SkillEarth:通过技能进化教会通用智能体执行地球观测任务
SkillEarth 提出一种自进化技能提取方法,无需专家干预或模型参数更新,即可从演示轨迹中自动提取遥感工具调用知识。 该方法将知识外化为可复用、可检索且可进化的技能文件,通过结合双裁判反馈与基于观察的路由图,实现组件级别的精准优化。
SkillEarth 提出一种自进化技能提取方法,无需专家干预或模型参数更新,即可从演示轨迹中自动提取遥感工具调用知识。 该方法将知识外化为可复用、可检索且可进化的技能文件,通过结合双裁判反馈与基于观察的路由图,实现组件级别的精准优化。
在公共服务场景下,研究构建四个专家验证场景,收集了十种 LLM 智能体在四种提示条件下的 2400 条轨迹。 96.9% 的开放式运行中智能体阅读了记录,但仅 18.7% 生成了产出或自选任务;给定明确任务时生成率升至 86.0%。上下文减少 60% 的边界探查回合,但部分产出与记录矛盾。 研究发布了一套无需标注数据的规则分类学测试,公共服务机构可在采购前用于自有记录。
研究提出物理约束掩码近端策略优化(PCM-PPO)方法,解决土卫六深空探测因距离远、环境复杂导致的实时地面规划难题。 方法建立土卫六专属离散时间马尔可夫决策过程,整合中心引力、J2摄动及下行链路遮挡等系统动力学与几何模型,通过物理约束动作掩码引导策略学习。 该方法为土卫六深空探测器提供了可行且可解释的自主任务规划方案。
提出 EvoTrias 架构,通过治理、提议与评判的分权解决智能体程序演化中的权限错配问题,在数学及系统设计等基准测试中刷新 SOTA 记录。 该架构通过类型化合约与运行时钩子强化边界,支持作为插件将现有代码智能体转化为演化系统,并验证了各权限模块的独立价值。 治理与提议的分离将 token 成本降低 64%,开放提议使演化范围扩展至 68 万行工业级代码库,保护评判确保基准分数在迁移中的忠实性。
SimRec 通过强化学习训练工具集成推荐代理的完整交互策略,引入基于任务的用户模拟器和对齐奖励,使用 GRPO 优化整个轨迹。 在 ESCI 和 Amazon C4 数据集上,SimRec 将 Qwen3-4B 代理的 NDCG@100 分别提升至 35.42% 和 24.72%,性能超越更大基座的免训练代理,且训练后的代理在候选验证和推荐恢复能力上显著增强。
VbD 方法在保持模型权重固定下,通过协同进化 Actor 与 Evaluator harness 解决测试时无外部反馈难题。 在 AutomationBench 等基准上,VbD 取得最高分,相比最强基线分别提升 3.3、4.1 和 2.3 个百分点。 实验证实主动验证与 Evaluator 进化对提升输出选择有效性起关键作用。
GuardScope 是一个用于量化 LLM 智能体运行时控制动作检查覆盖率的框架。 该框架分两阶段工作:静态阶段预测控制可检查的 15 条动作路径中的哪些,实证阶段在 8 种拓扑设计之一上运行固定负载,通过将控制决策记录与内核级基准比对,将每个已执行动作归类为已检查、已绕过或被阻止。
研究提出包含 280 个实例的 WordInferBench,评估智能体在 Word 文档中推断属性的能力。基准涵盖 13 种对象类型,测试三种指令条件。结果显示 Claude Code with Opus 4.6 在推断型任务中通过率仅 40.7%。
HyperSkill 提出免训练全模态 GRPO 框架,冻结骨干模型,利用超图索引技能库替代梯度更新。在 11 个基准测试中,其平均 F1 分数比最佳基线高 13.0 点。 该框架包含训练时蒸馏、门控超图检索和执行协议,软件与数据已公开。
GuardianAgentFlow 提出一种多智能体框架,通过显式发布契约中介外出 Web 请求,以区分经脱敏处理可发送的请求与必须扣留的请求。 该框架包含限制检查、共享保护范围及基于候选者的反馈机制;实验表明其在人工审查意图标签的 Web 请求中提升了请求契约成功率,且协调效益在更小中介模型下依然存在。
研究提出 CoLFA 方法,利用多智能体系统中的协作线索重组归因输入,在五个测试场景和三种基础模型上实现了最高的精确步骤定位准确率。 该方法通过交接引导的步骤扩展和交叉引用内容组织,将准确率相比基线提升最高 37.50%,同时降低 token 消耗最高 97.6%。
Science Prediction Universe (SPU) 基准包含 100 个公开任务和 16 个私有任务,评估智能体对实验结果排名的预测能力。 测试 13 种智能体配置和 12 个前沿模型,公开基准上任务调整后的斯皮尔曼相关系数从 0.227 到 0.478 不等。 分析显示,科学判断而非工具执行是瓶颈,智能体相互一致性(0.52)高于与实验现实的一致性(0.33)。
EvoX 是一款 Rust 编写的多模型 Agent 运行时,它基于“第二政策”将 harness 视为 Operational Policy,以补充模型的 Semantic Policy。
