基于 TRACE 框架的草案立法反腐败自动化 AI 助手
基于 TRACE 架构的 AI 助手实现草案立法反腐败风险评估。在 132 部乌克兰法案构成的基准测试中,使用 Gemma 4 31B 时前 10 项标记命中率为 0.28。系统通过确定性解析核心与 LLM 评估结合,未匹配 32 项法律冲突发现。
基于 TRACE 架构的 AI 助手实现草案立法反腐败风险评估。在 132 部乌克兰法案构成的基准测试中,使用 Gemma 4 31B 时前 10 项标记命中率为 0.28。系统通过确定性解析核心与 LLM 评估结合,未匹配 32 项法律冲突发现。
该研究提出LASER智能体,利用预期引导机制解决视频中物体状态读取问题。模型将预期变化转化为视觉问题,检视当前帧确定属性值,并校验状态记录。模型参数全程冻结,通过修订文本观察技能提升表现。 在OSCaR和PLM RCap数据集上,LASER相比基线实现一致性能提升。
研究提出无模型架构获取状态遥测,通过双通道实时量化信息获取进展与摩擦。 固定因果监控器将原始观测映射至任务解决坐标,适用于搜救、机器人操作等八大领域。 强化学习实验表明,惩罚信息摩擦可维持高任务成功率,未惩罚策略无法完成任务。
PASE 框架通过将可复用过程逻辑分离为可编辑程序,迭代进化 LLM Agent 技能。该框架在多个模型与基准上优于所有基线方法,实现超 2.8% 的提升。 分析表明,PASE 展现出更强的进化稳定性与泛化能力,凸显程序化知识在技能进化中的关键作用。数据与代码将通过 GitHub 开源发布。
研究者提出神经符号参考监视架构 ActiveSecHarness,旨在解决 AI 编码智能体中 LLM 护栏延迟高与误报率高的问题。 该架构结合能力令牌与二维污点格,在 252 个测试用例中,其 Ring 0 守卫实现 100% 攻击阻断率与 0 误报率,耗时仅 12.7 微秒。 这比 qwen3:4b 判断器快 11200 倍,有效避免了常规正则黑名单对结构化逃逸的盲区。
论文提出DisasterAgent,通过“感知-增强-生成”工作流生成带引用的可验证灾害报告。 在DisasterM3和RSCC基准测试中,该模型平均分数较原模型分别提升13.5%和15.34%。 此举为灾害应急响应提供了更准确且可验证的解决方案。
JetBrains 对 404 名工程师的数据分析显示,token 消耗主要反映 AI 智能体使用广度而非工程产出价值。 两周内 commit 数量相似的工程师中,90 分位 token 消耗是 10 分位的 39 至 240 倍;单工程师内消耗翻倍仅对应约 10% 的 commit 增量。 建议仅将 token 消耗用于资源核算,通过任务与结果证据评估 AI 辅助工作效能。
PegasusAI Studio 是一个基于 Pegasus 和 HTCondor 构建的 AI 辅助科学网关,旨在解决 AI 编码智能体在共享网络基础设施上运行时的权限与状态追踪问题。
开源扩展包 MRFoundry 将 MRI 知识与智能体动作连接,配套推出 MRI Agent Bench 用于评估不同模型表现。 在 240 项核心评测中,MRFoundry 使全检查通过完成率从 67.5% 提升至 78.3%,在 134 项高难度任务中从 36.6% 提升至 44.8%。 该工具为 MRI 工作流专家知识提供可复用指导,支持研究者查看、调整并扩展至现有环境。
AgentScript-Eval 评估 5 个模型生成 Salesforce AgentScript 代码,最佳模型 pass@3 仅为 25.0%,从零编写任务得分为 0。
AIOA 框架利用 AI Agent 在自动化循环中优化原子模拟数值算法。 针对 ASE 库,Agent 使 6 个内核平均提速 22-24 倍;优化器在结构弛豫中比 L-BFGS 减少 3.1-3.4 倍力评估次数。 生成的优化器包含文献中未发现的两个算法组件,证明了 AI 在发现高效算法方面的能力。
PAF 格式通过携带编译上下文、证据及溯源规则,使托管治理阅读器在 400 个冻结问题上的成功率达 96%。该结果显著高于 86% 的指令加原始文件检索方案,以及在可回答问题上 94% 对比 79% 的表现差距。一项 0.8B 参数的离线阅读器整体成功率为 69%,但其在 40 个历史记录问题上表现失败,未能解决任何一类。
提出GTAGym环境和GTAVBench基准,包含103个在线任务及47个图像射击任务。在GTAVBench-AGI测试中,最优配置的准确率仅70.9%,空中导航等任务仍具挑战性。 通过LoRA对Qwen3.8-27B进行RL微调,原GTA V任务表现从15%提升至23%。该框架支持生成3D和图像射击环境,用于强化学习训练。
