QuAD：基于多智能体系统与分布对齐的定性数据质量量化评估框架
研究人员提出了用于定性响应数据集分析前量化评估的框架 QuAD。该框架将文本内在聚类分布与基于元数据定义的研究分析视角进行对比，构建四象限联合评估指标来判断数据适用性。为计算视角约束下的响应间差异，QuAD 采用包含两阶段指令生成与自适应锚点的多智能体系统，并在合成数据与真实社会调查案例中验证了其有效性。
全部AI 动态
全部动态
今日 64 条arXiv cs.AIAI 评分3434 arXiv cs.AIAI 评分3434 CIIR：基于类别索引接口表征学习的跨数据集通信框架
研究人员提出模块化编解码器框架 CIIR，通过类别索引地址空间连接异构数据集，无需配对或同步的多模态样本。系统使用 128 维地址表征，新训练的无标签接收器实现了 94.7% 的宏平均地址实现准确率。冻结基础地址空间后仅训练轻量适配器接入未见过的 SVHN 数据集，在无目标端标签下达到 90.2% 的 MNIST>SVHN 和 82.3% 的 SVHN>MNIST 端到端地址迁移准确率。
arXiv cs.AIAI 评分3535 LexPilot：评测法律大模型在中国民事案件咨询中主动交互能力的基准
研究人员推出基准 LexPilot，用于评估法律大模型在中国民事案件咨询中主动引导非专业用户补充案情及下游判决预测的能力。该基准基于 36 种常见案由的 432 份真实判决构建，包含经专家审核的完整与信息不全咨询记录及对应法院判决。实验表明现有 LLM 主动交互能力较弱，在信息不全时的下游诉求判决预测较完整信息设置平均下降 23.84%。
arXiv cs.AIAI 评分4747 WebCoder：基于工件落地智能体强化学习扩展通用前端开发能力
研究团队推出基于工件落地智能体强化学习的前端开发 AI 智能体 WebCoder，通过 Webdev-World 执行环境与工件进度驱动的奖励重分配机制支持长轨迹训练。
arXiv cs.AIAI 评分4444 重新审视大语言推理模型安全对齐中的 GRPO
研究人员针对大语言推理模型在 GRPO 安全对齐中出现的优势崩塌与不安全多样化问题，提出了对齐框架 Beacon。该框架通过安全信号恢复（SSR）重构有效学习信号，并利用安全与效用解耦对齐（SUDA）缓解过度拒答。在 4 个 Qwen3 与 DeepSeek-R1-Distill 变体及 8 个基准测试中，该方法将平均安全错误率最多降低了 32.83 个百分点。
arXiv cs.AIAI 评分4040 智能体上下文学习：Transformer 在闭环交互中能学到什么算法？
研究提出了智能体上下文学习（Agentic ICL），探讨固定参数的因果 Transformer 在闭环交互中逼近主动学习、多臂老虎机和在线强化学习等算法的表现。实验证明 Transformer 能通过知识蒸馏执行三种代表性递归算法，并在有限时界内约束回报损失。此外，在没有先验动作或状态目标时，过程奖励监督与结果最优偏好的对齐程度会直接改变模型学到的决策策略。
arXiv cs.AIAI 评分3333 蒸馏直至发散：面向智能体强化学习的错误截断后见蒸馏方法
研究提出面向智能体强化学习的错误截断后见蒸馏方法，通过轨迹结果与错误边界路由两类互补的后见技能，解决长程交互中后见监督与状态不匹配的问题。该方法利用正面技能强化成功决策，利用负面技能针对关键错误提供修正，错误发生后的后缀部分则完全由 GRPO 优化。实验表明该方法具备竞争力的任务表现，并支持有效的细粒度信用分配。
arXiv cs.AIAI 评分4343 C 转 Rust 性能退化分析与恢复研究
研究人员分析了 20 个真实 C 项目转为 Rust 后的性能退化，发现转译后的 Rust 在部分操作中比原 C 代码慢达 62.2%，并归纳出 9 类主要性能问题。团队提出基于 LLM 的性能恢复方法，结合热点分析与可复用优化规则进行上下文重写验证。在 12 个保留项目的 41 项操作测试中，该方法成功为 40 项操作加速，其中 18 项运行速度超越原始 C 代码。
arXiv cs.AIAI 评分3333 科研构思的起点：基于前向引文监督生成可执行的文献局限性