ToolTurns 包含 2,620 个问题和 1,827 个工具,测试 LLM 智能体在多轮对话中的澄清与工具使用能力。 在 9 个语言模型中,最佳智能体完成 69.6% 的单次请求但仅 39.8% 的完整对话;所有模型在后续请求上的成功率均低于初始请求。 该基准为评估智能体在带工具的多轮对话中维持任务成功率提供了测试平台。
研究揭示编码智能体存在终止滞后现象,38%至82%的成功运行在首次编辑时即获得正确补丁,但智能体仍继续运行。 Qwen3-Coder在SWE-bench Verified等数据集上的解决后步骤占比中位数为35%至37%,Laguna-XS.2为54%至60%。 这部分额外步骤主要用于验证和探索,1%至8%的情况会导致智能体撤销正确的补丁。
RSI-PDEbench 发布了包含 1001 个案例的基准,涵盖 42 种方程模板,并提出了递归自我改进智能体 RSI-PDE。 该基准提供 Full、Noisy 及 Hard-OOD 三种评估设置,测试无噪声、高斯噪声及分布外泛化能力。 RSI-PDE 相比单次基线提升通过率 106.5-181.9%,比原生框架提升 3.0-19.6%,并减少 46.9% 的模型调用次数。
研究提出 Persona Simulation 框架,将行业问题转化为模拟用户实验,支持大规模并发运行和可审计日志。 在 5 个领域的 12 个行业案例中,该框架通过构建难以触达的人群队列,验证了跨模型结论一致性,并表明 persona 属性扰动会显著改变结果。 模拟用户能以前置设计速度测试特定队列,为诊断系统、引导设计和战略决策提供方向性证据。
AAMAS 社区指出,随着 Agentic AI 系统代表人类执行扩展任务,人机交互成为决定系统有效性的核心。 研究认为,理解人类视角并协调互补能力是成功交互的前提,涉及从个体伙伴关系到大型团队协作的不同层级。 文章主张应将人机交互视为受不确定性、相互依赖性及潜在目标冲突塑造的持续决策问题。
研究通过合作卡牌游戏The Mind评估150名人类及计算机使用智能体、文本提示LLM在禁止显式沟通下利用时间线索的协调能力。 人类行为及前沿模型表现最符合推断伙伴信念的贝叶斯策略,但所有被测模型均未能随游戏进程高效适应用户伙伴。 研究发现暗示无实时体验也可能涌现隐式概率推理机制,凸显AI系统协调面临的新挑战。
提出多任务自进化框架,同一冻结模型既作 solver 又作 proposer 直接编辑自身 Harness。 从 49 行种子起步,GLM-5.3 和 GPT-5.6 Sol 在 5 个基准上提升约 5 分,达到或超越 Claude Code 与 Codex 表现。 在 5 个分布外基准上 GPT-5.6 Sol 表现与 Codex 持平,且进化出输出截断、历史压缩等机制。
该研究指出,委托AI审查存在对齐难题,提出“k-鲁棒联盟对齐”条件。该条件要求移除k个审查员后,委托人效用可表示为剩余审查员效用的非负组合,是保证策略不劣于基线的充要条件。 在折扣MDP中,策略安全性需满足全状态必要充分条件;实验表明,即使存在未对齐个体,集体审查在容忍部分否决时仍可保持可靠。
LLM-based agents的行为轨迹可被压缩为紧凑的有限状态机(FSM),在12个公开数据集上,FSM状态数仅为7-43个,回放精度达0.997以上,且毫秒级构建。
WorldTrace 是一个免训练的内存框架,通过为每个摘要槽位分配独立的分布内虚拟位置,解决了视频世界模型在超出训练范围后因 RoPE 偏移导致无法可靠访问存储内容的问题。 该框架利用模型自身注意力决定保留或合并观测,构建有界可寻址内存库;在 LoopBench 基准测试中,其 DINOv2 召回相似度比滑动窗口提升 32.6%。
提出基于抽象语法树的定理证明智能体 AoA,将证明操作与状态融合,显著提升推理效率。 AoA 在 miniF2F 和 NTP4VC-Pearl 上较 Amazon's Isabelle Agent 降低 2.3--4.7 倍 API 成本,减少 3.9--8.9 倍工具调用。 AoA 已发表于 ICSE 2027,解决了更复杂的验证基准问题。
MARS 提出协调工作流准入控制与引擎内调度的智能体服务系统,旨在解决 GPU 内存受限下多轮工作流因 KV 缓存复用导致的反复驱逐(抖动)问题,实现高工作流级 goodput。 在两个模型和三种 GPU 配置上,MARS 相比最快基线实现了 1.59x-7.56x 的平均端到端延迟加速,并作为 OpenCode、Codex 等后端将工作流完成时间提升了 1.17x-1.87x。 开源代码已公开。
针对 Agentic 任务中的信用分配问题,提出 RewardFlow,利用共享状态构建有向图并反向传播奖励信号,无需过程奖励模型即可估算动作级优势。在 ALFWorld 等任务上优于 RL 基线,3B 策略下每步耗时 1.47-2.39 秒,代码已开源。
