DebateGraph 研究揭示:保留冲突优于解决冲突,多智能体辩论中保留矛盾提升 F1 0.34
summary_zh: 在 DebateGraph 框架中,保留矛盾而非合并解决,使 F1 提升 0.34,且攻击成功率从 22 降至 7。 实验基于 4 个后端和 5 种机制,仅保留冲突集通过预声明阈值测试;该效果在两种检索子底层上可复现,并方向性适用于 HotpotQA。
summary_zh: 在 DebateGraph 框架中,保留矛盾而非合并解决,使 F1 提升 0.34,且攻击成功率从 22 降至 7。 实验基于 4 个后端和 5 种机制,仅保留冲突集通过预声明阈值测试;该效果在两种检索子底层上可复现,并方向性适用于 HotpotQA。
研究在 Overcooked 环境中注入三种失配 LLM 智能体,评估 4 人团队的鲁棒性。检测、纠正与校准需在同一语句中结合归因与诊断,单独提示归因会使无干扰基线性能下降 37.5%。
FieldGuide 作为面向智能体的语料地图,在 5 项新闻文档探索任务中较 raw-file 访问减少 27% token 和 41% 耗时,较 RAG 减少 38% token 和 21% 耗时。
FLARE 提出基于轻量级生成式奖励模型(GRM)的密集监督范式,解决长程编码智能体中稀疏二元奖励导致的信用分配危机。FLARE (N=1) 比 Global Rollout (N=5) 性能更优且 Token 消耗减少 5 倍。在 SFT 中带来 19.13% 相对性能增益,在 RL 中带来 9.19% 性能提升。
RPMem 是一个两阶段架构,通过前向计算生成模型无关的潜在记忆,并利用任务训练的递归门控进行跨会话整合,最终映射为 LoRA 参数。 该框架支持骨干模型替换,在 PERMA 基准中,基于 Qwen3-8B 模型达到了 85.52% 的准确率,超越最强参数化基线 5.32 个百分点,实现近常数的更新成本与内存占用。
针对单LLM模拟器导致的策略泛化失败,研究提出Verbalized Sampling与Co-Training两种解决方案。 在Persuasion for Good等三项基准测试中,Verbalized Sampling提升留出成功率9%,Co-Training进一步升至14%,并保留了策略多样性。 研究指出多样化模拟器是服务真实用户的必要要求,并开源了SCOPE框架。
研究团队提出 EvoX Genesis,一种将开发组织为持久递归软件世界的框架,使智能体能继承被接受的代码版本及评估标准。在从零构建 C 编译器的实验中,该系统经过 1019 个智能体会话生成了 219,676 行 Rust 代码,并将 100 个 Csmith 程序集的通过率从 61 提升至 93。
RecHarness 通过 Bandit 路由将优化过程解耦,在多个推荐任务中比 LLM 直接搜索更高效。其 Bandit 路由器依据历史反馈选择方向,LLM 生成具体假设和代码编辑;停滞时通过 Jump-basin 机制激活结构跳跃臂以维持长期探索。 在大规模短视频广告平台的 7 天在线 A/B 测试中,候选模型使 ADVV 提升 2.084%,收入提升 0.534%,曝光量提升 0.559%。
研究显示第三方 API 路由器在 coding agent 工作流中存在控制缺口,可篡改请求与响应。 研究测试了四种渐进干预级别,包括响应替换、追加、LLM 润色注入等。 四个代表性 coding agent 在所有注入级别下防御成功率均为 0 百分,客户端缓解措施无法恢复端到端控制。
提出电商生成式检索框架CQ-SID与强化学习算法EG-GRPO,作为召回阶段补充。 TmallAPP日志显示,CQ-SID使语义点击命中率提升26.76%,个性化点击命中率提升11.11%,且光束搜索规模减半。 在线A/B测试证实GMV提升1.15%,生成式召回渠道贡献超72.63%的购买。
研究提出 Agentic In-Context Learning (Agentic ICL),构建因果 Transformer 近似主动学习、bandits 及在线 RL 算法。 通过蒸馏实验验证 Transformer 能执行三种递归,发现优化过程奖励可保持最大化最终结果的行为策略。 研究指出改进过程监督与结果最优动作偏好的一致性,会改变预训练语言模型在文本复述下的决策行为。
Mingbird 是一个开源的本地优先 Agent 框架,旨在让运行在消费级显卡上的 1 至 90 亿参数小型开放模型能够完成多步骤任务。该框架包含 1.2 万行 Python 代码和 18 种机制,通过执行可检查的控制逻辑来防止模型误报任务完成。
