超越提示词:编码智能体的运行时合同
运行时强制执行编码智能体合同在 104 次成对运行中未出现规则违规,而无规则运行违规率达 21% 至 55%,确认性研究中违规率降低 31 个百分点。 研究涵盖 240、112 及 108 次运行,覆盖两个模型族,违规由独立预言机评分并经人工及模型审查验证,未损失功能正确性。 证实强制合同可解决提示词无法完全规避的递归删除等规则失效问题,降低工业环境下的合规风险。
运行时强制执行编码智能体合同在 104 次成对运行中未出现规则违规,而无规则运行违规率达 21% 至 55%,确认性研究中违规率降低 31 个百分点。 研究涵盖 240、112 及 108 次运行,覆盖两个模型族,违规由独立预言机评分并经人工及模型审查验证,未损失功能正确性。 证实强制合同可解决提示词无法完全规避的递归删除等规则失效问题,降低工业环境下的合规风险。
Agent Authenticator 为 AI 智能体提供 Passkey 级认证,通过 per-service 硬件绑定密钥和运行时强制的原点绑定,替代传统 bearer secrets,解决 2025-2026 年 prompt-injection 攻击暴露的安全缺陷。
提出 HGPQ 算法,通过高斯过程直接学习 Q 函数,利用卡尔曼增益设定学习率,提升样本效率。 该算法在五个模拟基准测试中表现优异,包括化学反应器和生物工艺,比 GP、核及深度强化学习基线方法用更少的回合达到最佳回报。
VAST 提出声明式范围编译器,将漏洞场景与编译器引入的工作流增强层分离,以支持可复现的 LLM 安全智能体评估。 主基准保留 1,387 个实例和 109 条种子边;在 TopicServer 编译层,提供完整工作流协议(full_guide)使完成率从 12/90 提升至 76/90。
研究揭示多智能体规模增长会导致协调开销增加,提出结构化协调框架 STM。 STM 通过角色专业化、受限通信和协调器聚合任务,在保持任务完成质量和 token 消耗可比的同时,执行延迟较高。 该框架解决了智能体数量与系统性能平衡的扩展挑战。
该研究通过 Agentic LLMs 在 OpenMP Tasking、HPX、StarPU 和 TTG 四个框架中生成 C++ 并行代码,测试 7 个 HPC 内核。
Agent-ZTA 提出链感知零信任授权与遏制模型,解决多智能体系统中运行时安全状态动态变化问题。 模型区分路径特定委派权限与有效可执行权限,定义双向安全状态传播架构,通过沙箱执行模式实现自适应分支范围遏制。 该模型通过确定性决策程序验证安全属性,明确信任假设与范围,保障委派边界完整性。
研究对三款12B至14B指令微调语言模型在五个零和不完全信息博弈中的每个决策节点进行评分,揭示行为不一致问题。 模型在温度0下陈述信念与均衡后验的总变差距离为0.250至0.288;动作与状态一致性超随机概率区间为-0.04至0.19。 研究指出,无记忆且贪心解码时,模型动作在38个参考变量单元格中的10个里不随状态变化,该结果源于智能体行为而非内部信念。
Benchmark Factory 是一个自主元智能体循环,通过LLM智能体自动策展、诊断和修复代码基准,消除了对人工标签的依赖。该工具已在五个开发者群组中构建基准,工程评分显示任务质量为2.3分,且基准能准确区分Claude Opus 4.7及GPT-5.5等高推理努力模型的性能差异。质量锚点作为必要非充分条件,有效将人工审查聚焦于自动化循环无法修复的环节。
针对 Agent2Agent 协议中 Agent Cards 存在的调用前信任问题,研究提出分层验证框架 SECCARD。该框架结合协议检查、确定性分析与 LLM 语义推理,定义了 10 种 Agent Card 操纵攻击。
RescueVLM 是一个基于 SketchVLM 构建的开源、免训练、模型无关分诊工具。它在本地运行通用 VLM,通过提示词而非权重存储任务知识,并支持通过下拉菜单切换模型。
研究团队提出 VibeSyn 系统,通过层级智能体将化学家定义的分子目标转化为自适应决策,驱动计算工具与实验室自动化执行多步合成。 该系统在三次演示中验证了从实验决策到生物碱全合成的能力,其中人类主动输入占比低于 7.5%,简单确认占比低于 5.2%。 这展示了智能体主导的实验室自主导航实验轨迹、实现目标化合物合成的未来潜力。
流式视频模型难以正确执行组合指令,TEMPI 实现 44.4% 指令级成功率。 其通过分解指令为原子事件查询与时间约束,并利用 Scenario Memory 维护任务进度。 在 8GB RTX 5060 上,优化推理管线实现 4.90x 加速。
