跳到正文
11月13日周五
  1. arXiv · NLP36

    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。

  2. arXiv · AI37

    多智能体审议如何影响人机决策:两项用户研究揭示交互轮次关键作用

    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。

  3. arXiv · NLP26

    训练计算机使用智能体评估图形用户界面可用性

    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。

  4. arXiv · AI29

    工具使用型 AI 智能体中的弃权操纵攻击研究

    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。

  5. arXiv · AI32

    HDH 框架利用冻结视觉语言动作模型的回顾数据实现低延迟动作验证

    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。

  6. arXiv · AI50

    MechFoundry:无需人工干预的工程分析与优化智能体循环

    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。

  7. arXiv · AI36

    AVA: Agentic Variant Adjudication 用于癌症诊断测序的自动化、可审计读级审查

    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。

  8. arXiv · AI20

    LiveGeo: Benchmarking Geographic Agents in Continuously Evolving Worlds

    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。

  9. arXiv · AI30

    Cortex-FL发布:基于Agent的联邦学习协作系统

    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。

  10. arXiv · AI34

    Skill Adapter:通用技能的个性化修改与在线路由

    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。

  11. arXiv · AI26

    AnalogLayoutWorld 开放基准测试发布

    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。

  12. arXiv · AI31

    Primer: 支持教师主导的教育模拟创建的开源 AI 框架

    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。

  13. arXiv · NLP47

    缺乏反馈时人们是否信任 AI 助手?

    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。

  14. arXiv · AI38

    HDM 混合决策模型通过零或T次思考机制与 CDPO 强化学习策略提升推理效率

    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。

  15. arXiv · AI26

    S1-Evo:针对带类型 System-1 决策模型的经验引导证据竞争攻击

    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。

  16. arXiv · NLP23

    MAPE框架通过程序进化发现智能体记忆设计并提升LoCoMo准确率

    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。

  17. arXiv · NLP33

    Skepthical 基准:基于真实论文的 AI 同行评审审计

    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。

  18. arXiv · AI26

    时空双轴证据导向上下文基质:个人智能体的新范式

    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。

  19. arXiv · AI34

    EGE 框架:自主 AI 智能体自生成更新的证据治理机制

    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。

  20. arXiv · AI34

    Causals:用于因果推理研究的开源知识图谱

    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。

  21. arXiv · AI20

    Food Critic: 用于可审计餐厅安全推理的智能体可视化系统

    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。

  22. arXiv · AI39

    NIBench 评测自主 AI 智能体在神经影像分析中的执行、技能进化与科学判断能力

    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。

  23. arXiv · AI36

    DISCERN:面向持久化 LLM-Agent 记忆的写入保留与读取解析框架

    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。

  24. arXiv · AI24

    MemCredit:长程 Web 智能体决策时刻记忆的效用驱动框架

    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。

  25. arXiv · NLP30

    智能体能否重历过去?诊断情感-情景回顾中的事件-情感解耦

    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。

  26. arXiv · AI30

    Incentive-Responsive Agents: A Principal-Agent Framework, Metric Suite, and Runtime Architecture for Long-Lived Personal AI Agents

    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。