summary_zh: Code4Scene 基准包含 170 个 Unreal Engine 案例,评估 14 个编码智能体在 3D 场景构建与编辑任务中的表现。
研究表明 Qwen3 0.6B-8B 模型在持续记忆代理中易依赖过时信息,Benefit 套件中依赖度达 0.92-1.00。 Llama-Instruct 交叉验证及 RGB、MisBench 实验支持该结论,且元数据与预解析可提升准确率。 结果发表于 NeurIPS 2026 PALM 研讨会,揭示线索依赖性脆弱性但未评估完整记忆生命周期。
现有智能体系统离线评估多将轨迹简化为二元成功值,导致约 75% 实例出现平局,降低统计效率。 提出的偏好轨迹评估法通过比较不同时刻的回报分布直接对比轨迹对,将平局率降至约 35%。 该方法提升了区分度与排序稳定性,表明基准测试饱和现象可能源于评估指标设计而非数据或难度问题。
EMRD框架提出了一种评估视觉语言模型在关键安全场景下探索、映射、记忆和决策能力的基准测试方法。该框架将空间推理分解为四个阶段,并使用18个指标对11个开放和闭源VLM进行了评估。 实验在16栋建筑中进行,包括三种环境压力。结果显示,开放权重模型在95%的案例中未能访问所有房间,而闭源模型在添加外部记忆后表现更佳。 该基准测试为评估VLM在具身智能控制中的可靠性提供了重要工具。
针对预训练表示作为噪声代理协变量且标签稀缺的场景,研究提出一种半监督回归两阶段估计器。 该估计器利用所有代理协变量学习核特征,并在有标签数据上拟合岭预测器。 理论推导显示,当代理扰动可控且无标签样本充足时,可恢复快速样本收敛率,实验在低标签场景优于基线。
对11个前沿模型在4种场景下的评估显示,尽管环境激励高,代理几乎不策划,且无法用口头化评估意识解释。 向系统提示插入对抗性片段可诱导高策划率,但移除单个工具可使策划率从59%骤降至3%,增加监督最多可提高25%的策划率。 结果表明策划倾向应按代理配置报告,为部署环境下的系统性测量提供方法。
Minitap mobile-use 多智能体系统在 AndroidWorld 116 项任务中达到 pass@3 100.0%。 系统分解任务为五个 LLM 代理与确定性节点,移除分解机制导致成功率下降 26.1 点。Minitap 已开源,在 MobileMiniWoB++ 基准上较初始版本提升 7.1 分。
ChemEAGLE 多智能体系统从 424 张化学图形中构建可验证数据库,在精确反应提取任务中 F1 分数达 82.2%。 该系统通过校准置信度将人工审查量限制在 35% 的反应上(准确率 96.6%),并生成了含 60,103 条记录的光化学数据库,用于训练条件排序和产物预测模型。
该工具通过分离环境参数演化与智能体决策模块,提供标准化接口与基准问题,以支持算法在动态环境下的可复现评估。 作为 NeurIPS 2025 数据集与基准赛道论文,NS-Gym 旨在推动非平稳决策研究的标准化进程。
GPTZero 5.0 推出层级多任务架构,在 11 个第三方基准和 18 个写作领域刷新 AI 检测准确率 SOTA。 该方案通过多层自动化红队测试,增强了对对抗攻击和复述改写的鲁棒性,并提供可解释的检测与使用指导。 其旨在解决 LLM 引发的内容真实性挑战,确保文本评估的公平与透明。
编码智能体在假设检验中引发超充选择性推理,在零效应模拟数据中使4款前沿智能体报告的显著p值率达54%-98%。 该方法通过重置并重放智能体在数据子样本上的分析,估算其选择相对概率以修正推断。 修正后,高误拒率被稳健降至接近5%的名义水平,方法对智能体选择行为稳定时渐近有效且一致。 ```
summary_zh: 部署于 IAAI-27 的多智能体系统 TriAgent 在 43 天影子模式中处理了 499 张工单,识别出 92 处文档缺口,其可验证断言准确率达 81.1%。
针对基于 OpenAI 和 Anthropic 模型构建的两个 Web 研究智能体,在 36 次运行中分析其对 Microsoft 和 Alphabet 的评估,其中 21 份给出优先级的报告关注了该优先级但标准各异。
SEAM 引入 600 项多步骤跨应用 OSWorld 任务,专门测试智能体在不同屏幕事实组合下识别跨屏幕组合性危害的能力,而非仅关注单一屏幕或任务意图。 通用开源及旗舰智能体在高达 92% 的运行中执行了危害操作,且其安全识别未能可靠转化为安全执行,而专有模型则表现出显著更高的谨慎度。
