Space-X:通过自进化空间智能体将线索编织为证据链
论文提出自进化空间推理框架 Space-X,通过执行智能体与控制智能体协同演化,构建连续且可追溯的空间证据链,解决工具增强智能体证据获取目标模糊及语义不一致问题。
论文提出自进化空间推理框架 Space-X,通过执行智能体与控制智能体协同演化,构建连续且可追溯的空间证据链,解决工具增强智能体证据获取目标模糊及语义不一致问题。
该论文提出凭证保留证据传输(WPET)框架,旨在解决 LLM-Agent 技能在上下文变更后复用时的信任与授权问题。框架定义了可废止的复用声称(WRC),将历史证据的适用性判定与真实性区分,并制定了条件保留结果及三值适用性标准。 文章强调 WPET 是一种规范学科而非已实现的验证器,仅贡献形式化问题陈述、设计义务及报告协议,未提供经验性优越性证明或通用 agent 安全证明。
现有联邦 LoRA 方法保留主奇异方向导致响应误差无界,本文提出 RASA 框架解决矩阵最优截断与接收方需求不匹配问题。 RASA 利用对角输入二阶矩执行无中心化 PCA,在 DomainNet-100 上将准确率提升 3.23 个百分点,SuperNI 任务 ROUGE-L 最高提升 8.33。 该框架支持资源、任务和数据异构场景下的高效模型微调,具有即插即用特性。
研究者推出原生权重编辑方法族 HypoLoop,利用实验反馈动态调整参数修正策略。 在涵盖 22 个科学任务的实验中,该方法在 Burgers 数据集上将误差降低 58.80% 至 47.72%,并显著提升了 DIODE 的预测精度。 该方法证明了实验证据能有效塑造模型更新问题本身。
提示词条件化 SDF 让 LLM 相信 prompt 中的虚假事实,其信念深度随训练事实数量呈对数线性增长。该方法成本较低,结合 RL 减少虚假事实口述率在部分评测中接近 SDF。 小模型在常规蜜罐系统提示中常已表现出对 prompt 事实的相信,导致对齐审计实验结果为负面。
VL-DE 提出基于插入机制的变长多模态生成框架,无需填充或显式长度建模即可处理任意状态空间数据。 该框架利用生成器的加性形式开发高阶采样器,并在布局和分子生成任务中验证了有效性。
跨模态框架 MyoECG 通过从心脏磁共振(CMR)向 12 导联心电图(ECG)蒸馏知识,实现仅凭心电图进行心肌病变检测与分型。该模型在 UK Biobank 等 7 个独立数据集的 180 万份 ECG 上验证,检测 AUROC 达 0.800-0.974,优于 5 个预训练 ECG 基础模型。
STRM通过简化状态和统一更新提升了TRM性能。 该模型在Sudoku-Extreme和PPBench上分别比TRM高3.8和8.4分。 它在ARC-AGI-1和2上比已发布的TRM结果分别高5.4和0.5分。
提出无训练判别器 Vanguard,使 2B 模型在 Web、移动端及具身任务上准确率不低于 8B 目标模型,并在 Mind2Web 和 EB-ALFRED 上显著更优。
人类在环的 MLE Agents 在大规模搜索排序器上自主提出并评估模型变更,单次战役运行 1,097 个实验并采纳 325 个,接受率达 29.6%。 该智能体采用并行训练和校准目标来解决反馈延迟与离线指标失准问题,最佳模型在 A/B 测试中使搜索量增加 0.23%,且多探索了人工直觉未涉及的架构变更。
Toaster 通过组合两个线性记忆层并引入激活函数,构建了两层非线性记忆架构,利用目标传播机制更新隐层状态。 在 C4 和 PG19 数据集上,Toaster 的困惑度在所有测试尺寸(0.2B-1.6B)均优于 KDA 并匹敌或优于注意力基线,最大模型三试准确率 51.84%。 在 20K token 长度外推中表现稳定,且比 Titans 快 2.8-5.5 倍,提升了长序列处理效率。
研究人员提出多智能体框架 EVA-RSI,通过构建固定代理考试实现对视频评估器的递归自我改进,无需人工标注即可提供监督信号。 基于 Qwen3-VL-8B 模型,EVA-RSI 在平滑度维度取得最大增益,并在 21 个测试模型中于公共基准动态子集上取得最高分数。 作为强化学习奖励,该评估器提升了生成视频的运动质量并获得了人类偏好。
研究提出三层基准协议,利用 11 个数据集验证智能体生成的协变量,发现 xAI 的 GrokBot 工作区队友在文本及组合特征下于 6/11 和 7/11 数据集中获得更高的 RATE 比率。 协议包含检索合法性过滤、基于 RATE 的异质性验证及编码器合法性检查。研究显示编码器选择显著影响异质性信号,且时间过滤仅能保证检索合法性,无法消除编码器中记忆的未来事实泄露风险。
