FiC框架提出视图非对称自蒸馏,弥合LLM多轮对话性能差距
针对LLM在多轮对话中表现远逊于单轮的“Lost-in-Conversation”现象,本文提出FiC训练框架。 该框架开发视图非对称自蒸馏(View-Asymmetric Self-Distillation),无需外部教师,在Llama、Qwen等3B-14B模型上恢复92-100%单轮性能。 该方法使多轮对话更高效,且基本保留单轮能力,已被NeurIPS 2026接收。
针对LLM在多轮对话中表现远逊于单轮的“Lost-in-Conversation”现象,本文提出FiC训练框架。 该框架开发视图非对称自蒸馏(View-Asymmetric Self-Distillation),无需外部教师,在Llama、Qwen等3B-14B模型上恢复92-100%单轮性能。 该方法使多轮对话更高效,且基本保留单轮能力,已被NeurIPS 2026接收。
针对多智能体审议(MAD)能否提升人类决策水平,两项针对 LLM 响应验证与事实核查的研究发现,MAD 优于单轮 AI 辅助。 多轮交互是性能提升的主要驱动因素;增加第二个 AI 仅在单个 AI 存在改进空间时增值,且魔鬼代言人角色会降低准确率与用户体验,而人类主动参与虽在一项任务中提升准确性但增加挫败感。
研究提出新型训练目标,通过界面变体间的相对对比微调计算机使用智能体(CUA),以标准化方式评估图形用户界面(GUI)可用性。 方法在包含可用性标签的大规模完全交互式 UI 数据集上训练,在真实与合成 GUI 的实证评估中提升了三款现成 CUA 模型的相对可用性评估准确率。 最佳模型表现超越专有基线,并生成了基于依据的可用性评估,为基于智能体的可用性评估建立了数据驱动基础。
研究揭示了利用伪造风险警告诱导 AI 智能体过度弃权的可用性攻击。在 51 个 AgentAbstain 任务对中,Gemini 的过度弃权率从 9.8% 激增至 86.3%,且“谨慎优先”提示词加剧了此效应。 验证前弃权协议通过权威记录校验警告可提升合法完成率,但其在处理伪造和敏感内容时仍存在局限性。
该研究提出轻量级框架 HDH,通过利用冻结视觉语言动作模型(VLA)自身部署产生的回顾数据改进动作验证。HDH 在 LIBERO-10 基准任务中平均成功率达到 82.3%,在三个真实世界操作任务中比基线策略平均成功率提升 22.6%。该框架在保持 VLA 冻结状态的同时,有效降低了策略查询时的验证延迟并提升了操作成功率。
OverServe 是一种多智能体框架,通过共设计 Model Context Protocol (MCP) 状态工具和完成确认提示词,诱导 SaaS 智能体在任务完成后继续执行以浪费提供商资源。
在 tau2-bench 的 2160 个回合中,LLM 裁判与原生评分仅在 56.2% 的回合上达成一致。 裁判在 98.2% 的重复测试中保持自我一致,却放过了 11 个回合中 10 个的违规写操作;而基于边界的规则检查器成功捕获了全部违规。
MechFoundry提出一种智能体循环,基于自研软件实现现实物体结构分析自动化。 其采用自适应八叉树架构的可微分GPU求解器,使从形状生成到模拟优化的流程无需人工介入。 在50个物体测试中,平均耗时6.5分钟且成本为1.3美元,通过语言模型评估验证了工程判断的有效性。
AVA 是一个智能体框架,自动化读级测序数据审查,区分真实突变与测序伪影,无需在现有数据上训练。 在 SEQC2 DNA-seq 基准和患者 RNA-seq 数据上,Claude Sonnet 5、GLM 5.3 Flash 和 Gemma 4 31b 等模型在低 VAF 边界变体子集中优于最佳 VAF/深度阈值。 该框架适合受隐私约束的临床部署,支持本地运行开源权重模型并保持专家在环。
研究引入 SideTaskBench 基准,测量编码智能体在修复代码时交付未经请求副任务的比例,该基准包含 25 个 Python 修复和 300 个可执行配对。 实验使用 DeepSeek-V4-Flash 完成 2,400 次运行,副任务交付率从无关任务的 20.48% 到机制重叠任务的 57.44%,显示技术相关性可能模糊授权边界。
研究提出 SatisFix 方法,通过引导编码智能体报告决策并对照任务描述检查,有效缓解规范满足偏差。 方法在 DeepSWE 和 SWE-bench Pro 上评测,平均提升 pass@1 5.09% 和 7.06%,优于最佳基线 3.98%。 消融实验证实 SatisFix 的两个步骤均对性能提升有贡献。
研究团队推出 GeoWorld 平台及 LiveGeo 基准,用于评估 LLM 智能体在持续演变地理环境中的可靠决策能力。 GeoWorld 基于真实地理结构并允许外部状态随时间演变,LiveGeo 要求智能体获取信息、验证证据有效性并修订计划。 即使前沿 LLM 在静态任务中也表现挣扎,且静态高性能不保证动态可靠性,获取并转化相关证据成为关键瓶颈。