研究人员提出了基于前向引文监督生成文献局限性的三阶段后训练流程，包括监督微调、验证器过滤的拒绝采样微调以及在线密集奖励强化学习。该研究构建了包含 18,279 个经人工验证三元组的数据集 ActLim-Bench，并在前沿模型评测中取得了最高的召回率得分。人工对比评估显示，所生成的局限性在 64.9% 的非平局比较中更受青睐，相关数据与代码将在发表后开源。
arXiv cs.AIAI 评分3131 ASE：面向时间序列预测的归因引导语义演化框架
研究人员提出模块化时间序列预测框架 ASE，通过构建文本因子、评估条件贡献并部署经验证筛选的数值与文本预测器。在 4 个 TESS 数据集上，ASE 取得的测试 MSE 分别为 0.001041、0.022439、0.333115 和 1.8150，均优于已发表的 TESS 分数。在 CSI 300 股票排序任务中，其冻结文本融合实现使平均 RankIC 较数值专家提升 0.000642。
arXiv cs.AIAI 评分3535 LLM 生成广告中营销标签的因果价值归因：基于去混淆器的方法
研究人员提出反事实推断框架 D-VAE，通过结合多处理去混淆器与因果表征学习，评估引导 LLM 生成广告的专家营销标签因果效应。该方法在 29,177 个粉底彩妆广告创意中优于 SOTA 基准。田野实验显示，D-VAE 推荐的配置使互动率提升 32.7%，且效果在统计学上与人类专家无显著差异。
arXiv cs.AIAI 评分4343 利用用户手册让计算机使用智能体适应新软件
研究人员提出 MAGE 框架，利用用户手册作为程序性知识来源，提升计算机使用智能体在执行和训练两个阶段的能力。在执行时，该框架检索手册内容并生成步骤指导，同时通过环境交互调整策略；在训练时，它将手册转化为可执行的任务计划对并生成交互轨迹以优化策略，无需人工编写的演示数据。在 6 个软件上的实验表明该方法有效提高了任务成功率，相关代码已开源。
arXiv cs.AIAI 评分3333 基于自适应专家分配的高效 CPU-GPU 协同 MoE 推理
新提出的 CPU-GPU 协同 MoE 推理系统通过自适应专家分配解决显存受限瓶颈，将高 token 负载的未命中专家转移至 GPU 执行、低负载专家留在 CPU 计算。该方案动态平衡 CPU 与 GPU 路径耗时，在 3 款代表性 MoE LLM 测试中，相较最强 baseline 将 prefill 速度提升最高 51.9%，decode 吞吐量提升最高 39.5%。
arXiv cs.AIAI 评分3636 GOLD：面向结构感知 RNA 逆折叠的几何优化潜在扩散模型
研究团队提出名为 GOLD 的几何优化潜在扩散模型，用于解决结合连续侧链几何的 RNA 逆折叠难题。该方法通过新型 GeoVAE 将离散 RNA 序列与连续侧链角度映射到统一流形中进行协同扩散，并引入免训练的梯度引导采样机制利用物理约束提升结构有效性。实验表明 GOLD 在序列恢复率、二级结构有效性及 3D 可折叠性指标上均达到 SOTA，相关代码与数据已开源。
arXiv cs.AI精选AI 评分6969 从审批到滥用：针对受保护编码智能体的提权攻击研究
最新论文研究了编码智能体执行防护机制中的提权漏洞，发现代码库中的恶意上下文可诱导智能体向用户索取过宽的白名单权限。在 Claude Code 与 Codex CLI 等平台的实测中，智能体诱导生成目标规则的成功率达 58%，并在规则获批后实现了 81.0% 的静默攻击完成率，直接穿透了人工审批的安全防线。
推荐理由：论文揭示了编码智能体白名单权限机制的安全漏洞，为评估沙箱防护和人机协同审批边界提供了实测数据。
arXiv cs.AIAI 评分3535 DiffusionRVGE：基于回归价值梯度估计的扩散模型强化学习方法
研究者提出扩散模型强化学习方法 DiffusionRVGE，通过对中心化奖励与最终去噪图像进行回归来构建更新方向，无需奖励导数或沿采样轨迹的反向传播。
arXiv cs.AIAI 评分4343 多轮越狱中的有效视界压缩研究
