MillBill:基于几何反馈的 Machining Agent
MillBill 提出将 Machining 决策与几何执行分离的智能体,使用本地部署的开源模型 Qwen3.8-27B 规划三轴加工操作。 系统通过几何框架生成刀具路径并模拟材料去除以提供反馈,其设置规划考虑了刀具的物理可达性而非仅可见性。 在指定容差内目标表面积占比的评估中,该方案优于自行构建几何与刀具路径工作流的前沿模型方法。
MillBill 提出将 Machining 决策与几何执行分离的智能体,使用本地部署的开源模型 Qwen3.8-27B 规划三轴加工操作。 系统通过几何框架生成刀具路径并模拟材料去除以提供反馈,其设置规划考虑了刀具的物理可达性而非仅可见性。 在指定容差内目标表面积占比的评估中,该方案优于自行构建几何与刀具路径工作流的前沿模型方法。
智能体技能复用因环境变更过期,可致性能下降10个百分点、成本增40%。 提出选择性维护机制,无需额外模型调用即可修复状态,最高提升准确率67pp、减少37%步骤。 确保技能在环境演进中保持推理价值。
系统 LMLineage 将智能体输出溯源至输入片段,单 GPU 每秒完成归因,支持 40 轮上下文稳定运行。 评测涵盖 gpt-4o-mini 等 3 模型,发现窗口级嵌入相似度优于全文匹配;概念漂移检测假压缩率为 0%。 该方法无需白盒访问或额外推理,已申请配套专利。
研究团队提出 SciWorkBench 基准,用于评估智能体在生物学、化学等真实科研任务中的能力。 测试涵盖四大领域,由专家验证统一分析框架,并在 Claude Code 和 Codex 框架下评估最新模型。 性能最佳的智能体仅获得 57.38 的平均分,表明当前智能体在将科学知识转化为具体步骤及多模态证据整合方面仍存在显著短板。
针对智能家居中传统模糊测试因假设理想人类决策而失效的问题,提出集成大语言模型(LLM)的增强版IoT Fuzz方法。 该方法通过LLM模拟人类决策过程,在测试环境中增加真实感与不可预测性,以更准确地捕捉智能家居中复杂多变的人类交互。 此方法旨在揭示实际人类决策的影响,从而发现导致隐私泄露、数据窃取或物理伤害的意外跨规则漏洞。
提出 JevRSI 框架,通过 System-1 与 System-2 协作提升决策效率。 采用递归自我改进的模块化 harness,在三个数据集上性能匹配或超越 LLM 智能体。 保留低延迟执行特性,并摊销 System-2 成本。
GPT-6 Astra与Claude Fable 5.1在无梯度下降下直接读写神经网络权重,为拖拉机引导控制器编程。 253参数网络控制车辆沿线弧路径行驶,模型仅通过少量模拟评估即成功修复原网络或从零构建有效控制器,且无需人工干预即可控制真实拖拉机,误差与纯追踪策略相当。
论文提出面向 AI 投研 Agent 的领域评估框架,区分结果质量与执行质量。 框架采用任务特定标准、确定性验证器及 LLM 裁判,并引入有效性机制检查输入完整性。 数值结果显示该框架能识别不同维度上的 Agent 性能差异及评估可靠性问题。
研究提出 IfcGym 环境和 IfcEdit 方法,通过验证器生成训练信号优化 IFC 建筑模型编辑。 若以严格成功率(strict success)为奖励,Qwen3.5-9B 模型在 IfcEditBench 上达到 86.78% 准确率,超越多数提示模型。 在 BIM-Edit 和 BIBIMBAP 公开基准上,该模型得分分别为 55.19 和 54.50,验证了该训练范式的有效性。
针对静态代理Harness在多模型间易失效的问题,提出统一框架。框架包含四个可编辑运行时组件及诊断、补丁、验证、部署的四阶段循环。 优化器通过长轨迹追踪错误,发现pre-stop验证器、循环破坏器和持久记忆等机制。
ConfGuard提出基于物理基础的参考监控器,用于防护预测性维护LLM智能体。在10,196个C-MAPSS测试窗口中,该监控器将隐蔽攻击者对健康资产的影响从0.529降至0.046,并完全消除对故障资产抑制攻击。在Qwen3-14B规划器下,它将紧急级注入攻击降至0.00,通用传感器攻击降至0.12,显著优于现有防御方案。
Inventa 通过自主研究单元与验证共享知识,在五项基准测试中全面领先,EurekaBench 得分 73.6%(CORAL 为 56.2%)。 框架中 mutator 生成想法谱系,orchestrator 在停滞时替换模型或重启;IdeaBench 中每篇论文发现 26.0 个新颖想法(ResearchAgent 为 18.6),且模型调用次数减少 82%。