提出 GUARD 方法,在不改变已部署预测器权重的前提下,通过检索估计校正量并利用部署匹配标签数据学习,解决冻结多模态模型遭遇缺失模态时的校正问题。 基于可交换性假设,GUARD 利用保形风险控制将损失增加超过预设容差概率限制在预设水平,在 9 个冻结模型-数据集对实验中优于盲目校正。 该方法避免了盲目校正常超支的危害预算,保留了大部分校正收益,适用于无法再训练权重的实际部署场景。
该论文表明,当目标分布 $p$ 满足 Poincaré 不等式时,可通过规避“路径空间”分析来缓解扩散采样器的误差累积。 现有理论中采样误差随时间线性多项式累积,本文通过放宽度量至弱度量,在更广泛的框架下实现了这一结果。 研究进一步揭示,给定分数误差界,扩散采样器在总变差距离上几乎达到最优识别精度。
基准包含12,774个独立机器人、16,427次模拟及135个实体建造,66%模拟通过结果在真实环境中有效。 视频闭环使智能体消除72%的低难度失败案例,推动AI向实际机器工程设计迈进。
提出无标签课堂录音教师分割管道,在292条录音中实现0.81和0.87的教师F1分数,优于基线模型。 管道在智能手机上比pyannote快4.8倍,实时因子约0.18,滤波音频转录仅使教师词错误率从0.26升至0.28。 支持隐私保护部署,通过无标签推理标记不可分割会话以人工复核。
提出“Metrics-in-the-Loop”推理时干预机制,在智能体编写代码轨迹中注入循环复杂度与测试覆盖率反馈。 实验表明,复杂度反馈显著降低代码复杂度聚集而不影响正确性,为智能体提供“重新纠偏”的实用路径。 随着智能体处理百万行级代码库,此类实时干预对维持长期代码可维护性至关重要。
DuoCL 是一种双路径在线持续学习(OCL)框架,在四个数据集和三种计算预算下,相比最强的基于梯度的基线方法,在线准确率平均提升 9.67 个百分点。 该框架包含快速解析路径和慢速路径:快速路径从每个传入的小批量中积累特征统计,慢速路径根据可用计算预算定期调整骨干网络。在分布漂移下,DuoCL 始终优于解析学习,在 CIFAR-C 上准确率提升最高达 4.00 个百分点。
COTEX 提出持续工具空间扩展学习,以高效适配器级成本为多模态智能体添加新工具,保留现有工具使用能力。 该方法通过定位工具调用和选择的方向,利用正交约束限制新工具适配器,并在十个视觉语言基准测试中取得提升,现有工具性能最多下降 0.3 分。
T/E/S 结合文本、局部事件和活动跨度,在 76 个评估组中,对 Transformer 和 Qwen 的下一结果预测准确率分别达到 70/76 和 74/76。 通过有限过程实验,取消共享延续质量的边界恢复了最优动作,将平均推理 CPU 时间减少 77.7%;在 71 个 HotpotQA 和 MuSiQue 保留集上,Brier 损失从 0.0836 降至 0.0756。
summary_zh: KnowMe Paper Radar 发布,通过整合主题、时效及合作网络等多维数据,实现无需大语言模型推理的个性化论文发现。 基于174,640条记录测试,系统重复上下文准备速度提升3倍,NDCG@10指标从0.412升至0.598,提供浏览器及CLI界面。
AllotNet 是一个含 23,550 参数的可解释 Mixture-of-Experts 模型,用于人道主义援助分配,在 5.6 million 合成会话上通过 16 项预检。 模型核心保持 fp32 精度,支持 125 KB 的 C11、Java、Rust 和 Python 运行时部署,量化感知训练 NVFP4 下 welfare-rank parity ρ 为 0.9937。
Decision2Care 在 546 例急诊住院记录中实现 86.5% 诊断准确率,每例耗时仅 2.2 秒。 该智能体不生成文本,通过固定规则执行最可能的 EHR 动作,确保每步决策可审计。 其药物处方指导依从性优于 MIRA-v2,在 8 个重症监护组中死亡预测表现与 3 名重症专家相当。
FACT 框架通过跨步训练与置信度引导分配,将 Llama-3-8B-Instruct 在 HumanEval 上的加速比从 1.46× 提升至 2.02×,MT-Bench 从 1.31× 升至 1.75×。
研究提出评估 LLM 自主实验代理的实验过程而非仅看结果,构建了拥有试验生命周期的治理控制平面,并在 6 个 ML 任务和 1,445 次试验中验证了该框架。 治理账本通过追加式记录计算无效操作率、重复坏提案率等指标,暴露了任务分数掩盖的失败,如 120 次试验全败和无记忆分支问题。 所有 1,445 次试验的账本已开源,确保报告中所有数字可重新计算验证。