为提升编码智能体在低质量 UI 截图下的定位能力,提出基于仓库渲染的参考图像增强方法,在四倍下采样加 JPEG 压缩条件下提高金文件匹配率。 参考图像由当前代码库自动生成都无需人工标注,且在相同退化条件下文本识别精度比语言偏置 OCR 高约 12 个百分点,基于 SWE-bench Multimodal 构建评测基准。 该方法使智能体在视觉证据模糊时仍能定位相关源文件,适用于自动化软件调试场景。
Vexorium-Agent 在 Lean Refactor Arena 封闭组最终榜单以 86.31 分位列第 8,超过参考证明的 33.33 分。 该智能体在 US$166.33 的总成本下完成 60 道题,平均每题 US$2.772,单题上限 US$3。
基准测试 ICLayout-Bench 发布了 LLM 智能体在定制电路布局设计中的表现,结果显示 22 种配置的平均布局得分在 4.22 到 80.26 分之间。 该基准包含 165 个任务,覆盖 13 种工艺设计套件(PDK)和 3 nm 到 180 nm 的技术节点,采用开源和商业 EDA 流程。 更高的推理努力并未持续提高平均分,且相似得分的配置在模型成本上差异显著。
研究通过基准测试发现,虽然大语言模型生成的世界模型在机械有效性上表现良好,但结构一致性低,证明可执行性并非忠实代表问题的充分条件。 涉及 44 个场景的 410 次生成评估,严格审计通过率达 99%,但平均结构 F1 仅为 0.366,仅 21% 模型与参考完全匹配。 这显示现有 LLM 生成模型需结合语义标准进行更深层验证,不能仅依赖机械有效性。
WikiTrace 是一种证据关联记忆系统,通过让智能体验证每条经验教训与其原始轨迹的关系,有效减少因错误应用记忆导致的性能退化。 该系统将简洁的洞察与轨迹摘要及原始数据链接,当智能体遇到细节缺失或冲突时,可借助底层工具获取完整信息以修正判断。 在五个智能体基准测试中,WikiTrace 性能持续优于现有记忆方法及仅凭洞察的基线模型。
该综述聚焦自进化多模态智能体,揭示其在跨场景迁移中的结构性不对称问题。研究涵盖多模态推理、生成、GUI导航及具身操作四大场景。 通过定义自进化循环框架,区分场景固有局限与设计固有局限,并将各机制重构为资源权衡。 研究分析了稀缺资源与任务结构资源的组合差异,指出了目前尚未经过验证的跨场景迁移判定。
针对长程个性化智能体记忆更新难题,提出个性化记忆评分标准(PMR)框架。该框架将终端反馈转化为细粒度的每步、每用户信用分配,在四个基准测试中一致优于强记忆增强基线。PMR将评估分解为通用层和每用户自适应层,实现评分标准与记忆策略协同进化。部署时零推理开销,无需外部评分器,有效解决了不同用户画像下记忆动作效用异质性问题。
TreeAgent 提出了一种结构感知记忆智能体,通过保留层级结构处理长文档,在四个基准上使四个智能体平均性能提升 3.61%。 该模型利用完整子树构建片段,附加结构路径以标识祖先关系,并引入残差记忆链接实现跨层级信息直接流动。 评测数据涵盖 8K 至 1M tokens 的 JSON、HTML 等真实应用数据,解决了传统扁平分段破坏结构关系的问题。
论文提出多智能体框架 Dr. RTL,自动化关键路径分析与 RTL 重写。 在 20 个真实设计中,Dr. RTL 实现 WNS/TNS 平均提升 21%/17%,并降低 6% 面积。 该框架探索设计特定的综合脚本调优及算法发现,迈向 AI 原生设计自动化。
研究团队提出 DrugCoding 科学编程智能体系统,整合科学任务规划、自适应模型路由、多智能体协作与程序化工具执行,以解决 LLM 在药物发现工作流中的复杂任务规划与多阶段计算执行难题。
研究证明 AI 智能体监管存在不可能性,有限规则无法完全认证所有安全程序,且 220 万次随机程序仿真验证了这一阻碍主要源于对抗性场景而非典型情况。 该定理表明,依赖有限时间机器可验证证据的禁令规则存在单边失效,任何 n 比特的健全规则都会遗漏约 n 比特的合规程序。
Self-improving agent systems rely on high-quality verifiers to evaluate outcomes。
研究人员提出一种基于人类流行病学原理的队列设计,用于纵向研究 AI 智能体的行为演变及潜在不良事件。 该框架将智能体视为队列成员,模型架构类比为基因,累积工作量为时间尺度,并通过两个前瞻性队列分别考察好奇心带来的安全风险与数据核查带来的可靠性问题。 这种通用蓝图有助于理解智能体行为决定因素及其可预防负担。