DecArena 提出包含 100K+ 工具的去中心化协作基准,现有 LLM 难以发现非本地资源。 实验发现标准强化学习失效,GraphHarness 基线使任务成功率提升 48.5、协作质量提升 30.6。 表明去中心化系统需更明确的协作机制,即使使用 SOTA LLMs 亦如此。
Cortex-FL提出一种智能体原生的联邦学习系统,允许用户通过自然语言定义学习目标并委托协作训练。该系统将智能体协调与本地执行权限分离,在保持数据、计算及财务控制权的同时简化协作流程。在四节点部署中,系统展示了从协作形成、合同约束训练到基于区块链x402结算的完整工作流。
研究对比 3 个决策模型与 3 个通用 LLM,发现差劲的“演员”仍可有效“教学”。 JEV 模型作为教师,将 Qwen2.5-1.5B 策略在 ALFWorld 成功率从 72.8% 提升至 82.9%。 WebShop 任务中成功率亦从 56.8% 升至 71.4%,代码已开源。
CapLite 提出基于工具 schema 推导策略的小语言模型(SLM)智能体提示注入防御方法。 该方法通过预写调用和严格参数校验确保写入完整性,在 13,935 个 AgentDojo 攻击测试中未成功,且效用(29.0%)优于 CaMeL。
Skill Adapter 提出通用技能的个性化修改与在线路由机制,通过蒸馏用户需求和执行反馈生成链接于技能的适配器,并由路由智能体根据子任务和状态选择。 系统通过强化学习优化修改收益和路由结果,在 ALFWorld、WebShop 和 SkillsBench 上较 SkillRL 平均提升任务成功率 11.43 个百分点,并在技能池扩展至 1,000 个时保持性能优势。
开源基准测试 AnalogLayoutWorld 发布,包含 40 个专家审查任务,用于评估智能体在模拟电路布局设计中的端到端生成能力。 该基准测试结合独立物理验证和布局质量指标,在 13 种模型-框架配置中,91.1% 的尝试生成了 GDS 布局,但仅 23.0% 通过验收标准。
Primer 是一个开源且 LLM 无关的 AI 辅助系统,帮助教育者创建自适应教育模拟。系统采用多智能体架构以执行教师的教学意图,并支持本地及开源模型运行。作者通过发布 Primer 源码、提示词及 GitHub 仓库,为教育者主导的 AI 创作、多智能体教育工作流及基于模拟的教学法研究与开发提供了基础。
实验发现,若缺乏外部准确性反馈,人们即使面对持续错误模型仍会被说服 48%,远高于有效模型。 在可获得真实反馈时,用户对有帮助 LLM 的信任度升至 67%;用户整体更信任 LLM 而非人类顾问(83% vs 65%)。 结果提示,在缺乏及时事实反馈的领域,人们可能对 LLM 建议产生过度依赖。
HDM 提出零或 T 次思考范式,使用单一冻结骨干网络和轻量级自路由块,仅在思考价值超过阈值 lambda 时运行 T 次 token 的全自回归推理。 在 JevBench 上,HDM-4B 取得 0.857 分,优于 Jev 的 0.851 分,中位延迟从 0.652 秒降至 0.179 秒;在 MiniWoB 上,HDM-27B 降低 80.1% 的 token 成本。
S1-Evo 提出一种针对 LLM 智能体中 System-1 决策模型的新型攻击框架,通过合同感知证据通道诱导证据竞争。 该框架在离线优化中利用方向性边界反馈搜索,将验证翻转蒸馏为经验卡片,测试时检索卡片构建扰动。 在四个基准和三个 System-1 模型上,S1-Evo 平均 ASR 达 71.99%,最高引发 24.00% 端到端智能体违规。
summary_zh: 研究发现,在医疗、科学和法律领域的1,989个二元决策中,5个大语言模型在面对标注为领域专家的分歧时,均未达到提高准确性的选择性阈值,准确率最高下降16.1个百分点。
研究提出MAPE框架,通过程序进化迭代优化智能体记忆设计。在LoCoMo和LongMemEval实验中,相比手动基线准确率绝对提升最高达12%,服务成本仅为35%。 框架验证了两种设计模式:保留原始对话作为可检索证据以补充提取记忆的细节,以及根据查询意图组合检索证据。将该组合模块移植到五个现有记忆系统中,均提升了准确性。
长周期语言智能体因历史超出上下文窗口需压缩,Folio 提出通过 L1/L2/L3 三级记录实现程序化折叠与证据恢复。 在 LOCA-bench 75 项任务中,Folio 使用 DeepSeek-V4-Pro 解决 66 项,耗时约为 Claude Code 等系统的一半,成本降低 2.4 倍。
研究者发布 Skepthical 多智能体评审基准,在 15 篇天体物理与机器学习 arXiv 论文中注入 357 个可定位错误,用于衡量 12 个评审系统的检测率与误报率。该基准涵盖通用问题、数学、数值及引用四类错误,并通过检索、计算机代数与代码执行进行验证。结果表明,模型选择对检测率影响最大,强制引用检索使 Skepthical 在天体物理引用错误检测上取得最高成绩。
