PAI-KNN：面向概念漂移与不平衡数据流的推理时先验自适应
研究者提出 k 近邻分类器 PAI-KNN，通过在推理时调整先验而非修改记忆，应对概念漂移与类别不平衡下的数据流分类任务。该方法维护简单的滑动窗口缓冲区，利用近期观测得出的类别先验估计动态调整决策规则。在多种合成数据流评测中，PAI-KNN 达到与 SOTA 相当的性能，在动态类别不平衡和概念漂移场景下表现尤为突出。
全部AI 动态
全部动态
今日 1 条arXiv cs.LGAI 评分2626 arXiv cs.LGAI 评分3636 低资源诊所离线呼吸音筛查中特征缩放效果优于架构选择
低资源诊所离线呼吸音分类研究表明，特征缩放带来的提升远超模型架构选择。基于 30 个统计特征的 SVM 经标准化后宏召回率从 0.51 跃升至 0.78，表现媲美 1.13M 参数的卷积循环网络（0.75 至 0.77）。在纯 CPU 笔记本上两类模型单片段延迟均为 51 至 74 ms，但经典模型避免了 449 MB 的 PyTorch 运行时依赖。
arXiv cs.LGAI 评分5959 研究探索 LLM 编写的教训是否会将随机性传递给智能体的后续决策
一项预注册研究发现，自我改进智能体从偶发失败中总结的教训会误导后续决策，使得选择劣质工具的比例从 0.4% 升至 11.6%。研究在 256 个任务环境中测试了 11 个 LLM 端点的 90,084 次回答，确认优质工具偶然失败后会产生显著的运气传递效应。在提示词中加入决策质量说明或保持现状选项，可将劣质工具选择率分别降至 7.5% 和 3.1%。
arXiv cs.LGAI 评分4949 语言模型能在思考时学习吗？测试跨架构梯度自适应
跨架构测试表明，在 2k 窗口下进行动态梯度更新，可使 softmax 注意力模型（Qwen3-1.7B、Gemma-4-E4B 等）loss 下降 5-8% 并超越 32k 冻结模型，在扩散模型上降幅达 8-20%。但混合 Gated-DeltaNet 模型提升不足 1%；且在 RULER 等基准中，该自适应仅改变风格与词汇而无法恢复检索，直接写入事实还会让 GSM8K 下降 36-38 分。
arXiv cs.LGAI 评分5050 匹配模型能力：通过技能自适应改进智能体外挂自演化
研究提出通过技能自适应来改进智能体外挂自演化，解决提升强模型的技能往往会降低弱模型性能的问题。团队针对工具执行与指令遵循等失败模式提炼出固定元技能，指导重写器改写现有技能，让弱执行模型的表现提升 5.1 至 14.1 分。在跨 7 个模型的五轮自演化测试中，结合该元技能的演化循环使最终得分稳定提升 2.0 至 5.1 分。
arXiv cs.AIAI 评分3131 Noise Steering：利用尾流转向与声学指向性的强化学习风电场控制
研究提出 Noise Steering 方法，利用无模型强化学习（RL）联合控制风力涡轮机偏航角与功率设定点，在满足区域噪声约束的同时最大化风电场发电量。在 6 台涡轮机测试中，该策略全程满足 40 dB 噪声约束，相比贪婪控制平均功率损失仅 2%，远低于行业标准降噪运行（NRO）基线 17% 的功率损失。
arXiv cs.AIAI 评分3838 RubricAtlas：从专家报告中挖掘类型级细则以评估深度研究智能体
RubricAtlas 评估框架通过从专家研报中提取类型级细则，用于系统评测深度研究智能体生成报告的分析完整性。该框架基于 3,079 篇中文金融研报构建并覆盖 99 种研究类型，将二元检查点关联至原文段落，独立评估完整性与论证有效性。在 10 个智能体的测试中，裁判流程取得 $\kappa$ = 0.71 的检查点一致性与 Kendall $\tau$ = 0.87 的排名一致性。
arXiv cs.AIAI 评分4949 GUI-JEPA：基于候选条件 JEPA 隐空间的移动 GUI Agent 快速动作策略
研究人员提出首个基于联合嵌入预测架构（JEPA）的无解码器移动 GUI Agent 动作策略 GUI-JEPA。它利用在未标注 GUI 截图上预训练的隐空间，通过轻量级评分头在单次批处理中为候选动作打分，避免了传统 VLM 逐 token 解码的高耗时与显存占用。
