MCP 工具投毒在 Agentic AI 框架中的跨框架测量研究
研究者通过开源工具 mcpvenom 构建了涵盖 12 个框架、18 个模型和 45 种攻击场景的 9720 个测试单元,首次对 MCP 工具投毒进行了真实执行的跨框架测量。整体攻击成功率为 22.9%,其中 64.9% 的成功案例调用了攻击者工具,12.1% 可验证地泄露了秘密。研究发现各框架的抵抗能力主要取决于底层模型,且现有框架均未实施主动防御措施。
研究者通过开源工具 mcpvenom 构建了涵盖 12 个框架、18 个模型和 45 种攻击场景的 9720 个测试单元,首次对 MCP 工具投毒进行了真实执行的跨框架测量。整体攻击成功率为 22.9%,其中 64.9% 的成功案例调用了攻击者工具,12.1% 可验证地泄露了秘密。研究发现各框架的抵抗能力主要取决于底层模型,且现有框架均未实施主动防御措施。
实证研究表明,编码智能体在跨任务持续进化时存在严重灾难性遗忘。 实验发现,在 FeatureBench 上迭代进化会导致 SWE-Bench 性能大幅回落,甚至相对下降 66%。 该发现揭示了智能体持续自我进化面临的稳定性瓶颈与优化方向。
研究22个开源模型发现,首次回答会在残差流写入“承诺方向”,该方向相似度预测后续问题耦合度(ρ=0.43--0.85)。 消融共享方向后最多保留17%效应,且不同模型对同一方向的读取电路随规模和指令微调显著变化。 该机制揭示了模型内部状态如何在跨话题中持续影响推理稳定性。
针对长尾物品推荐难题,提出免ID的渐进自适应框架PACERec,将前序交互上下文融入语义表示。 该方法通过频率加权流匹配学习共享速度场,引导静态LLM嵌入向协同行为目标演化,在三个真实数据集上验证了其在整体及长尾推荐中优于基线模型。
summary_zh: VideoEditor-MoE 是首个开源的复杂视频编辑混合专家(MoE)框架。基于 5B 编辑模型初始化,该架构扩展至 14B 和 56B 参数,每个 token 激活约 8B 参数,通过 MoE-Attention 在保持全局交互的同时扩展注意力容量。
论文提出 GenDB-V 系统,利用 AI 智能体生成针对硬件和负载优化的数据库引擎,并通过形式化验证确保正确性。 该系统实现了 SQLSpec 语义形式化及代码与证明的联合合成。在 TPC-H 基准测试中,GenDB-V 验证后的模板实现相比 DuckDB 和 Umbra 获得 22.0-61.3 倍几何平均加速,通用引擎加速 1.27-3.4 倍。
RecRSI 是一个基于 LLM 的研究框架,通过机制假设组织算法发现。在四个推荐器和四个数据集上,RecRSI 在 NDCG@5 和 HR@5 上取得平均相对提升 8.48% 和 6.88%。相比各设置和指标下最强的竞争结果,提升分别为 2.60% 和 2.20%。其代码已公开。
MemShift 提出基准测试,将 LLM 个人记忆的维护分解为检测和修复两个步骤。 该基准包含五种转变类型(源修订、删除等),并采用确定性评分器替代 LLM 评判。 评估四个开放权重 LLM 发现,检测效果受限于修复能力;LLM 编写的程序在类型化记录上可缩小与精确重算的差距。
多智能体 LLM 框架 Qubrio 通过三级分解和专职智能体,显著降低量子编译启发式重设计需求,并在现实负载下大幅提升硬件运行时间和程序保真度。 该框架采用序贯操作阶段划分、placement/routing/optimization 专职 agent 及解耦反馈纠错,还能发现 novel 策略增强硬件并发性,并保持 code 公开。
提出统一矩阵框架,填补判别、校准与排序评估的代数缺口,引入偏差算子与秩相关算子。 校准部分证明 Murphy 分解的矩阵形式,Brier 聚合坍缩为单一标量;排序部分揭示 raw DCG 在聚合下坍缩而 nDCG 不坍缩。 相关结果通过 Lean 4 机器验证,实验代码与证明已公开。
该框架通过双层优化进行元学习,内循环使用轻量级 LoRA 适配器编码轨迹,外循环学习元参数;同时构建了包含 12,810 道数学题的 OpenParallelThinking 语料库。 在数学和 STEM 基准测试中,TTT-Consolidate 在匹配计算和运行时间的情况下,比最佳聚合基线高出最多 20 个百分点,且随着可用轨迹数量增加,其从失败轨迹中恢复的能力增强。
提出场景自适应读出与解码框架,通过单次骨干网络扫描结合 MoE 加权读出层及自适应策略减少冗余计算。在 Waymo E2E 和 nuScenes 基准上,验证集 RFS 最高提升 0.56,Waymo E2E 端到端加速达 6.0 倍。 该框架利用层特定后期表征支持轨迹读出,并仅在场景需要时应用额外原生细化。代码已开源。