研究指出评估 AI 编码智能体时,仅关注模型权重冻结与否是不完整的,应同时跟踪其脚手架(工具、测试等)的变化。 实验表明,在同一模型族中的 30 个智能体共同测试时,多数投票机制在 55 个任务中未能解决 23 个(42%),且随着修改轮次增加,收益递减趋近于零。
研究人员提出一种通过扰动模型权重构建重要性采样(IS)提案的新方法,用于估计 AI Agent 随机输出中概率低至 $10^{-9}$ 的罕见事件频率。 该方法在约 1.2 亿和 26 亿参数规模模型上验证,针对概率低于 $10^{-7}$ 的事件,IS 估算器平均计算加权效率较朴素蒙特卡洛提升 800 倍以上。 代码实现已开源。
研究发现 LLM 标注误差不仅依赖类别,还依赖特征空间区域,同一类别内不同集群的可信度差异显著。 针对该问题,文章提出 CANE 框架,无需真实标签即可估计集群条件 LLM 可靠性,并据此筛选或纠正伪标签。 在多个图基准测试和 GNN 骨干网络上,CANE 表现优于最强无标签基线,在强集群条件噪声数据集上增益最大。
LLM 智能体评测基准 MEME 定义了多实体与演进记忆六项任务,覆盖 Cascade、Absence 等此前未评分的依赖推理场景。 基于 100 个控制回合评估 6 种记忆系统,发现所有系统在默认配置下依赖推理准确率均低于 3%,静态检索性能良好但无法解决此问题。 文件代理结合 Claude Opus 4.7 部分弥合差距,但成本约为基线 70 倍,代码与数据已在项目页公开。
该研究将 AI 对齐重构为“求解者-审计者”博弈问题,指出对齐是固定点问题。模型通过双层优化设计奖励,使奖励设计不再是语义匹配,而是诱导行为均衡。 在 LLM 编码流程实验中,自适应奖励机制维持了监督压力,并大幅减少了产生幻觉错误尝试的次数。
针对深度异方差回归中均值预测与不确定性量化(UQ)的权衡难题,研究者提出一种简单高效的事后方差拟合程序。该程序直接在预训练神经网络的中间层上拟合方差模型,无需端到端重训或额外数据。
研究人员提出 CFGRL 框架,直接推导了策略改进与扩散模型引导之间的关系。该框架训练过程与监督学习同样简单,无需显式学习价值函数,即可在离线强化学习任务中进一步提升数据中策略的性能。 在离线强化学习实验中,CFGRL 展现出可靠趋势:提高引导权重即可提升性能。它能够将目标条件行为克隆等简单监督方法泛化,以“免费”获得整体性能提升。
引入 Agentic Semi-Supervised Learning (AgentSSL) 框架,在 12 种设置中的 8 种表现超过最强人工基线,最高提升 +21.8%。 提出 ProgramSelectBench 基准(含 16,977 个程序),发现基于反馈指标选择程序时性能下降多达 47%。 NeurIPS 2026 录用,验证了该策略在生态检测任务中的泛化机会与挑战。
该文提出一种分布优先框架,用于学习风险敏感的个体化治疗规则。 框架通过估计治疗特异性条件结果分布,再插入特定标准评估来构建目标规则。其在理论上推导出局部 Hölder 稳定性标准的误差传播结果,并在 ACTG175 HIV 临床试验中表现出优于直接方法的效果。
summary_zh: NSAI-Fuzz 框架通过可靠性校准加权(RCW)和上下文信号门控(CSG),在 9 个数据集-模型单元中将聚合故障发现率提升至 16.17%,显著优于最强神经模糊测试基线的 6.06%。
提出梯度感知多智能体 LLM 框架,将湍流闭式发现建模为双级问题,利用 GPU 原生可微 CFD 求解器提供梯度。 智能体构建可微训练程序以嵌入解析、神经或混合闭式,在截断视界梯度下支持数万参数训练。 结果证明该方法可自主发现并训练闭式以提升统计匹配度,实现时间解析流中湍流模型的端到端自主开发。
746 名人类参与的研究显示,多元智能体能让公众代表个人偏好影响 AI 政策,比直接向单一 AI 推理模型输入更公平。 智能体影响力受提示词影响,如更详尽或低配合度会增加影响力;参与者满意度恢复基线差距的 68%,公平性恢复 82%。
研究引入连续自动评估奖励任务,用于在强化学习环境中提升 Agentic AI 在高能物理挑战中的表现。 基准测试显示前沿推理模型在此类任务上仍难以给出完整正确解,初步验证了小型语言模型通过自动化反馈进行无干预强化学习的能力。 该工作旨在推动 Agentic AI 从复现既定工作流程迈向自主发现更优科学解决方案。
基于 Gemma 4 12B 的 Agent 通过无教师自进化策略,在 τ²-bench 零售和航空域分别提升 12.5 和 19.5 个 pass¹ 点。 该模型结合技能规则诊断与 GRPO 训练的 LoRA 适配器,历经代码检查及验证门控筛选。 结果超越基准参考 Agent,显著缩小了与前沿模型的差距。