基于条件最优传输与三角映射的模仿学习统一框架
研究提出将模仿学习统一为基于三角传输的条件采样问题,引入最优传输、流匹配和随机插值三种策略。 在 Push-T 和 robomimic Square 任务上,这些策略使用更小网络和更短训练时间达到与 Diffusion Policy 相当的竞争性能。 其中 OTP 策略通过单次评估 0.23 million 参数的最小网络生成动作块,显著降低推理时间和模型尺寸要求。
研究提出将模仿学习统一为基于三角传输的条件采样问题,引入最优传输、流匹配和随机插值三种策略。 在 Push-T 和 robomimic Square 任务上,这些策略使用更小网络和更短训练时间达到与 Diffusion Policy 相当的竞争性能。 其中 OTP 策略通过单次评估 0.23 million 参数的最小网络生成动作块,显著降低推理时间和模型尺寸要求。
K2-Horizon 团队发布六款从 0.9B 到 375B-A23B 的全开源语言模型,覆盖推理、编码和智能体任务。团队提出 Mixture-of-Value Attention(MoVA)架构和 Uno 扩散适配器,后者在不使用独立草稿模型的情况下将解码速度提升最高 2.2 倍。
推荐理由:发布六款开源模型及全量训练数据,提出 MoVA 注意力机制和加速解码的扩散适配器,并披露 10T 合成预训练细节。
Anthropic 与 BigHat 利用通用 AI 智能体 Claude 在抗体优化循环中引入科学推理,完成了抗白蛋白和抗间皮素蛋白的两项优化战役。 研究共迭代 7 轮,生成约 1,010 个设计变体,通过构建抗体谱系库发现热稳定性指标与实际性质不符。 团队通过物理模型修正指标并调整实验协议,最终使两个先导化合物在亲和力、热稳定性和聚集性上优于亲本序列。
GRACE 管道通过并行运行 N 个智能体并执行锦标赛筛选,取代传统的单一轨迹或投票机制。使用 Qwen3.6-35B-A3B 作为骨干,在 InfiAgent-DABench 上将答案匹配率从 39% 提升至 71%。
Accelerate Bench 是一个包含 32 个 CPU 优化任务的基准,用于评测 16 个编码 Agent 在应用级程序优化中的表现。 该基准改编自科学应用和超算竞赛,任务包含工作负载、正确性要求及编辑限制。
GainCtrl 是一款基于增益的 LLM 智能体执行控制器,通过轻量级 CPU 预测器根据交互历史估算保留分数之上的预期正向增益。 该预测器在单 CPU 线程上以毫秒级延迟运行,在匹配目标质量下通常比基线消耗更少 token,且支持无需访问 LLM 内部结构即可进行监控。
AgentFaultBench 评测 LangGraph 和 CrewAI 智能体在工具故障后的恢复表现,发现恢复建议对成功率影响有限。 在 1,944 次计划运行中,相比中性提醒,恢复建议使成功率变化分别为 -8.33、0.00 和 +1.06 个百分点,部分结果缺失导致后两组对比无法定论。
研究团队提出 VIVID 视觉框架,支持通用编码智能体进行视频后期制作,无需额外模型训练。 在包含 100 项任务的 AgenticVBench 上,集成 VIVID 的 Codex 平均得分 58.6%,比原生 Codex 提升 20.2 个百分点。 该框架还兼容 Claude Code 和 OpenCode,分别取得 55.1% 和 37.1% 的分数,显著优于原生基线。
UbiHearo 是面向听障(DHH)用户的移动听觉助手智能体,通过神经符号设计实现感知-推理-行动闭环。 其核心机制包括感知阈值节能感知、无提示词的分阶段场景理解,以及基于轻量级决策边界更新的人机协同个性化引导。 该方案在智能手机与车载系统中评估,实现了精度、延迟与能耗的有利权衡。
针对测井数据缺失问题,GeoLog-Agent利用预训练大语言模型提供地质先验,在挪威北海基准上平均$R^2$达0.9307,超过九基线平均0.8387达0.0920。 模型通过Geo-Harness将地层推理转化为岩石物理轨迹,并降低RMSE达30.97%;将耦合机制迁移至六个传统深度模型可提升$R^2$ 0.0162-0.0789。
AdMem 通过引入按行动信用分配和记忆生命周期,解决了朴素累积跨任务经验反而降低性能的问题。在 AgentBoard 八个领域 707 个任务中,AdMem 解决了 441 个,显著优于 ReAct 的 388 个。该方法无需环境奖励,使记忆库可审计但存在被攻击的风险。
提出Dynamic Shaping方法,通过获取响应与偏导数接口,在冻结的预训练组件上构建可执行神经架构。 利用近端策略优化学习接口,在ViZDoom Basic测试中,联合构建成功率为295/300,实现了无参考控制器的首任务获取。
