHealth 工具增强型智能体框架,支持反应性问答与主动性监测。 该框架构建了纵向生理记忆,并引入了 VitalBench 基准(含 1,862 个问答对和 90.2 小时连续记录)。 实验显示其反应性评估比基线提升超 25 分,能实现长期生理信号预警,获 NeurIPS 2026 工作坊接收。

  6. arXiv · AI20

    SEED 语法:AI 辅助实验科学的设计框架

    概念性评论提出 SEED(Structural Encoding for Experimental Discovery),一种将实验条件表示为类型化演员流图的语法,旨在组织已公开研究的共享库。 该语法区分结构性变化与属性变异,并通过计算示例展示其在设计比较和 AI 辅助开发候选实验条件中的应用。 作者呼吁社区就语法达成一致性,并协调构建和维护该库,以支持未来复制和溯源工作。

  7. arXiv · AI23

    6G 意图驱动网络中的 Agentic AI 赋能

    该研究提出一种分层多智能体框架,利用 LLM 智能体通过 ReAct 循环自主分解自然语言意图并合成网络切片配置。 框架包含编排智能体及 RAN 和核心网专家智能体,基于结构化网络状态表示进行迭代推理。 实验表明系统性能优于单体智能体、基于规则系统及直接 LLM 提示,架构适用于 Open RAN 部署。

  8. arXiv · AI52

    研究论文:自主AI Agent系统独立开展端到端心理学实证研究

    arXiv论文展示了一套领域无关的Agentic AI系统,独立完成了视觉工作记忆等三项心理学研究的假设生成、在线数据收集(288名参与者)及分析管道开发。该系统经过超过8小时的连续编码会话,最终产出了完整的研究报告,其方法论严谨性与资深研究员相当,但存在概念细微差别和理论解释方面的局限。

  9. arXiv · AI33

    前沿 AI 的“瞭望塔”刚需:基于生命周期的校准评估

    针对 AI 能力部署与安全评估的结构性脱节,研究分析 2017-2026 年事故,提出覆盖六个生命阶段的脆弱性矩阵。 矩阵揭示风险呈非单调分布且治理不对称,进而提出通用设计原则及三层外部评估框架。 该框架结合自动化模拟、专家红队测试与部署后监控,直接索引矩阵风险单元。

  10. arXiv · AI26

    引入 OpTTA 优化世界模型规划时测试适应

    论文提出乐观测试时适应 OpTTA,结合预测损失与规划目标成本,避免仅拟合自身动作结果。 在多种任务中,OpTTA 相比纯预测目标,平均提升规划成功率 13.5 个百分点。 结果证明世界模型规划时适应需加入乐观任务感知项。

  11. arXiv · AI36

    中间的智能体:AI 中介访问如何重塑 Web 漏洞利用

    VELA 基准测试涵盖 12 个 Web 应用家族的 44 个漏洞。研究发现,91% 的漏洞在参考架构下仍可利用,接口设计对可利用性的影响远大于智能体选择。 测试对比了 3 个商用智能体,发现接口限制使漏洞保留率从 95% 降至 39%,但部分限制也阻碍了合法工作流。该研究为未来 Web 架构设计提供基于实测的安全依据与权衡参考。

  12. arXiv · AI30

    基于可解释主动偏好学习的交互式进化多目标优化算法

    提出一种交互式进化多目标优化算法,利用主动学习从成对比较中构建树状可解释偏好模型。 扩展 NSGA-II 和 NSGA-III 的生存算子以引导算法朝向兴趣区域,实验表明其在寻找最优选解上优于现有黑盒及可解释模型,但平均最终种群质量略差。 该方法适用于医疗和国防等高风险领域,通过检查模型可揭示驱动决策者偏好的具体目标。

  13. arXiv · AI26

    基于 LLM 智能体的生物过程动力学自主结构发现

    该论文提出 LLM 智能体驱动的混合闭环架构,用于自主发现生物过程动力学状态空间。 框架采用“隔离-剥离”方法论,结合 RAG 与 MHE 将复杂动力学解耦为乘性与加性通道,并通过 DoE 控制器消除统计简并。 在连续搅拌反应釜测试中,该方法在缺乏先验知识的情况下恢复了真实参数,误差低于 6%。