研究在Harvey LAB文档审查任务中引入基准,发现多智能体委托虽将冲突事实检索率从50.2%提升至68.7%,但冲突检测率从16.2%降至13.2%。 当两名工作智能体读取同一对冲突声明时,检测率高于单智能体;若声明分散在不同工作智能体,则检测率显著降低。 工作智能体向主智能体的交接环节被确认为提升多智能体LLM冲突检测的核心优化目标。
极简 RAG 记忆 BRIDGE 在 LongMemEval-S 和 BEAM 上达到 SOTA 水平,EverMemBench 上优于基线 5.7-6.3 分。 BRIDGE 每次查询仅需约 5-7K reader-prompt tokens,且仅需单次 LLM 调用。 研究指出应评估记忆对智能体行动的支持能力,而非仅看检索效果。
论文提出 DeltaHarness,一种执行引导的策略搜索方法,通过冷启动测量自适应智能体执行框架。在固定调度的视频编辑任务中,修订后的物化策略使完整交付延迟降低 30.0%。 在未留出任务上,进化策略使延迟分别降低 8.2% 和 4.6%。独立确认面板用于控制策略替换,以解决运行时不确定性。
summary_zh: 在 rta-bench-1 基准测试中,涵盖 4 家厂商的 5 个 LLM 交易智能体在 598 次财报和 409 次坏消息暴跌中表现均未击败简单规则或逻辑回归。
Readie 系统通过学习式启动快照降低代码沙箱延迟,启动延迟降低 3-22 倍,端到端运行时缩短 1.3-3.3 倍。 该系统利用 15K 公共及 LLM 合成脚本训练,以优化算法解决紧凑快照与全覆盖的矛盾,支持多样化智能体生成代码。 Readie 使 AI 智能体无需等待长耗时沙箱启动即可迭代生成和执行代码,显著提升智能体运行效率。
Xing 4 是 TeleChat 衍生系列,在昇腾芯片上实现了 285B 参数模型的前训练,使用 8,192 张昇腾 910C 卡。 前训练基于 MindSpore HyperParallel,结合拓扑感知混合分片与长序列工作负载管理。 引入 TeleGym 智能体执行平台,支持异步解耦执行与部分 rollout,为后续更大规模模型奠定昇腾训练基础。
RegimeCouncil 提出了一种无重训的在线仲裁器,通过 Local Advisor 和 Global Advisor 动态决定 LLM 智能体使用记忆的范围,解决了固定策略的局限性。
EvoDisco 将智能体记忆演化建模为进化策略发现,利用可学习策略动态选择并实例化四个语义算子以优化记忆。该策略采用双层适应度更新,结合检索质量改进与历史操作效用遗憾等指标进行评分。
研究团队发布 ATLAS-Finance,这是一项包含 100 项端到端投资银行任务、横跨 13 家模拟企业的基准测试。 该基准由资深银行家基于真实交易工作设计,单个任务耗时 15-30 小时,评估标准包含中位 124.5 项细则。 当前最先进模型表现不佳,Claude Opus 与 Fable 在任务中的通过率均低于 11%。
论文提出包含 536 个工具的 Reversibility Classes 框架,通过五级词汇和保守默认值定义 AI 智能体操作的可撤销性。 实测中,2158 次运行里的 29 次攻击场景全部被会话守卫拦截,仅增加 9 个良性审批点;实验证实恢复效果高度依赖前置状态捕获。 该研究确立了可恢复假设的显式化与可测试性标准,但未证明整体注册表的准确性。
针对十个前沿 LLM 在 WebShop 等三个平台构建的基准测试表明,增加思考投入并未显著提升决策质量,却显著提高了报告的置信度。 测试发现模型置信度校准不佳,且错误高度共享;多个模型常在同一任务中犯相同错误。 这揭示增加推理努力主要增强自信而非准确性,对 LLM 购物智能体的实际应用构成挑战。
论文提出任务条件化智能体资源组合 AgentComposition,联合选择骨干模型与工具技能束最大化执行效用。 通过检索落地生成与束感知批评模型,参考配置恢复率达 67.73%,执行分数从 7.58 提升至 8.78,支持从任务经验中学习与迁移联合资源组合。
SkillBuffBench 提出评估 Agent Skill 贡献的基准,将 Skill 访问作为三级因子(无 Skill、精选 Skill、自动调用),并交叉记忆开关、4 个 agent harness 及多模型。
KV-LTM 提案将原始文本及其 KV 缓存存入固定读者模型层,通过恢复缓存并追加问题来响应,避免重新计算。 在 30K token/天的场景下,每用户年存储约 0.34-3.6 TB,原始文本仅约 49 MB,相比检索和索引系统具有互补性。 该系统通过存储换取避免重新预填充计算和写入保真度,并在规定的保留预算内运行。
