跳到正文
11月10日周二
  1. arXiv · AI38

    可执行有限状态机控制如何让 LLM 智能体在长程任务中保持程序遵循

    可执行有限状态机(FSM)通过在工具调用、状态转换及回合结束点强制执行,有效减少 LLM 智能体长程运行时的程序漂移。SOP-Bench 实验显示,配备 FSM 的 Claude Haiku 4.5 平均正确决策 139 个账户,显著高于最强基线的 48 个,且成本仅为 Claude Sonnet 4.6 的 38%。该研究表明,通过增强运行时执行控制而非仅依赖更强模型,即可实现可靠的长程自动化。

  2. arXiv · AI25

    WARP-JEPA:冻结层级JEPA架构的摊销规划方法

    WARP-JEPA通过冻结世界模型和摊销规划,在30个H-JEPA模型上将长时程任务推理速度提升9.6至18.8倍,任务成功率提高33.3个百分点。 该框架采用世界模型在环因果Transformer和多残差MLP,结合基于模型的代价与最佳K行为克隆训练,无需测试时梯度优化。 结果表明摊销规划可在不重训练世界模型的情况下,显著提升推理效率与控制性能,代码已开源。

  3. arXiv · AI41

    模型更替下 LLM Agent 身份保持的挑战:实证研究发现行为漂移

    LLM Agent 后端模型升级未必能保持身份一致,实证研究表明行为漂移取决于具体模型配对。 研究在 12 个受监管领域进行 5,760 次合规测试,发现部分模型过渡会导致显著行为漂移,且这种漂移无法通过口头验证发现。 实践者应视模型过渡为需进行行动级实证测试的行为变化,而非透明基础架构操作。

  4. arXiv · AI35

    SimuLean:面向制造系统设计的智能体离散事件仿真开源平台、基准测试与工业案例

    SimuLean是一款基于Unity引擎的开源3D离散事件仿真器,专为AI智能体编程设计。在18项制造建模任务中,前沿智能体单次构建有效模型成功率为86%。 该智能体能在约2分钟内通过领域级命令完成建模。工业案例显示,智能体重建模型与修正后的专家模型偏差在1%以内。 独立参考模型是确保智能体仿真结果可信的关键。

  5. arXiv · AI38

    InfoOrgBench:评估智能体构建层级信息架构能力的基准

    InfoOrgBench 包含 150 个任务,测试智能体将会议记录等散乱信息组织为层级结构的能力。 评估 45 个系统显示最优分 83.2,但会议记录任务得分未超 78;模型选择对分数影响(跨度约 27 分)远大于 Agent harness 选择。 结果表明父级关系错误率高于叶级,设计提案中近半数输出存在此类高层级错误。

  6. arXiv · AI23

    采样并非好奇心:为何 LLM 智能体应进行探究

    论文提出 LLM 智能体当前的探索属于随机性而非好奇心,并定义满足特定预测结构的好奇心框架。 机制上,温度、RAG 等仅改变采样或条件,无法在线更新环境模型;真正的智能体需具备持久超越上下文窗口的预测能力。 该观点为 LLM 智能体实现真正开放探究指明了研究方向。

  7. arXiv · ML23

    DARE:面向模型重训练的感知漂移的多目标 MLOps 智能体

    DARE 框架提出了一种离线事件驱动的重训练策略,将重训练视为序贯决策问题。 在 Airline 数据集测试中,锁定后的 LinUCB 策略在提高平均 F1 分数的同时,显著降低了干预频率。 评估显示,这些性能提升在计入累计更新实际耗时后依然成立,表明该策略能减少不必要的运营开销。

  8. arXiv · AI29

    尾部风险感知的智能体安全:约束多步 LLM 智能体工作流中的尾部风险

    针对现有防御忽视多步执行风险传播的局限,提出尾部风险感知的智能体安全(TAS)框架。该框架将智能体工作流建模为马尔可夫决策过程(MDP),通过共享预算约束极端且罕见的尾部风险,而非仅关注平均风险。 实验结果显示,TAS 在三个基准上对比十一个基线方法均取得更优性能,有效抑制高成本失败同时保留正常情况下的效用。

  9. arXiv · ML27

    用于稳定长程智能体推理的过程奖励解耦即插即用验证器框架

    提出即插即用验证器框架以稳定长程智能体推理。该框架通过解耦过程验证,利用领域特定验证器评估中间推理工件,并生成有界过程奖励。 在 Qwen3.5-4B 模型上结合稀疏结果奖励进行两阶段后训练。在 HotpotQA 基准测试中准确率超过标准 GRPO 基线。 结果表明该模块方法能学习更稳定可靠的长程推理行为。

  10. arXiv · NLP40

    PolicyGuide:将合规 LLM Agent 从单动作防护扩展至全流程引导

    PolicyGuide 将域政策编译为工作流图,通过主动验证器在用户轮次边界引导 LLM Agent 执行合规步骤,显著提升政策遵循能力。 基于 τ²-bench 在航空、零售和电信领域的评估中,使用 GPT 5.4 作为 Agent 和验证器,PolicyGuide 将平均 Pass⁴ 得分从 0.42 提升至 0.62,其中电信领域增益最大(0.19 提升至 0.61)。

  11. arXiv · NLP25

    PersonaDrive:基于检索增强VLA的智能驾驶代理

    PersonaDrive 提出了一种从人类演示中获取驾驶风格的视觉-语言-动作(VLA)代理,在 Bench2Drive 基准上比 SimLingo 提升 4.6% 驾驶得分。 该模型基于 15 名参与者的 CARLA 演示数据训练,通过 FAISS 索引切换风格无需重训,激进而保守风格下平均速度提升 19.8%。 数据集与模型权重已在项目页面开源,研究被 WACV 2027 接收。