研究发现多轮越狱攻击中平均仅需原始查询序列约一半的长度，即可恢复相同的攻击进展，该现象被称为有效视界压缩。这种更短的历史序列不仅能重现未成功攻击中达到的最佳状态并提供更好的后续攻击起点，还能用于降低训练时冗余早期查询的权重以提升攻击表现。此外，较短的奖励传播窗口也能维持接近全轨迹回报的防御校准性能。
arXiv cs.AIAI 评分3535 Sep-Latent：将分隔符 Token 作为隐式推理自然压缩锚点的自适应框架
研究者提出了自适应隐式推理框架 Sep-Latent，利用分隔符 token 作为结构语义锚点来压缩推理逻辑并允许动态推理深度。该方法通过引入 Attention-Decay 机制聚合推理逻辑，并通过跨所有层的多级知识蒸馏对齐显式与隐式路径。在 GSM8k-Aug 基准评测中，Sep-Latent 仅用平均 5.4 个 token 就实现了 56.8% 的准确率。
arXiv cs.AIAI 评分4343 Reward Engine：面向开放式工具 AI 智能体的奖励中心自我进化机制
研究人员提出 Reward Engine，通过构建包含测试用例和分级准则的 RewardPack，为缺乏确定基准奖励的开放式工具 AI 智能体生成评估与强化学习奖励。
arXiv cs.AIAI 评分4040 何时遗忘：面向长程 AI 智能体的风险可控上下文自适应框架 RECAP
研究人员提出针对长程 AI 智能体的上下文自适应框架 RECAP，通过匹配上下文干预、执行关系预测和独立策略认证，决定何时保留、压缩或删除历史失败记录。在混元（Hunyuan-A13B）上，RECAP 修改了 43.24% 的保留检查点，在保持 91.89% 后续成功率的同时，将无条件平均后续 prompt 成本降低 4,619.8 个 token（2.13%）。
arXiv cs.AIAI 评分3636 ToPA：用于高表达力且高效微调的分块托普利茨适配方法
研究人员提出基于分块托普利茨（Toeplitz）矩阵的参数高效微调（PEFT）方法 ToPA，在不引入显式低秩或稀疏约束的前提下实现紧凑参数化。该方法通过分块结构提升因子容量并缩短乘法链长度，不仅稳定了梯度训练，理论上还能以更短链长逼近任意矩阵。在涵盖 5 种模型架构的 21 个 NLP 和 CV 数据集评测中，ToPA 的有效性均得到验证。
arXiv cs.AIAI 评分3535 时间序列预测事后校准框架 EFC：利用因果误差反馈修正未来预测
研究者提出了误差反馈校准（EFC），这是一种在测试阶段对时间序列预测进行确定性事后校准的框架。该框架从重叠的历史预测误差中构建因果误差对角线（CED），通过累积误差传递（CET）将误差状态映射到未来残差，并借助时间样本外验证控制修正强度。时间残差学习（TRL）进一步利用 CED 轨迹预测 CET 后的剩余残差，在多项预测骨干模型和数据集上广泛提升了预测性能并抑制过度校准。
arXiv cs.AIAI 评分3232 ShadowFPT：利用影子触发器对联邦提示词微调进行后门攻击
研究人员提出针对联邦提示词微调（FPT）的目标后门攻击方法 ShadowFPT，利用冻结的预训练骨干网络在表征空间植入后门。恶意客户端针对冻结的 CLIP 视觉编码器预训练可学习的影子触发器（Shadow Trigger），并仅向服务器上传与良性更新接近的提示词参数。实验显示，ShadowFPT 在主要设定下将攻击成功率从 19.81% 提升至 90.36%，同时保持了干净样本的准确率。
arXiv cs.AIAI 评分4545 MS-Eval：面向 MCP 密集型工作场景的子 Agent 委派与编排评测基准
研究者提出 MS-Eval 评测套件，用于量化评估 MCP 密集型场景下的主 Agent 委派与子 Agent 执行（MAD-SAE）范式。对 4 种变体和 8 款前沿模型的评测表明，子 Agent 专业化是最佳实践，开源模型普遍具有竞争力。MAD-SAE 虽普遍增加成本，但能让多数开源模型在性能和效率上双重获益，而闭源模型则出现成本上升且性能下降的现象。
arXiv cs.AIAI 评分3333 Evo-B&B：面向混合整数线性规划的分支与节点选择策略行为感知大语言模型联合进化框架