开源平台 AgenticMobility 利用 LLM 智能体模拟出行决策与管理干预,分析城市交通动力学。 平台在 MATSim 中运行,智能体身份与状态跨轮次持久保留,支持通过信息访问、经验保留和管理反馈调整实验。 初步演示涵盖 5 种配置共 100 天模拟,其中联合运行产生 1,179,300 个有效目标决策,验证了执行正确性与记忆保持。
研究者提出 MEX 基准测试套件,用于感知层面验证计算音乐预期模型。 该套件评估模型估计的音乐信息动力学指标在重复、段落边界、音频与符号音乐一致性以及预测电生理反应方面的表现。 作者提供开源代码,支持用户利用基线模型从音频中估计 surprisal 和 uncertainty 并运行相关任务。
SCOUT框架通过物体中心场景表示重建隐藏几何结构,利用LLM生成动作候选并经MCTS评估以解决遮挡规划难题。 实验表明该框架在长期任务中显著优于VLA策略和3D世界模型,并已在杂乱货架环境完成真实机器人操作验证。
S1CogBench 评估了包括 Jev 和 Laya 在内的五个开源模型及 Jev 在 24 项认知任务上的表现。 发现决策可靠性差异大,快速反应主要源于无文本生成,聚合分数掩盖了模型对证据、反馈和记忆负荷的响应。
DTP-OPSD 提出一种抗干扰感知的时序特权在线自蒸馏强化学习框架,专门解决时间视频定位中因视频包含相似或相反事件导致 GRPO 策略梯度失效的问题。 学生模型生成响应,共享权重的教师模型观察标记了目标窗口和干扰窗口的特权视频,通过计算教师评估学生前缀的 Jensen-Shannon 散度提供密集 token 级监督信号。
研究人员提出 AI-FAIR 元数据标准,将传统 FAIR 原则扩展至双向“问题-数据-模型”三角形,旨在解决生态与生物多样性领域数据基础设施碎片化及价值单向流动的问题。
Axion 1.0 是一款完全开源的智能体基础模型,结合强且广的 agentic 能力与极简训练配方。 训练仅含三阶段:两轮轻量监督微调(SFT)后接强化学习,无 mid-training、DPO 或 OPD。
Reap 提出基于 Lean4 的开放证明搜索框架,训练的 1.7B 参数模型 Reaper-1 在 miniF2F-test 基准上以 pass@32 达到 79.9% 解题率,确立了同级别开源求解器的前沿性能。 系统通过共享状态转换与重放验证,结合策略价值引导的蒙特卡洛树搜索,利用强化学习增强证明组织能力,使更少显式搜索决策能驱动更复杂的策略程序执行。
ZeroGraph 通过实体化冻结教师的边界轨迹为版本化数据集,实现预训练模型转换与蒸馏中的分块独立训练。 在 GPT-2 Large 上,无锚定目标使去噪误差降低 99.44%,但交叉熵从 3.63 恶化至 10.48;在 Qwen2.5 模型上,干净教师边界回归方案通过质量与上下文使用测试。 该方案将跨深度语义依赖从在线优化转移至持久数据,中断的分块可恢复至比特级相同的最终状态。
LARK是一个能自动对LLM生成的GPU内核进行形式化等价性验证的智能体框架。 它通过Lean 4将内核拆解为可证明片段,并与PyTorch参考实现逐段比对以验证正确性。 在KernelCraft任务中,LARK配合ReAct智能体,使GLM 5.3成功验证了12个Level-1内核中的10个,并在生产级内核中发现了1个新的数据竞争漏洞。
JitSkill 通过连续追踪任务状态,解决 LLM 智能体在长时程任务中动态选择外部技能库的难题,克服固定技能集预设假设的局限。 该框架将新出现的需求与累积的任务进度关联,在执行过程中持续提供程序支持。实验表明其在三个 agent benchmark 上提升了任务完成率,代码已开源。
研究显示,当参考记录存在链接缺失故障时,大模型 LLM 评审仅依赖文本捕获率显著高于依赖记录,Gemini 3.1 Pro 达 23/24,而记录可用时仅 1/24。
系统 GURU 采用层级神经符号多智能体架构,在计算流体动力学中将未知几何收敛模拟率从不足 1% 提升至 74%。 该系统在 100 个单次尝试案例中验证了效率,并通过符号层提升了边界层捕捉能力。在太空态势感知领域,该方法在 conjunction risk 评分上超越了五种方法,包括全量微调的语言模型。
VCoT-SQL 框架通过中间步骤验证的 CoT 监督,使 7B 开源模型在 BIRD dev 数据集上达到 66.82% 执行准确率。 该框架使用 7B 模型进行 CoT 合成,性能优于使用 72B 或专有闭源教师模型的方法,证明步骤级验证比扩大教师模型规模更有效。
针对 LLM 缺乏计算能力的痛点,该方法让 LLM 仅作语义层,通过 1M context 连接 SQL、Cypher、Python/R 四类引擎。 SQL 泛化平均准确率达 94.6%,比 SOTA 高 20-23 分;Cypher 准确率为 96.5%。 语义与计算分离的机制可随 LLM 与 Agent 演进持续适用。