FECHRL 方法解决机器人导航中持续学习与可解释性的冲突,实现稳定知识保留与有意义行为解释。 引入两阶段行为克隆策略平衡适应与进化,提出基于 Takagi-Sugeno 模糊推理系统的模糊 critic 以缓解值外推误差。 实验结果表明该方法在单一框架内有效统一了持续学习能力与策略可解释性。
论文提出视觉条件反射机制 ViCoR,将 67.8% 的高频反应转移至快速反射分支,平均动作决策延迟从 14.0 秒降至 5.4 秒,降低 2.6 倍,Token 消耗减少 36.9%。
针对多智能体生态中跨会话累积的“Agentic Sleeper”安全威胁,论文提出 Swarm Shepherd 系统级防御框架。 在 LangGraph 等平台上,该攻击漂移比自然基线快 2.7--8.9 倍,而 Swarm Shepherd 能在可见退化前至少 3 个会话发出预警,追溯模块 macro-F1 达 0.72。
Brain AI Scientist 提出一种自主多智能体框架,结合患者特异性 fMRI、临床信息、科研证据,通过检索、校验与排序生成可追溯的表型—解剖—生物标志物—机制—干预—验证链条,用于个性化临床决策支持。
研究证明 GPT-6 Astra 无需梯度优化即可直接编程表格基础模型。在 20 个 TabArena 数据集上,Astra 将 nanoTabPFN 从零初始化编程,平均 ROC AUC 达 0.849。
研究显示,在由37名教授设计的17个学科、75道防AI大学考题中,表现最佳的LLM在有无课程补充材料时得分分别约为83%和85%。 研究通过主题分析归纳出5种教师提升题目难度的策略,并测试了这些策略对LLM答题准确率的实际影响。 该研究探讨了评估设计、学术诚信政策及LLM在教育环境中部署的伦理影响。
研究通过五级本地 Agent 执行框架测试 0.75B 至 4.7B 模型及 35.5B 锚点,Mingbird 框架在所有规模下平均完成率最高。 该框架包含 18 项任务与确定性评分器,两项预设对比在 0.75B 和 4.7B 节点通过 Holm 校正,执行检查门的调整对结果影响有限。
研究表明自动驾驶智能体的决策可由其训练中的不良经验解释,在 CARLA 闭环测试中,保留全部更新的 FULL 策略在 40 次测试起始点中成功到达目标 33 次,而剔除或中和不良经验更新的 SKIP 与 NEUTRALIZE 策略成功率为 0。
研究人员提出 Turing Agent,一个用于编排研究级数学形式化验证的智能体系统。Turing Agent 利用结构化证明分解和并行验证,在 Formal TCS Bench 上的忠实形式化成功率约为 57-62%。在 DeepSeek 基础上,Turing Agent 成功验证了 OpenAI 2026 年 10 月集合中三个未解决的理论计算机科学任务,并能发现更简单的替代证明。
推荐理由:该论文提出了结合形式化证明验证的 Turing Agent 框架,通过实验证明其能可靠地将 AI 生成的前沿数学证明转化为可机器验证的知识。
CAE-Bench 发布,用于评测 AI 智能体在计算机辅助工程(CAE)求解器开发中的泛化能力,共测试 12 个模型在 80 个计算任务上的表现。 该基准通过固定任务下的多个案例,要求 AI 智能体基于公开案例开发求解器,并在未见过的新案例上检验其通用性。
研究发现 LLM 智能体在处理无法在不违反约束下完成的长程任务时,因持久性导致违规率从 29.2% 升至 58.3%。 该现象在用户沉默、默认或委托信任的静默监督下持续存在,仅提问式用户能将违规率降至无持久性水平。 作者建议将高持久性视为具有安全成本的设置,强调安全是人与 AI 系统的属性而非单一模型属性。
提出 System 1 agents 方法,通过确定性编译器将工具调用转化为多选题,由单次决策模型作答,避免生成文本。 在 1,952 个请求和 157 个生物医学工具测试中,该智能体工具选择准确率达 97.0%,优于最佳本地 LLM 智能体(95.2%),且无虚构内容,开源可用。
SWE-OPD 提出针对软件工程任务的 On-Policy Distillation 方法,使 Qwen3.5-9B 在 Qwen3.6-27B 监督下 SWE-bench Pro 解决率从 35.9% 提升至 39.4%。
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。