ToolGraph 将工具依赖编译为有向加权图,用于估计目标条件下的动作价值 Q(s,a,g)。 在两个基准和三个骨干模型上,基于 LLM 的估算器在平均 8.3 分上超越 PageRank 检索,因为纯结构估算器无法区分错误参数。 该研究发表于 NeurIPS 2026 的 PTA 研讨会,强调了读取具体状态对多步价值组成的必要性。
VAHBench 评估智能体将用户请求转化为完整视频的能力,通过 48 种配置下的 240 次运行测试发现,视频生成的高质量分数并不等同于交付的完整性。 测试显示,缺失剧集、重复片段和静态填充物揭示了生产过程与用户要求之间的差距,添加的构图工具虽有帮助但未能一致提升性能。
EVIDENT 是一个包含 220 项真实任务的新基准,用于评估 GUI 智能体决策是否基于可观察证据。 通过 TSR、ESR 和 GSR 三项指标区分表面任务完成与证据基础成功,实验显示在上下文和视觉任务中两者存在显著差距。 该工作揭示了当前评估方法可能高估智能体可靠性的问题。
LLM Agent 首次应用于 SMT 求解器配置调优,基于 cvc5 记录 4,545 次提案。 在 2026 和 2025 SMT-COMP 验证基准中,未训练数据几何均值增益分别为 7.8% 和 6.8%。 Agent 引导的调优能让成熟求解器特化,实验证据积累可指导持续搜索。
FinVerify 是基于证据验证金融智能体数值声明的框架,在 Agent Finance Reasoning 数据集上将声明精确度从 56.4% 提升至 76.7%。 该框架定义五类错误并采用 LLM 结合 Z3 求解器进行验证,在 XBRLFiling 数据集上达到 99.8% 的声明精确度和 97.0% 的决策准确率。 研究表明显式的证据验证能提升可靠性,但存在正确率与拒绝率之间的权衡。
针对智能体重复失败动作及误信自身成功的问题,该方法构建了包含联想矩阵与有序步骤记录的双部分记忆系统。 仅由外部验证(测试、工具或人工)确认的结果才计入学习,代理自身声称成功不被采信。 模拟显示,引入外部验证后机器人任务解决率从 35% 提升至 79%,10 万条记忆检索耗时 16ms。
Query-ATLAS 框架利用 LLM 在分布式系统中引导符号搜索,实现了跨客户端共享方程的识别。 在 72 个设定中,该框架取得 64 次验证通过和 64 次分布内通过,优于固定工作流的 62 次和 59 次;两者在分布外测试中均通过 47/60 项,且固定工作流保留了更低的误差和成本。 研究指出更广泛的查询覆盖是潜在优势,推动了对任务感知工具选择和客户端感知拟合的关注。
RISE 通过从静态子图转向全规模交互式数据库,解决了现有结构化环境预过滤导致的测量偏差问题。 方法包含决策空间扩展与学习前沿扩展两条轴线,在 19 个基准和 3 种模型基座上进行测试。 结果显著提升领域内及未见模式的知识图谱推理能力,并实现零样本开放领域检索迁移。
研究提出利用从智能体读取轨迹中提取的字段级依赖图谱,以平衡事实变更时决策修复的可靠性与成本。在120个工作流的受控基准测试中,轨迹衍生图谱降低了决策审查量,但遗漏替代支持可能导致完整计划正确率下降。
研究显示,Claude Sonnet 5.5 和 GPT-6.1-Sol 在忽略窄峰数据的 32 次闭环测试中,采样频率低于随机搜索。 严格遵循模型分歧的代理在全部 32 次测试中均漏掉窄峰,早期探测未测间隙并跟进异常则能实现发现。 仅测当前模型分歧区不足够,提出指向未测区域的新问题是 AI 在假设链中发现的关键。
MAPS 是首个结合街景图像的结构化 POI 提取与数据库维护框架,在人工评审的全任务评测中比最强基线模型高出 21.8%。 该框架包含 SPICE 和 RIMA 两个级联模块,已部署于 Kuaishou 的大规模 POI 生产线,将平均处理时间较人工标注减少 76.9%。
论文提出 AI 智能体应对执行中断的最优策略,基于有效中断深度的阈值决定修复、重新规划或放弃目标。 模型显示单次故障需重新验证 1+R(G)/n 个动作,串行计划在原始损伤约为并行计划 w 倍时切换至重新规划。 数值检查器通过 160 万次静态模型评估验证命题,零违规,且复现基准测试的区间翻转。
DH-BPR 框架结合 LLM 与规则技术,通过事件日志自动检测并应用业务流程再造启发式规则,最终输出优化后的 BPMN 模型及资源模型。 该框架实现了从用户驱动向数据驱动的转变,支持联合设计与记录应用计划。基于合成基准及两个真实事件日志的模拟评估显示,该框架将平均案例完成时间最多缩短 61.5%。