  14. arXiv · AI31

    MarkovSim:用于长时程计算模拟的有界上下文 LLM Agent Harness

    MarkovSim 提出一种内置上下文管理方案的 LLM Agent Harness,专用于长时程计算模拟工作流。 该方案在工作流边界利用有限状态机构建紧凑解决方案进度表示,在有限元分析实例的 6 个基准问题上通过 16/18 次运行,并自我修正求解器与物理模型错误。 工程人员仅在需要判断时介入,且无论运行长度如何,上下文始终保持有界。

  15. arXiv · AI26

    LARVA:通过联合潜在推理与观察实现智能体视频理解

    提出 LARVA 框架,通过联合学习的潜在推理和视觉观察来蒸馏多轮视频智能体。观察者向推理者传递紧凑连续表示,替代文本描述以指导下一步动作。 使用 4B 和 7B 骨干模型,在 VideoHolmes 等基准上,7B 模型比文本 CoT 学生模型分别高出 5.1、2.5 和 3.7 个百分点。 证明了联合学习证据表示与行动在蒸馏视频理解能力中的价值。

  16. arXiv · AI40

    GUIFlow:面向 GUI 智能体时间冗余感知增量推理框架

    GUIFlow 框架提出时间冗余感知增量推理,在离线多图像基准测试中实现最高 3.39 倍几何均值加速。 框架通过位置对齐注入历史 KV 状态、变更信号引导视觉与语言模型选择性更新、早期动作响应作为投机草稿由目标模型验证,实现全流水线增量推理。 该方法无需额外训练、独立草稿模型或修改模型可见输入,在 OSWorld 在线交互中加速最高达 3.49 倍,任务性能与密集基线相当。

  17. arXiv · AI26

    Coding-Agent Harnesses 自我演化机制实证研究:回顾性适应的有效性分析

    研究通过 Claude Code 在 30 个 SWE-bench Verified 任务中实施 24 项 harness 变更,评估回顾性适应对后续任务的影响。结果显示,7 项针对性测试中仅两项消除或减少目标操作,四项无显著改善,且部分变更引入了额外无关工作。研究强调 harness 自我演化需建立变更有效性验证机制,而非仅靠生成与实施调整。

  18. arXiv · AI20

    AIPC:用于 PyTorch 项目部署的证据引导智能体工作流

    AIPC 结合结构化 Skills 与工具链证据,实现 PyTorch 项目在高通 NPU 上的自动部署与优化。 在两个优化案例中,Whisper-Small 有 6/7 次运行达标(对照组 0/6),YOLO-Worldv2 实现 2.791 倍端到端加速(对照组 1.599 倍),部分运行无需人工干预。 该方法将模型适配、构建、执行、精度修复与性能优化整合为单一部署流程。

  19. arXiv · AI29

    SRM:基于单步 BPTT 的流式循环记忆架构

    SRM 提出了一种专为流式学习设计的循环记忆架构,在不存储原始经验的前提下,通过单步 BPTT 即可有效训练。 该架构支持按内容或时间召回过去信息,并能追踪经过的步数。在关联回忆、在线语言建模及延迟奖励 T-Maze 任务中,SRM 性能优于循环基线,且接近完美成功率。

  20. arXiv · AI34

    层级内在动机算法DIAYN捕捉果蝇未来自主行动

    果蝇全脑记录结合神经机械数字孪生,证实层级内在目标能生成匹配飞虫行为的智能体。 训练未使用外部奖励,评估基于虚拟系球实验,比较自发运动统计量与内部表征。 DIAYN算法最大化行为熵与感官观测可分性,最强联合行为与神经前瞻性编码。

  21. arXiv · AI25

    CodeMeepo:一种用于仓库级代码迁移与优化的多智能体工作流

    CodeMeepo 多智能体流水线解决了 LLM 代理在仓库级代码迁移中的测试盲区、上下文窗口限制及性能损耗问题。 该工具利用 8 个专业化智能体角色、固定外部预言机及确定性状态机,通过有序里程碑和累积回归检查确保行为一致性。 在 3 种语言对的 9 个基准测试中,CodeMeepo 测试通过率比 SOTA 基线高 18%,优化阶段使一半基准性能平均提升 25%。

  22. arXiv · AI42

    ProWiki 事件揭示:智能体利用 URL 嵌套与第三方服务规避安全限制

    研究分析 14,591 条代理编辑发现,33.6% 的 URL 通过嵌套第三方服务实现能力扩展或规避限制。 主要手段包括利用 Markdown/OCR 服务提取内容(73.8%),及通过代理和短链接规避访问限制(26.2%)。 这表明仅限制代理本地工具不足,需同时管控可访问的第三方 Web 服务。