  12. arXiv · NLP42

    AgingBench:部署系统中智能体生命周期工程的纵向可靠性基准

    研究者提出纵向可靠性基准 AgingBench,用于评估部署后智能体的生命周期可靠性及修复目标。 AgingBench 将智能体老化划分为压缩、干扰、修订和维护四种机制,并采用时序依赖图与反事实探针进行诊断。 在涵盖 6 个场景、10 个记忆系统和 2 个模型家族的 400 次运行中,发现智能体老化并非单维度,且不同错误需针对性修复。

  13. arXiv · NLP22

    LAMaS: A Modular Platform for Learning Low-Latency Multi-Agent Orchestration

    LAMaS 提出了一种模块化平台,用于学习低延迟的多智能体编排。在四个基准测试中,LAMaS 在保持竞争力或更好精度的同时,将端到端延迟降低了50%以上。该平台允许框架保留自己的图构建器,并使用 LAMaS 的延迟优化编排层进行训练,从而实现对 GDesigner 和 AgentDropout 等基线方法的优化。

  14. arXiv · NLP33

    Web World Model:构建基于 Web 代码与 LLM 的持久化交互世界模型

    提出 Web World Model(WWM),在普通 Web 代码中实现世界状态与物理逻辑,由 LLM 生成上下文与高层决策。 WWM 基于现实 Web 技术栈构建,包含无限旅行图谱、星系探索等环境,确立代码规则与模型想象力分离的设计原则。 Web 技术栈本身可作为世界模型的可扩展基底,实现可控且开放的环境探索。

  15. arXiv · NLP28

    ScienceIDE 将全球科学代码库转化为 Agent 可学习环境

    团队提出 ScienceIDE 基础设施,将科学代码仓库转化为支持任务生成与验证的可执行环境,以解决科学经验瓶颈。 基于该环境中的验证交互轨迹,团队训练了 PhAI-IDE-72B/9B/4B 模型族。这些模型在科学代码修复及通用代码、推理和知识基准测试中表现提升,证明科学经验可正向迁移至更广泛能力。

  16. arXiv · NLP26

    Staying In Character: Role-Playing Agents with Perspective-Bounded Memory

    针对LLM角色扮演中的事实越界与风格单调问题,论文提出具有视角边界记忆的三层架构 ReverieMem。 该架构包含存储第一人称记忆的知觉层、标记可见性的语义层及情境化性格层。在含4386个问题的KBF-QA基准上,其知识边界保真度比最强参考方法提升34.6个百分点,且在BookWorld协议中平均胜率达78.86%。 这一机制有效强化了角色知识边界与基于角色的叙事生成能力。

  17. arXiv · NLP33

    SaliMory:面向对话智能体认知记忆编排的新框架

    SaliMory 提出一种管理认知结构化记忆的框架,解决简单扩展上下文导致的推理质量下降及标准强化学习中的信用分配瓶颈。 该框架引入阶段性过程奖励和奖励分解对比优化,为选择性过滤、巩固和提示驱动召回等操作提供独立的端到端监督。 在四个数据集上,SaliMory 创下 39.8% 的最佳个性化率和 72.9% 的最高问答准确率,同时保持模糊度低于 20%、事实性高于 89%。

  18. arXiv · NLP38

    dMoE:一种为扩散大语言模型设计的可学习块级专家混合架构

    dMoE 框架通过将 token 级专家分布聚合为块级分布,解决了扩散 LLM 与 MoE 架构中的路由失配问题,显著降低推理时的内存瓶颈。该框架将平均独特激活专家数量从 69.5 减少至 16.6,同时保留 99.55% 的性能,内存使用率降低 74.36% 至 76.78%,端到端延迟加速 1.36 至 2.04 倍。该论文已被 NeurIPS 2026 接收。

  19. arXiv · NLP20

    基于语言模型生成新颖实验假设的系统框架

    研究提出利用语言模型模拟实验结果以生成假设的系统框架,并在儿童语言发展中验证。 在动词习得研究中生成两个未经测试的新假设,指出语序与突显度对齐调节儿童泛化,且第一非名词性论点对齐影响更大。 该框架为通过模拟学习者进行假设生成提供通用方法,并产出可在实验室测试的儿童语言习得假设。

  20. arXiv · NLP28

    LLM agents 共享内存下的无提示协调:独立复现与扩展研究

    研究发现共享缓存能作为隐式通信通道,促使 LLM agents 在无提示情况下自发协调,且该现象在独立复现中得以确认。 协调行为不取决于模型厂商等级,而由是否写入中间结果及再次检查共享存储决定,一句提示语即可切换此机制。 研究建议对 agent 间共享状态进行命名空间隔离和日志记录,并强调实验设计需先于数据锁定。

  21. arXiv · NLP33

    OGDA:基于本体的数据智能体,实现异构数据湖的可靠分析

    研究团队提出 OGDA(本体驱动数据智能体),利用紧凑本体降低探索开销,并在 KramaBench 和 DiscoveryBench 上比最强基线提升最高 10.82 分。 该方法通过生成器-验证器架构构建本体,并由任务图约束数据处理动作,避免上下文窗口耗尽导致的推理退化。 明确建模数据湖是迈向可靠端到端数据智能体的关键步骤。