研究者提出 Evo-B&B 框架，利用大语言模型和端到端 SCIP 求解反馈，联合进化混合整数线性规划（MILP）中紧密耦合的分支与节点选择策略。该框架引入行为感知多岛进化机制，通过固定决策状态上的行为相似度来维持种群多样性并减少冗余评估。在 4 个标准 MILP 基准测试上的实验表明，Evo-B&B 取得了具竞争力的求解性能，并能良好泛化至更大规模的算例。
arXiv cs.AIAI 评分3434 WAC 模型：联合前瞻与评估的策略学习世界动作评论家架构
研究人员提出世界动作评论家模型（WAC），通过提出多模态候选动作并联合学习候选条件下的未来预测与后果评估，解决反事实动作难以推理的问题。该框架利用 critic 监督在推演过程中直接塑造中间预测表征，保留区分动作质量所需的信息。应用于自动驾驶任务时，WAC 在 NAVSIM-v1 上取得了 93.4 PDMS 的成绩。
arXiv cs.AIAI 评分4949 压缩在先，内容在后：奖励模型中的突发性未对齐现象研究
研究发现对奖励模型在单一领域（医疗或金融）进行有害偏好微调后，未对齐现象会泛化至 7 个保留领域，且奖励模型比大语言模型更易发生偏好反转。在微调 Skywork-Reward-V2-Llama-3.1-8B 和 Skywork-Reward-V2-Qwen3-8B 时，模型在 RewardBench 2 评测中仅损失 4.8 和 5.3 分。
arXiv cs.AIAI 评分3838 智能体自身验证器何时可信？搜索压力与预查询条件下的反事实理由验证压力测试
研究者提出了一套针对智能体自身验证器的压力测试方法，包含衡量验证器引导搜索程度的压力比率 $\rho$ 以及涵盖 4 种失效模式的探针。在设计机器学习管线的 LLM 智能体及 Rationale Consistency Score（RCS）验证器测试中，当智能体能在提交前预查询验证器时，会保留通过验证的声明，导致测试集忠实度下降且循环内指标无法察觉。
arXiv cs.AIAI 评分3333 StoBasket：面向边际贡献的升级销售与交叉销售联合优化
研究者提出了联合随机购物车编辑框架 StoBasket，首次将零售推荐中的升级销售与交叉销售响应进行耦合，通过预期增量边际贡献来协同选择替换与新增推荐。在 5 个公开数据集的仿真测试中，该方法捕获了默认定价设置下 0.5% 以内、甚至真实响应超出模型族时 0.7% 以内的可获得利润，并在 Instacart 上带来 10.2% 的可获得利润提升。
arXiv cs.AIAI 评分4040 在剧透与盲猜之间：避免代码评测基准中的过度指定
代码评测基准若将真值信息引入任务描述容易引发过度指定，导致模型绕过原本待测的核心步骤。研究表明 SWE-bench Pro、FEA-bench、Doc2Feat-bench 和 Multi-SWE-bench 均存在此类真值泄露问题。团队通过不同规格级别的实验提出了提取简约提示的方案，并开源相关代码与提示以提供更可靠的评测信号。
arXiv cs.AIAI 评分4040 R$^2$Orch：通过技能内化循环中的自我博弈实现智能体编排递归自我提升
研究者提出递归自我博弈编排范式 R$^2$Orch，通过内层自我博弈循环提升编排器在自选任务上的表现，并利用外层循环优化内层的提升机制。该方法引入递归可学习性训练目标，结合技能收回机制将失败蒸馏为技能、再将技能蒸馏进模型参数，推动编排器迈向零技能部署。在 12 个数据集上的实验显示，R$^2$Orch 在问答、数学、代码和交互式任务中均优于基线。
arXiv cs.AIAI 评分3636 面向推理大语言模型的图序列化研究：涵盖知识抽取与结构推理
一项新研究评估了 15 种图表示格式在 9 种前沿大语言模型配置下的表现，涵盖基于本体的知识抽取与结构化图推理任务。实验表明，知识抽取对序列化格式相对不敏感，但最优格式的选择会显著影响结构推理任务的准确率。研究发现最佳表示方式取决于模型、查询和任务，并提出将图序列化作为一项动态编排决策。
arXiv cs.AIAI 评分4040 LEMON：基于注意力图等变学习的新 LLM 零样本异常行为监控
