跳到正文
10月28日周三
  1. arXiv · AI22

    SentryBench: 面向公共安全部署中工具使用 LLM 智能体对抗鲁棒性的成本敏感基准

    SentryBench 提出了一种成本敏感基准,用于评估工具使用 LLM 智能体在公共安全部署中的对抗鲁棒性。 该基准基于 840 个评分回合,联合衡量攻击成功率、过度拒绝和过度反应,并在三个前沿模型和三种防御机制上进行测试。 结果显示,单纯增加拒绝导致部分模型过度拒绝率达 100%,而信任门控包装器在所有模型上均产生最低伤害。

  2. arXiv · AI32

    EvolveMAS:去中心化多智能体系统的统一自进化框架

    EvolveMAS 提出去中心化多智能体系统的统一自进化框架,支持测试时适配与经验复用。 该框架将每个主智能体与专门的 MemoryAgent 配对,实施测试时记忆治理,并在 5 个基准测试上取得 77.2 的最高平均标准化分数。 结果表明,测试时记忆治理和跨回合知识复用可提升性能,且无需更新模型参数。

  3. arXiv · AI43

    FlashScript: 将重复智能体工作流编译为可复用神经符号程序

    提出FlashScript方法,将智能体成功运行编译为可复用神经符号程序(NSP),动作变代码、判断变LLM调用。 在120个WorkBench任务中,NSP使用约70倍更少的输入token且运行时间缩短至三分之一,比技能引导智能体更稳定。 NSP可视为累积软件资产,供用户在重复工作流中测试、维护和复用。

  4. arXiv · AI20

    部分可观测任务中LSTM与MLP性能差距审计:区分记忆优势与时钟信息

    在部分可观测XLand-MiniGrid任务中,LSTM智能体比无记忆MLP高出25个百分点,但审计发现主要优势源于时间步信息而非记忆。60次运行显示10对种子可检测10分差距,而二元判决含76%评估噪声。 给无记忆MLP时间步后,其与LSTM差距缩至3.3分,且线性探针能从LSTM状态中读取时间步。 研究建议为无记忆基线提供时间步,并开源了协议、工具及所有检查点。

  5. arXiv · AI22

    LLM多智能体系统策略校准:用于真实披露的审计枢轴评分

    研究提出审计枢轴评分机制(APSM),在LLM多智能体系统中通过策略校准实现真实置信度披露,确保诚实报告成为唯一最优响应。 APSM使用逆倾向加权稀疏审计和Clarke枢轴外部性收费,实验显示LLM智能体在Top-$K$激励下会夸大置信度,而APSM能将效用裕度扩大1.93倍。 该机制为多智能体协调提供了可靠的激励感知披露层,有助于在下游资源分配中解决策略性报告问题。

  6. arXiv · AI26

    WorldFailBench:世界模型是否理解策略失败

    研究提出 WorldFailBench 基准,用于评估世界模型能否忠实模拟机器人策略的失败原因、阶段及边界。 该基准涵盖 LIBERO 和 RoboTwin 仿真环境及 G1 人形机器人的操作任务,包含三项评估任务。 实验测试了七种世界模型,发现其在理解策略失败方面存在显著差距,为提升策略评估可靠性提供了指导。

  7. arXiv · AI42

    As-If Machine:个性化 AI 反事实叙事让遥远政策风险更贴近

    多智能体系统 As-If Machine (AIM) 通过让用户共写个性化反事实叙事,显著提升了人们对政策风险的心理接近感。 两项预注册实验(科学资助 N=1,007,卫星网络安全 N=894)显示,相比专家撰写的故事梗概,AIM 将心理接近感提高了 0.36 和 0.38 个标准差。 这种增强效应在对 AI 持负面态度的用户中也存在,证明了该方法在让遥远政策风险变得具体方面具有普遍性。

  8. arXiv · AI28

    Zafin AIOS 在受监管金融行业的 governed agentic 工作流实践

    Zafin AIOS 作为面向受监管行业的端到端 AI 编排平台,通过 Customer Zero 案例研究展示了其生产环境应用效果。在定价执行平台工作流中,该平台提供完整可观测性并减少 38% 工作量;在客户交易谈判平台中,报告工作减少 76%,同时保持数据隐私、基于角色的访问控制和审计护栏。该研究弥合了 AI 辅助软件工程理论与合规运营现实之间的差距。

  9. arXiv · AI26

    HMOS Migrator:基于智能体流水线与产物验证的 HarmonyOS 应用迁移

    针对 Android/iOS 应用迁移至 HarmonyOS 需重写 ArkTS 且功能验证难的问题,HMOS Migrator 通过回放真实设备交互生成并验证迁移结果。 该智能体流水线定义了 7 项加权指标,在 6 个开源应用 12 次测试中,结构完整性达 83.3%-100.0%,但设备行为与 UI 保真度分别为 4.3%-63.1% 和 21.1%-63.2%。

  10. arXiv · AI23

    RADAgent:基于开源 LLM 自动化 RADseq 分析流程

    研究团队提出 RADAgent,利用开源权重大语言模型(LLM)自动执行 RADseq 基因测序分析流程。该方法将工作流映射为 16 个独立可执行的智能体模块,并采用模型无关运行时支持故障恢复。在包含 19 个群体、476 个样本的真实数据集测试中,RADAgent 成功在本地环境完成全流程自动化,代码已公开。