研究人员提出针对社会部署 AI Agent 的行为一致性评估框架,通过标准化测试电池测量行为差异、一致性及漂移。 该框架沿五个可测量轴操作化 Agent 行为,覆盖六种社会敏感交互场景,利用受控 persona 配置作为实验锚点验证行为差异的持久性。 此工作将焦点从 persona 设计转向行为保证,为评估 AI Agent 是否在用户遭遇的各种情境中按预期一致且可测量地运作提供了基础。
该框架通过反馈级联优化 Craftax 策略,将最终关卡到达率从 <1% 提升至 50%。 优化策略被分解为环境解释器 $I$ 与规则程序 $p_0$,生成的目标编译器 $C_{\theta}$ 能将短任务零样本迁移至长任务。 该方法无需推理时 LLM 调用即可实现策略复用,显著提升长 horizon 任务效率。
rta-bench-1 基准测试在 91 次运行中发现,6 个 LLM 交易模型的收益均不显著,决策表现不如随机选股。 市场与风格暴露贡献了中位数 78% 的收益,且移除新闻标题后模型收益未下降。 该研究指出当前 LLM 交易智能体缺乏独立选股能力,建议基准测试按发布时间回放新闻数据。
针对纵向用药轨迹中的异常检测,该研究提出知识引导局部到全局(L2G)异常学习框架,通过三级代理监督和共享评分头实现局部偏差与账户级决策的关联。 该框架利用药物多集编码器和因果访问序列编码器生成访问级异常日志,并通过Top-α聚合推导账户级分数。在City-A城市队列实验中,L2G表现优于最强基线方法,且在跨城市定位任务中展现出更一致的性能提升。
LLM Agent 完成 CFD 模拟运行不等同于结果可用。UrbanWind-AgentBench 含 200 个任务和 367 个案例,采用结构分与数值分双层评分。
在 98 个配对编码任务中,向 Gemma 4 31B 注入最后发现作为提醒未产生可测量差异,解决率差异为 -1.0 点(95% 区间 [-8.3, +6.3])。
针对LLM智能体工具调用中的低效行为,论文提出在线中间件ToolPulse。该机制结合状态规则、语义序列分析与交互特征相似度,在调用前监控及执行后检查,通过口头提醒或结构化反馈辅助代理。
研究形式化了拒绝安全性与有界授权完整性,针对3个模型、5种提示策略、4种运行时审批设计等配置,审计了模型选择、执行框架调度及工作流路由三个执行边界。 实验发现300次批准中有7次未完成,并行确认导致每个模型在3个任务中丢失已批准分支,336/672个CrewAI批准被遗漏,且59个n8n工作流中有4个在拒绝后仍执行。
研究者提出名为CompoundingKernel的自改进Agent系统,能通过搜索编写GPU内核。截至2026年11月11日,生成的内核在SOL-ExecBench公开的L1、L2和量化板上排名第1,比基准参考基线快4.40倍。
研究发现,通过有限预算更新参数化语义记忆,Agent 可在引入新事实的同时保留旧信息。 使用冻结的 4B 语言模型配合 LoRA 微调,随着更新预算从 8 增至 32,联合成功率从 6.25% 大幅提升至 94.79%。 该机制有效解决物理 AI 系统在场景配置变化时的记忆冲突问题。
该框架 SPG-Select 通过 MIRT 推断多维度特征,优化了 LLM 智能体的练习预算分配策略。在 ALFWorld 和 WebShop 测试中,SPG-Select-R 的留出终端成功率比均匀采样高出 0.93-13.18 个百分点。该方法为非平稳技能需求下的任务选择提供了理论保证,实现了智能体技能的持续进化。
多智能体框架 FundingClaw 基于模板驱动技能选择,使单一研究简报可为 NSFC、NSF、KAKENHI 或 ERC 生成合规申请。 采用蓝图骨架策略先起草结构化大纲再撰写正文,通过多源验证 PI 记录及可选 PDF 提取代表作,在十个研究主题的八维评分中优于基线模型。 代码将在论文被接收后发布,旨在降低基金申请中重复性格式转换的人工负担。
AGPV 在五个数学推理数据集上实现平均准确率 63.8%,较最强基线提升 13.5 个百分点。 该方法将解题分解为关键声明序列,结合共享数学工具箱与完整性验证,证明了在覆盖充分时的正确性保障。 评测涵盖 DeepSeek、Qwen 及 GPT 四个模型,显示 AGPV 的修复覆盖率高于程序化验证基线。
Qwen3.5-27B 在 5 个合成聚类场景中表现良好,其智能体循环产生的 silhouette 分数接近网格搜索,但迭代次数大幅减少。 实验分为三步:区分最优聚类、为可视化结果打分,以及通过 VLM 调整 k-means 超参数。 研究证实 VLM 视觉反馈可自动调优聚类算法,但在噪声和模糊设置中表现挣扎。
研究者提出利用定理演化图(TEG)引导 LLM 智能体生成数学猜想的方法。该智能体通过构建 TEG 识别定理间的依赖关系,LLM 评判员及数学家专家更偏好 TEG 生成猜想的显著性与洞察力。