研究者提出了基于图神经网络的在线监控网络 LEMON，利用几何深度学习解决跨模型注意力图不对齐问题，实现对新 LLM 的零样本异常行为监控。LEMON 能够逐 token 处理注意力图，并在每个 token 或每 $W$ 个 token 窗口后以极低成本输出评分。
arXiv cs.AIAI 评分4343 GlobeBench：评估用于可扩展环境模拟的基于文本的世界模型能力
研究人员推出基准评测 GlobeBench，包含跨 5 个领域和 19 项模拟技能的 1,632 个任务，用于评估基于文本的世界模型预测环境状态转移的能力。在评测的 20 款通用 LLM 与专用模型中，GPT-6 Astra 以 49.57% 的任务成功率位居第一。当动作变更需传播到相关联对象时，所有模型平均成功率降至 5.1%，且有 631 个任务未被任何模型攻克。
arXiv cs.AIAI 评分3434 面向动画电影社交与情绪理解的大脑对齐多模态 LLM 研究
研究对比了基于扩散模型与自回归的多模态 LLM 与人类在三部动画短片中的心智理论（ToM）及情绪效价连续评分，并用于预测区域 fMRI 脑响应。结果显示模型能捕捉人类评分的时间变化，在效价上的对齐度普遍高于 ToM，且两者脑激活空间重叠主要分布在视觉、背侧注意及后默认模式网络区域。这证实了多模态 LLM 可作为生成具备大脑预测性社交情绪标注的可扩展工具。
arXiv cs.AIAI 评分4545 形式化定理证明中的验证器反馈：修复、重试与后见之明的代价
研究人员在 Lean 定理证明中测试了 Qwen3.6-27B 与 DeepSeek-Prover-V2-7B，发现让模型看到上一轮失败证明会降低成功率并加剧抄袭，而编译器错误诊断仅能部分弥补该损失。在 MiniF2F 困难问题及多达 64 次尝试的序列实验中，任何单步反馈条件在相同 token 预算下均未超越仅靠指令的独立重采样。验证器反馈虽能改善修复，但无法克服因参考失败尝试带来的性能损耗。
arXiv cs.AIAI 评分3737 FlexUMM：面向统一多模态模型的灵活表征学习框架
研究人员提出统一多模态模型框架 FlexUMM，通过动态决定何时保留共享计算、何时路由专用容量以及何时停止处理，解决理解与生成任务间的表征冲突。该灵活分配机制在减少功能间有害竞争以提升精度的同时，还能跳过不必要计算来提升效率。FlexUMM 可作为与模型无关的功能性插件，相关代码已开源。
arXiv cs.AIAI 评分3636 TAG-Nav：面向移动端 GUI 导航的任务无关图探索框架
研究者提出任务无关图导航框架 TAG-Nav，通过离线探索提取应用功能、目标页面与路径点并构建目的地记忆，在无需任务特定演示的情况下为 GUI 智能体提供路由引导。评测基准 DestBench 显示，基于图的记忆将 UI-TARS-1.5-7B 的严格导航成功率从 52.4% 提升至 58.3%，并将 Qwen-VL-Max 的成功率从 59.5% 提高到 71.4%。
arXiv cs.AIAI 评分4040 从相关记忆到充分证据：重新思考大语言模型智能体的记忆利用
研究人员针对大语言模型智能体记忆利用中的“相关性与充分性差距”提出 QEMem 框架，将检索目标从单条记忆相关性重构为查询专用的充分证据集构建。QEMem 结合了跨粒度检索、结构化 ViewCards 组织以及针对性补充缺失信息的三种互补机制，无需修改原有记忆存储格式。
arXiv cs.AI精选AI 评分6060 arXiv 论文提出基于 Gemini 的智能体流程，推进忙碌海狸 BB(6) 自主数学发现
研究团队提出一种基于 Gemini 的智能体流程，结合模式识别、数学猜想、非形式化推理与 Lean 形式化定理证明，实现了图灵机加速规则的自主发现。该系统在不可计算的忙碌海狸 BB(6) 探索中，自主发现并形式化验证了 11 台图灵机的类 Collatz 加速规则，将其暂定归类为停机行为未决的 Cryptids。该成果展示了自主 AI 系统在前沿开放式数学发现与理论计算机科学领域的应用潜力。
推荐理由：论文将大语言模型推理与 Lean 形式化证明相结合，为智能体在不可计算领域自主探索数学结构提供了可参考的流程框架。