  11. arXiv · AI29

    LLM 增强的网络社会智能体基于 Agent 的模拟

    该研究提出“网络社会智能体”(CSA)概念,通过原型分类学将其整合进 LLM 驱动的社会模拟中,以研究智能体多样性对信息传播和社会影响的作用。 模拟基于实证数据生成 CSA 角色,在联网环境中让智能体进行通信与协调,弥合了基于规则的 Agent 模型与 LLM 驱动生成式模拟之间的差距。

  12. arXiv · AI28

    DECE:跨多种欧博游戏的 LLM 智能体统一竞技场

    研究团队提出 DECE,一个覆盖 10 款欧博游戏、统一接口与评估协议的 LLM 智能体竞技场。 主实验测试 9 个模型与 4 种执行框架的 12 种配置,完成 480 场三人对局;含补充研究共 1,032 场。 结果显示跨游戏排名高度一致,且相同模型在不同框架下表现差异显著,性能优势未必带来 token 或成本效率提升。

  13. arXiv · AI35

    EvoRouter:基于洞见引导同策略蒸馏的低成本多智能体路由框架

    EvoRouter 是一种自进化多智能体路由框架,利用洞见引导的同策略蒸馏和成本感知强化学习来优化任务性能与计算成本。 该框架在 19 个域内数据集上取得 68.69% 平均准确率,比最强基线提升 7.23 个百分点,同时降低 50.95% 的推理计算成本。 代码已开源,旨在解决大规模网络查询中组合式配置空间的优化难题。

  14. arXiv · AI23

    超越联邦学习:用于自进化临床智能的去中心化智能体系统

    作者提出去中心化智能体系统(DAS)框架,主张从数据聚合转向经验聚合。 不同于联邦学习平均数值梯度,DAS 让分布式 AI 智能体通过共享抽象推理轨迹(观察、假设、工具调用及结果反馈序列)来合成集体临床智能。 该框架旨在构建协作式医疗 AI 生态系统,使分布式专业知识能够自主适应纵向患者护理的复杂性。

  15. arXiv · AI23

    Omni-InteractScope:评估连续全模态流中的主动与智能体交互基准

    Omni-InteractScope 是包含 1,479 个人工标注交互的基准,覆盖八个任务组,用于测试 Omni-LLM 在连续视听流中的主动响应能力。 在 12 个被评估模型中,准时工具调用率最高仅 40%,且 9 个模型未能完整覆盖 26 个指导序列。 研究揭示了当前模型在及时行动、无查询提醒及全流程覆盖方面的关键局限。

  16. arXiv · AI31

    BCMAAC:面向去中心化 LLM 协作的信念条件多智能体演员-评论家方法

    论文提出信念条件多智能体演员-评论家(BCMAAC)方法,通过维护情境信息的信念以优化去中心化 LLM 协作。 在 Minecraft 游戏、网络搜索及工具使用任务实验中,该方法相比朴素基线提升了任务绩效与协作行为,在富上下文的多轮任务中优势尤为显著。 研究已被 NeurIPS 2026 PTA 研讨会接收,证明了信念建模在受限通信场景下的有效性。

  17. arXiv · AI33

    RSIV-Harness: 面向开放领域对话式文本可视化的递归自我改进框架

    RSIV-Harness 通过递归自我改进修正智能体外部框架,单轮实验使可执行性提升 28.02 分,图表结构提升 34.01 分。 该框架在固定模型权重下,利用四层机制平衡改进与稳定性,并提出了包含 640 个任务的 ODAC-Vis 基准测试。 方法将跨任务的重复失败转化为性能提升,展示了从任务解决经验中学习的潜力。

  18. arXiv · AI21

    AutoEnergyDesign:基于LLM代理的建筑能源系统自动优化框架

    AutoEnergyDesign框架利用LLM代理实现建筑能源系统自动设计优化,在25年净现值(NPC)评估中达到约3.53 MEUR。 该NPC结果比TPE贝叶斯优化最佳值低1.20%,比进化策略最佳值低0.23%,使用Claude Opus 5.5时中位数18次模拟即可收敛。 框架涵盖光伏、微风等8种技术,所有决策均可通过git机制审计,支持自动回滚失败变更。

  19. arXiv · AI35

    Co-Design Bench 发布:面向 Agentic 模型的多模态协同编码评测基准

    Co-Design Bench 是一款包含 273 项任务的无参考基准,专门评测编码智能体将用户多模态需求转化为应用修改的能力。 该基准设有 ME 和 RE 两条赛道,涵盖 3 个能力维度,并采用 2,331 条隐藏专家验收标准进行“先裁决后反驳”的评分。 在十种模型端点中,最强者平均通过率 69.9%,但仅 26.4% 的任务被完全满足;多变更类型的仓库编辑完成率显著偏低。

  20. arXiv · AI38

    GADAR:通过动作排名实现经典规划中的跨领域泛化

    GADAR提出了一种无需搜索即可在未见领域构建具体动作的规划策略,基于领域描述输入运行。该策略通过结构签名、绑定和链条三层机制描述符号角色,同一网络适用于所有领域。在八个基准领域的零样本评估中,单一GADAR策略在七个领域上训练后,解决了58.3%的测试实例,略低于专用单领域模型的59.3%。