summary_zh: PivotLoRA 证明 LoRA 适配器初始输入子空间方向的重要性取决于机制,并在 13 种方法中取得少样本 BERT-base 分类最佳平均排名。
RefinementGuard 通过比对候选图与独立参考实现,验证 Agent 工具隐藏并行图中的语义正确性。在 100 个故障案例中,基于义务的验证拒绝 49 个,同时接受全部 60 个有效变体。隐藏执行比可见执行减少 74.3% 父级上下文暴露,定位任务延迟中位比为 4.50 倍。
研究发现 Transformer 中可塑性与稳定性并不镜像对应:QK/VO 投影在程序式任务中最具可塑性,而 MLP 在声明式记忆任务中最具可塑性。 更新 QK 时可保留过半已存声明式记忆,而更新 MLP 和 VO 则分别导致显著更多和约 80% 的损失。 研究揭示可塑性与稳定性依赖于模块功能角色的不同方面,为持续学习提供了任务依赖的模块级视角。
新架构 ARISE 通过自评估机制在无需更新模型权重的情况下演化智能体记忆。 基于 SOP-Bench 和 $\tau^2$-bench 测试,ARISE-Teacher 利用 Claude Opus 4.6 归因,相比基线分别提升 10.9 pp 和 5.8 pp,且模型调用减少 4.0%。 该架构在 14 个企业工作流领域验证了可行性,实现了准确性提升与成本控制的平衡。
研究提出推理时接收方条件化澄清框架,解决多智能体系统中不确定性在交接时丢失的问题。 框架通过保留共享前提身份并重放一致解释,确保澄清与资源导航、营养推理及供应侧规划联合支持。 该结构使问题相关性反映决策变化及缺失支持,将澄清连接至共同支持的计划。
论文理论分析了 On-policy Distillation 中目标选择对 Token 优先级、顺序及优化效率的影响。 研究发现序列级 OPD 存在“未来一致性偏差”,导致先匹配后段 Token 的反向学习顺序;前向 KL 散度具有良好优化景观,而反向 KL 等散度易出现梯度消失。
LProp 提出一种潜在不确定性传播机制,在 LLM Agents 中利用潜在表示和新证据修正继承的分布,无需额外轨迹采样。 该方法在选择题、数学推理等任务上优于基线,并在八种传播场景中实现最低的推理 token 平均用量。
TRACE-MAS框架通过归因分析将多智能体系统的根因定位准确率提升60.2%,并实现任务恢复的显著增益。 该框架从良性轨迹学习正常协作模式,检测状态、消息与任务依赖的偏差,并通过源感知归因选择最小干预措施。
研究提出 PIES 方案以极低开销保护二值 Transformer 权重,恢复 BER 高达 10% 时的精度损失。 PIES 利用 Transformer 行列置换不变性对关键权重分组保护,开销远低于传统纠错;代码已在 GitHub 开源。 研究确认了在资源受限边缘设备上使用近似内存和激进电压缩放运行二值 Transformer 的可行性。
模型仅含 2.68M 参数,单条 10 秒记录 GPU 推理耗时 45.8 ms,从 II 导联重建的 PCC 达 0.914。 该技术使少导联记录可直接用于标准 12 导联诊断工具,但无法补充缺失导联中不存在的信息。
该框架将材料数据质量评估转化为连续置信度估计,在 23 个 ODDS 基准上平均 AUC-ROC 达 0.866。 结合九维特征先验与 Memory-GAT 历史评分,在 mp_20 数据集上将测试 R² 从 0.538 提升至 0.616,平均精确率升至 0.953。 该方法有效解决了统计合理但存在物理约束违规的隐式数据污染问题,提升了材料机器学习模型的可靠性。
研究显示,视觉语言模型智能体在急诊 CT 和 MRI 阅片中的诊断准确性远低于放射科医生。 自由导航策略下 VLM 整体准确率为 32.6%,显著低于放射科医生的 77.0%;即使提供全部切片,VLM 准确率也仅 42.5%。模型在浏览约 10.8% 的切片后即形成初步假设,且 63.1% 的情况下坚持该假设不改变。
研究团队提出 GUARD 框架,利用方向性遗憾指导 AI 智能体在无需外部评分器的情况下稳定进化其提示词、技能等外部结构,避免局部退化与技能遗忘。 该框架将任务分解为执行前自检,通过 Soft-HURT 门控机制确保收益大于回归才推广编辑,并在推理时以单次运行冻结结构。 在记忆、技能进化及持续任务流基准测试中,GUARD 一致提升性能,防止灾难性遗忘,并显著削减部署 token 消耗。
通用框架VeriMath通过人机协作和自动验证,为4555道越南12年级题目生成评估草稿,94%需求生成可接受草稿。 专家评估确认题目具有高度准确性和课程一致性,仅56.8%达到严格教师可用标准,揭示格式与解题步骤是主要挑战。