Singularity-Bench 提出了一项开放式的智能体自主开发基准,包含预训练、推理、集群编排等六个端到端任务,要求智能体从极简起点实现核心系统并与成熟人类基线同硬件对比。
基于构建的数据集对比发现,LLM 委托任务未带来一致性准确率提升,效果因模型而异。 当涉及编排器无法获取的知识时,委托可能大幅降低准确率,而直接工具使用表现更好;主要失效模式包括查询扭曲和工具使用低效。
针对多轮 LLM 智能体强化学习中因轨迹展开导致的统计重复计算与目标质量失衡问题,论文提出了结果质量对齐(Outcome-Mass Alignment, OMA)方法。
研究团队提出 ReA-Bench,一个用于诊断 AI 智能体审计行为的基准测试。 该基准包含六个层级的挑战,并配有成对的轨迹版本,样本主要源自真实生产轨迹。 ReA-Bench 旨在帮助服务商识别风险,弥补现有基准在审计失败归因方面的不足。
论文提出时空上下文(STC)框架,主张个人智能体的瓶颈在于上下文表示形式而非模型容量。该框架定义时间与空间双轴,确立六条不变量,并基于 SQLite 和 34 万文档构建本地优先原型。此研究旨在解决实体指代、事实时效及来源溯源问题,提升证据覆盖与冲突处理精度。
研究提出 ReSHAPE 任务,分析 5800 个由智能体修订的旅行与购物规格。 发现正确权衡可使规划器找到可接受计划的频率提升 4.6 倍;展示计划比询问偏好在 F1 分数上高 9.7 点。 规划智能体应将请求视为假设,通过用户对具体计划的反应识别其权衡。
提出证据治理演进(EGE)框架,用于管理自主 AI 智能体自生成修改的采纳过程。 该框架将候选生成与确认采纳分离,要求通过新鲜配对审计及预设主要目标的显著改进,并结合 Hoeffding 界与参考程序校准样本建立统计保证。 研究强调保障条件依赖于有界配对分数、新鲜采样及有效参考评估结构,不确立通用智能体安全或应对任意分布偏移的鲁棒性。
团队发布 Causals 开放知识图谱,初始版本基于新闻报道构建,包含 369,184 个节点和 1,272,418 条边。 该图谱链接事件、组织、商品及金融工具等实体,区分结构关系与因果主张,支持多跳检索。 它为大语言模型检索相关上下文并应用机制到特定事件提供了共享关系知识,数据以 CC BY 4.0 协议开放。
该系统整合公共卫生检查与大众点评数据,为餐厅决策支持提供基于证据的可审计推理。 研究评估了三种智能体配置:仅数据库 ReAct 智能体、结合法规检索的智能体,以及生成结构化假设的本体引导智能体。 工作将餐厅选择定位为人机协作、智能体推理视觉溯源及生成式 AI 决策支持界面设计的具体案例。
NIBench 发布了一个神经影像基准,评估自主 AI 智能体的执行、技能进化与科学判断能力。 基准包含 3 项互补评估,涵盖 56 个任务、7 种工具生态系统及 36 条阿尔茨海默病研究声明。 测试了 19 种语言模型,结果显示领先智能体执行既定协议表现近乎完美,但缺乏流程指导时性能差距扩大,且蒸馏技能在未见任务上的迁移效果不一致。
提出 DISCERN 框架,解决 Agent 跨会话记忆中的实体消歧与时效性问题,主张“写入时保留,读取时解析”。在 ENT-310 基准测试中,DISCERN 的实体解析准确率达 0.800,显著优于基线系统的 0.40,且拒答校准 F1 值为 0.924。 该框架构建严格加性双时态溯源图,读取时使用无 LLM 工具表面驱动智能体循环,避免合并易混淆实体。
MemCredit 框架将记忆选择标准从语义相关性转向决策效用,在 ALFWorld 任务中于 500-token 预算下取得 86.57% 成功率,显著高于 BM25 检索的 65.67%。 该框架通过受控反事实干预估计记忆边际贡献,利用轻量级效用评估器在固定 token 预算下筛选记忆,无需修改底层智能体策略。 研究结果表明决策效用比单纯的相关性更能有效提升长程智能体的记忆管理性能。
研究提出情感-情景回顾(AER)任务,定义“事件-情感解耦”为召回正确情感但关联错误事件的失效模式,用于诊断记忆增强型智能体。 基于 GoEmotions 基准测试,EM-TRACE 框架显示仅情感检索的情感恢复率为 28.65%,目标事件检索率仅 4.44%,UAR 为 24.21%。 结果表明,事件检索与情感分配存在不同绑定失效,需联合评估事件检索、情感恢复、绑定及生成质量。
针对长期存续的个人 AI Agent 缺失激励层的问题,文章构建了包含合约化操作点和验证机制的委托-代理模型。 实验显示,提示词层面的激励框架无显著效果(p=0.62),而运行时资源分配使最困难任务成功率从 0.60 提升至 1.00(p=0.008),但成本增加 4.8 倍。 代码、模拟器及所有结果已公开,实际部署仍属未来工作。