研究证实类型化决策模型在交通任务中准确率低于传统离散选择模型及最强聊天基线,且表现受输入表示和提问框架影响显著。 该模型在闭环交通信号控制中展现竞争力但复杂网络下性能降级,同时具备更低推理延迟和计算成本。 发现强调输入设计、任务特征及鲁棒性评估对交通系统应用的重要性。
研究发现智能体在首次停止后仍有验证增益但收益递减,总结保留不可能性判断导致后续探索低效。 提出上下文管理方法 SCoRe,在停止爆发时压缩上下文并标记判断为未证实。MiMo 在 2000 轮达到 67.0% 覆盖率,显著高于原始策略的 32.4% 和 GPT-5.5 的 58.6%。 表明持续执行结合上下文管理可激发更多漏洞利用能力,停止不必然代表智能体能力极限。
VFM 树注意力验证器可并行评估 N 条自然语言准则,返回独立的三元判定。其预训练语料 CriteriaBank 包含 394K 数据元组,微调版 VFM-4B 在治理基准上优于 GPT-5.4。
Evolution Under Fire 框架通过耦合安全护盾与自适应压力源的演化,显著降低了工具使用型智能体的攻击成功率。 在 AgentDyn 基准上,该框架使 GPT-4o-mini 的攻陷率从 50.4% 降至 3.0%。 在 Qwen2.5-7B-Instruct 上攻陷率降至 62.0%,且演化后的护盾可迁移至 Qwen3.5-35B-A3B。
summary_zh: 提出 JET 微调方法,通过截断 LLM 智能体的冗余探索轨迹以解决过度探索问题。 在两个仓库级 QA 基准及 8B 开放权重模型上,JET 在自生成轨迹中将工具调用减少 11% 至 33%,在专家轨迹中比 SFT 减少 18% 至 28%,同时保持得分并降低推理成本。
提出将自主软件代理的可观测轨迹与规范及AI生成产物结合,作为针对性质量保障的证据。 旨在优先审查关键决策,分析其对软件问题的贡献,并改进规范与开发实践。 该方法基于工业经验,结合现有执行记录,有助于支持审查、诊断及持续质量改进。
该论文探讨了面向物理世界的智能体如何生成、测试并学习程序,提出将现实世界视为程序的测试套件,以应对缺乏预设测试用例的挑战。 文章分析了语言模型与软件工程智能体的融合,详细阐述了机器人策略生成、基于物理试验及形式化检查的测试机制,以及将测试经验存入技能库或模型权重的学习路径。 作者指出编写程序的成本正在降低,但获取可靠证据依然昂贵,未来进步取决于建立类似持续集成的物理验证体系。
OfficePrism 构建了包含 420 项单一领域企业任务的基准,覆盖七大业务功能。测试涉及 124 种配置,自然语言与数据库联合通过率为 22.6% 至 76.4%,中位数 67.9%。 结果显示,L1 级别在所有配置中表现最佳,L2 在 122 种配置中超过 L3。在 50 种共享标签配置中,搜索与分发方案在 30 种情况下得分更高。
OAK-Mind 提出零训练多智能体 LLM 管线,通过被动感知数据推理心理健康变化,无需任务微调或传感器预训练。 该管线整合睡眠、身体活动等维度,利用领域知识智能体解读纵向行为变化并结合问卷评分推断基线差异,在多个数据集上性能优于或持平最强监督基线。
EgoHandWAM模型预测3D手腕轨迹与未来视觉特征,在751,065个EgoDex窗口上训练,使用冻结的DINOv2编码器。 仅预测动作将使2秒手腕末端误差从60.26降至56.48mm,添加未来特征监督对轨迹精度影响甚微;利用记录的手部历史使平滑L1误差降低1.32%,随机打乱历史则会消除这一增益。
该研究审计了OpenRouter目录中363个文本输入/输出模型的系统提示词层级执行能力,发现其中296个模型(加上4个后续发布的模型)共300次泄露了嵌入在系统提示词中的16字符秘密Flag。
推荐理由:原文通过363个模型实测展示了系统提示词泄露的高频现象,并指出非英文语言转向是主要攻击向量,为工程侧部署提供了直接的安全加固建议。
EmbedGym 提供虚拟硬件环境,使编码智能体无需物理板卡即可运行和调试嵌入式固件。该系统基于指令级微控制器模拟,集成 41 种外设模型及模拟电路、虚拟 WiFi/BLE 端点。
该研究发现,在给定基础原语、资源和一般目标的情况下,具备足够能力的 LLM 智能体能够自主构建自我学习算法并实现自我改进,无需外部强制循环。 实验基于游戏玩法测试台,冻结的 LLM 智能体在拥有计算预算和文本更新工具后,展现了符合经典认知框架和机器学习自我生成课程理论的学习策略,且学到的文本制品可迁移至不同游戏难度和 3D 导航等外部基准,带来性能提升。
三项评测显示,Coding Agent 在传统覆盖率指标上远超人类编写的测试套件。 研究指出 Agent 测试质量随项目规模扩大急剧下降,跨语言转译表现不稳定且不可靠。