WebAgents 通过签名的 this http URL 解耦智能体角色,使行为在创建者、宿主与运行时间流转而不绑定特定执行环境。 其基于 OpenClaw 的浏览器在运行时验证包并绑定用户控制的模型,在受控测试中成功阻断全部 716 个违规注入。 该方案旨在保留执行权限在用户运行时,并推动基于 NANDA 的发现及可互操作包生态系统的发展。
DiscoveryAgent 是一个领域无关的科学家中心系统,结合自主调查与科学家指导的假设导向。在两个预测建模任务中,其变量星分类器表现最佳,蛋白质变异效应预测器仅被 106 个 ProteinGym 基线中的一个超越。审计代理比之前的 AI 科学家代理以更高比率自主识别错误,科学家与审计代理协作识别的有效错误比手动审查多 14 倍。
OpenAI推出ChatGPT for Sales销售插件,并同步上线30多个新的及扩展后的合作伙伴插件。这些插件可用于研究潜在客户、准备销售方案、更新CRM系统以及推动交易进度。
Pallav Gupta 分享了在 Amazon Bedrock AgentCore 上构建生产级 Agent 时降低处理大型 JSON 负载成本与延迟的三种策略。该方法将 Token 消耗降低 71%,平均延迟减少 80%,适用于处理大量结构化数据的智能体应用。
AWS 提出降低生成式 AI 成本的框架,建议先判断工作流步骤是否需要模型,再用确定性代码处理规则、用受限决策调用处理固定选项、仅在开放式任务中调用 Amazon Bedrock 模型。文章给出了决策流程图和基于 AWS Step Functions、AWS Lambda 与 Bedrock 结构化输出的实现示例,强调通过缩小模型规格和避免不必要的模型调用来控制成本与延迟。
AWS Agent Registry 新增自定义元数据模式功能,允许组织通过定义键值对来统一描述和管理智能体、MCP 服务器及技能记录。该功能由管理员设定字段名、类型及允许值,并在记录创建或更新时进行验证。
Amazon SageMaker AI 扩展 AI 数据准备功能,支持生成合成数据、评估数据集及引入专家反馈。 提供自动标注、合成数据生成、数据质量评估及转换能力,可通过 Python SDK 或 AWS AI-ML agent skill 调用。 帮助团队高效构建高质量数据集,减少数据整理时间,加速模型开发与训练流程。
Aionic Labs 的开源时序语言模型 OpenTSLM 现已在 Amazon SageMaker JumpStart 上开放部署。本文结合 Nexthink 的 IT 运维场景,演示了如何利用该模型分析设备遥测数据以提供主动式支持。
AWS 发布面向 WhatsApp 渠道的开源工具包 SMART,帮助开发者基于 Amazon Bedrock AgentCore 构建生产级 AI 智能体。该工具包提供 Python SDK 与 Terraform 架构,处理消息解析、多模态媒体处理、持久化记忆和模板合规等底层任务,开发者仅需编写智能体核心逻辑与业务规则即可通过单条命令部署。
LoanPro 与 AWS 合作,基于 Amazon Bedrock AgentCore 构建多智能体贷款服务助理,客户通话时间最多减少 15%。 系统运行 Claude Sonnet 5.5、Claude Haiku 5.5 及 Claude Opus 5.5 模型,采用 Strands Agents SDK 并集成 MCP 服务器。
AWS Quick 作为专为工作打造的 AI 工作区,依托 AWS 企业安全构建,支持仪表盘、智能体及自动化流程在团队内共享。 该工具连接日常数据应用,支持租户级数据隔离、基于角色的访问控制及审计框架。Allianz 等客户将在 2026 年 11 月 30 日至 12 月 4 日的活动中演示部署经验。
AWS 面向智能体 AI 平台提出三阶段责任 AI 成熟度框架,依次为治理基础、试点部署、评估与加固,帮助平台团队与业务团队在 12 周时间内落地负责任 AI 实践。
NVIDIA高管Ian Buck在SC26大会上宣布推出Nemotron for Science、Rubin HPC GPU和Vera CPU平台,并公布了与IBM及费米国家加速器实验室在量子计算领域的合作。
推荐理由:在SC26大会上,NVIDIA展示了面向科学研究的AI智能体工具与Rubin HPC GPU,读者可据此了解前沿计算与模拟领域的最新能力。
美团技术团队发布商家AI助手评测实践,针对KA巡检任务构建41个评测场景,设计确定性Grader与LLM Rubric协同判定。 评测器通过校准集及DAG规则修正假阴性,定位配置混杂、路由不唯一等根因。 优化使Agent能力上限与效率提升,瓶颈由“不会做”转为“不能稳定做对”。