一项针对 95 个失败案例的实证研究指出,大语言模型智能体故障多在任务早期进入,且轨迹中常包含可检测的证据。 研究显示 72% 的失败案例中已有证据但未被处理,45% 的故障源于内容过滤崩溃导致的系统误报。该研究提出了完整的故障记录协议与控制方案。
论文提出基于 BPMN 的可组合智能体工作流方法,解决复杂智能体应用难以监控与优化的问题。 该方法将 SemTalk BPMN 模型转换为 LangGraph 可执行工作流,通过递归能力组合将智能体封装为可复用工具,并利用本体提供企业上下文。 BPMN 显式编排使多智能体系统更易于理解、调试及监控执行进度。
基于语言导向分层强化学习的认知多智能体框架提升了搜索与救援性能,学习速度提高 2.3 倍,协同一致性提升 37%。 框架整合 LLM 解释指令、UAV/UGV 角色分配及共享认知工作空间,模拟实验中受害者救援率提高 20-30%。 研究确立了语言引导多智能体 SAR 机器人新范式,使自主救援操作更安全、高效且可解释。
引入学生感知教学(SAT)方法,让教师 LLM 通过构建学习者模型和诊断探针,为固定 harness 的学生 LLM 生成可复用技能,显著提升任务成功率。 Claude-Sonnet-5 教学 DeepSeek-V4-Flash 时,SAT 达到 86.46% 成功率,高于无画像教师(81.04%)和未教学学生(75.00%);跨模型交换技能库后,各自使用原库表现更优。
ChipOmni 发布,作为 EDA 领域的通用 AI 智能体,在模拟电路、RTL 等基准测试中优于基线模型。 该框架整合多模态理解与动态规划,支持多智能体协作。在长期案例中,它自主将 RISC-V 规格推进至通过物理签核的 micro-SoC GDSII 布局。
研究引入包含 43 个规划任务的 Ask2Decide 基准,评估 LLM 智能体在信息缺失时主动获取关键决策信息的表现。 实验发现,当关键信息缺失时,前沿 LLM 初始计划不可行率高达 58%-98%,且智能体挖掘改变最优计划事实的比例仅略高于无关事实。 这表明通过交互获取决策相关信息仍是 LLM 规划的主要瓶颈。
针对学习代理在端到端游戏中形成的离散协议,研究发现在线部分监控导致影子路由占比比无监控增加 0.701 至 0.826,但任务准确率保持在 0.905 以上。 冻结干预实验证实路由具有语义功能,联合消息-路由打乱会改变 0.668 的接收方预测。证据支持在部分监控下自适应重分配联合代码,而非实现开放世界路由发现或通用防御。
PtW 框架利用大语言模型在权重空间编程(WSP)基础上,通过物理约束提示和架构编辑直接生成神经网络权重,无需梯度优化。在热传导等四个偏微分方程实验中,其解误差低于传统物理信息神经网络。该框架显著提升了物理一致性,但在非线性偏微分方程中仍存在局限。
针对13项企业SOP,对比四种Agent架构发现无普适最优解。单Agent是高效默认选择,多Agent或Skill增强架构消耗1.4-4.7倍Token且增加2.6-5.8倍延迟。 高质量Skill使成功率从67.4%提升至73.1%,而针对性重构的多Agent以75.6%显著胜出。实施质量比架构选型更关键。 ```
针对自主 AI 智能体,治理应优先限制控制并执行知识边界,而非单纯限制智能。 该研究提出“胜任力电路”(IKC + KC + C)框架,分解智能体对现实世界的影响路径。模拟表明,纯数字领域会削弱安全瓶颈,需将物理环节纳入架构。
针对多智能体LLM投资决策系统,研究人员提出在线信用分配机制MRC。该机制通过计算所有联盟输出的精确Shapley值来动态调整专业智能体的权重。 在涵盖13种加密资产、1,037个交易日的测试中,MRC实现了1.51的夏普比率(Sharpe ratio)和440.1%的累计收益。
研究人员通过被动 JavaScript 追踪器捕获 LLM 浏览器智能体的操作与交互时序,在 14 种前沿 LLM 上验证了模型指纹识别的可行性,固定框架内 F1 分数高达 96%。
提出确定性世界模型(DWM)和动作引导划分验证方案,解决视觉控制器闭环验证难题。DWM比cGAN代理更准确,使CARLA和Gym基准中的鲁棒性区间窄1.9x至69x。在CartPole实验中,未知初始集比例从21.88%降至8.18%,显著提升验证效率。
LARC 为冻结模型提供紧凑数值状态,在 MiniCPM5-1B-SFT 上两次反馈更新使查询执行误差降低 24.65 和 36.65 个百分点。 采用 rank-4 残差与 12,288 个因子条目,在四候选开发任务中实现 16 个参数组更新,支持损失规则误差达 0.78125%。 研究揭示了数值状态辅助后续读取的条件,训练参考系在部分场景下比内存适应更有效。