在 Llama 3.1 8B 代理的 60 个集数中,小型本地监控器未能有效区分利用尝试与诚实失败,预注册主要监控器的 AUC 仅为 0.64。 Gemini 3.1 Flash-Lite 在相同输入下达到预注册的 0.80 AUC 标准,但其对未命名利用的检测存在局限;8B 监控器在获取完整轨迹后能标记所有 25 个复现集,却常描述未发生的动作。研究团队已发布该环境、标签及预注册日志供参考。
Taurus 利用 LLM 环流框架实现 CT 主动脉标注,主要指标表现与使用 Claude Opus 5.5 的自由智能体无显著差异,但单病例成本仅为 $1.22,低于后者的 $2.71。 该框架通过自动化路径处理扫描,并结合固定规则平滑标签表面及多项选择检查以修正大型错误,在 38 个留出病例上取得主要增益。 此类标注自动化使得专家时间可从绘制标签转向核查,提升了效率。
Hugging Face 发布 Transformers 模型集成契约标准,通过缩小模型尺寸在CPU上进行快速集成测试。该标准在测试中发现 UMT5 存在注意力缺陷,该缺陷导致解码器能关注未来 token,并在主分支存在近两个月。
AI 编码工具使代码优先内部工具在速度和可维护性上优于低代码平台。Claude Code、Cursor 等工具可分钟级生成应用代码,消除低代码的专有格式锁定和高昂用户定价弊端。 推荐采用 HTMX 等超媒体方案替代传统前端构建,减少依赖项并提升安全性,便于 Git 版本管理与 AI 辅助维护。
Roast Room 是一个开源项目,基于 Claude Code 实现“AI 顾问团”功能,用于辩论商业决策并生成评分判决。项目内置12位基于真实公开言论构建的虚拟顾问(如Jeff Bezos, Paul Graham, Alex Hormozi),支持通过 /newroaster 命令创建自定义顾问。
Subtitle Foundry 开发者将 ASR 转录、翻译和计时错误独立检查,以防止最终流畅字幕掩盖中间阶段错误。 该工具使用 ElevenLabs Scribe v2 原生词级时间戳处理完整录音,并通过源码级检查区分语音活动与具体词定位。 作者测试主要涵盖土耳其语和乌克兰语到英语翻译,项目采用 AGPL-3.0 协议开源。
AI Voice Translator 发布,支持同步语音与文本翻译,并将结果并行分发至任意数量的独立输出端。核心翻译模块不感知结果去向,翻译核心产生事件流,由隔离的输出模块负责投递,单个输出故障不影响其他输出。
MediRoute 是开源 AI 平台,协助用户在 5 个核心市场比价及查询药品进口合法性。 整合 AI Medicine Agent 建议用药,追踪 GMP 认证供应商信任分数。 技术栈采用 FastAPI 与 React 19,支持 Docker 一键部署。
开放模型 OLMo 2 在已读过的 291 篇撤稿论文内容中,仅 7.7% 的段落提及撤稿状态。 该模型在回答 891 篇未读论文时,未识别出任何撤稿,且对其中 425 篇错误地声称“未撤稿”。 该测试针对公开训练数据中的官方更正、RFC 勘误及撤稿信息缺失进行了预注册测量。
DiffuSpace 发布开源扩散语言模型 Clover-35B-A3B-Preview,在 SWE-bench Verified 等智能体编程评测中达到或超过同规模自回归模型,同时实现 680 tokens/s 的更快生成速度。模型通过引入块扩散与双向 GDN 架构解决历史记忆复用问题,并已在 16GB 显存设备上实现 INT4 量化部署。
推荐理由:作为首个在Agent任务上超过同规模自回归模型的开源扩散语言模型,Clover 35B证明了并行生成速度与高性能可以共存。
Maat 发布开源 MCP 服务器,通过 snap 严格隔离和 polkit 审批让 AI 智能体诊断 Ubuntu 系统而无法直接修改。系统限制模型仅读取日志与服务状态,修复方案需经用户终端确认后才执行。配套 maat-bench 基准测试显示 gpt-oss:20b 和 qwen3:8b 在 10 个场景中均未执行日志中植入的诱导指令。
开源 AI 站点聊天工具 HelpPuff 正式发布,支持通过 Claude Code 等智能体在 Cloudflare 免费计划上一键部署。工具集成知识库、CRM、实时聊天及日历预约功能,所有数据均存储于用户自有 Cloudflare 账户中。
ZCode 更新至 3.17.1 版本,正式上线 Computer Use、Browser Use 与 ZCode Sites 官方插件。用户可通过插件操控本地桌面软件、浏览器执行图文调研与 OA 填单等日常任务;在编程场景中,ZCode 支持拉起浏览器实测交互、修复 Bug,并通过 ZCode Sites 将网页项目(如 3D 射击游戏)一键部署上线为在线链接。