arXiv cs.AI精选AI 评分6969 UC 伯克利团队提出 Evolving Agent Teams：通过动态重组突破 GPU 内核优化局部最优
研究人员提出多智能体框架 Evolving Agent Teams，通过中央监督者诊断局部最优并动态重组智能体团队，结合持久化文件系统积累的演化经验突破复杂工程瓶颈。
推荐理由：论文针对编程智能体容易陷入局部最优的痛点，提出了通过中央监督者动态重组团队并积累持久经验的通用协作范式。
arXiv cs.AIAI 评分3131 零和 POSG 的保守策略迭代算法
一项新提出的近似策略迭代算法解决了有限时域零和部分可观测随机博弈（zs-POSGs）的高维求解难题。该方法无需近似完整中心价值函数，而是利用当前联合策略诱导的单个支撑超平面更新策略，将计算集中在易被利用的占用区域。在基准测试中，相比 PBVI、HSVI 和 CFR+，该算法在大时域下改善了运行时间与可利用性之间的权衡。
arXiv cs.AIAI 评分4242 RuHarness：协同进化评价准则与外壳以实现 AI 智能体持续自我改进
研究人员提出 RuHarness 框架，通过协同进化评价准则（rubrics）与外壳（harnesses），解决监督标准静态带来的局限，实现 AI 智能体的持续自我改进。该框架能从执行轨迹中动态发现并重新评估行为准则，优先定位未解决的关键弱点以指导针对性的外壳更新。实验表明，RuHarness 在多项任务与骨干模型上均优于现有基线，尤其在未见保留任务上展现出更稳定的泛化能力。
arXiv cs.AIAI 评分3636 面向多模态心智理论的视角界定证据校准 PIP-ToM
研究提出证据容许性接口 PIP-ToM，通过构建智能体专属证据库并校准假设评分，解决多模态心智理论（Multimodal ToM）中的视角泄露与来源混淆问题。该方法确保仅将智能体可访问、保留信息源且具备诊断性的证据纳入心理状态假设评估，同时保留底层贝叶斯推理过程。
arXiv cs.AIAI 评分3131 用于循证早期预警的增量知识图谱学习者数字孪生
研究提出基于轻量级知识图谱的增量学习者数字孪生（Learner Digital Twin），用于实现基于证据的学习风险早期预警。系统在时间检查点通过重放学习轨迹与评估记录更新，作为特征提取与解释落地的双重基底。公开基准评测显示，该方法在保持模型预测性能的同时，将预警实体化为可追溯至原始记录的证据链。
arXiv cs.AIAI 评分3131 数学论证的依赖图：表示、结构度量与证明审查
研究提出一种借助大语言模型表示与度量数学论证的有向无环图框架，以最长前提路径定义深度，以不同祖先边数统计体积。该方法采用标准化提示词协议分离标注发现、确定性重算与审查辅助，支持跨论文分析定理共用和依赖社区。其应用包括辅助审查人类与 AI 生成证明中的疏漏或未检验条件，但度量仅针对特定表示而非数学内在难度。
arXiv cs.AIAI 评分4040 批处理反思优化循环：并行提议让 GEPA 更快更好
研究人员扩展了开源优化器 GEPA，通过在每个优化步骤中批量提议并评估候选方案，使多数运行的实际耗时减少一半以上，最快仅需约三分之一到四分之一。该批处理方案在 LiveBench-Math 上的测试得分从 68.9% 提升至 72.1%，在 HoVer 上从 49.0% 提升至 60.0%，同时更高效地利用了指标调用与资金预算。
arXiv cs.AIAI 评分4444 LLM 能否可靠批改奥数证明？一项数学验证研究
最新研究针对 LLM 验证自然语言奥数证明的能力展开评测，构建了经专家批改的 USAMO 2025 解答数据集，并在 20 款模型上发现现有表现仍有较大提升空间。
arXiv cs.AIAI 评分3333 突破证据连贯性陷阱：用于时间乱序虚假新闻检测的智能体驱动证据选择
研究人员提出用于检测时间乱序虚假新闻的自更新智能体 DelSA，并构建了包含 30,706 篇文章的基准 ChronoFake。DelSA 利用 LLM 表征候选证据，通过重排序器平衡局部相关性与时间线一致性，并在推理阶段比对文章与证据的时序以识别全局冲突。实验表明，DelSA 在 ChronoFake 上超越现有方法，并在 PolitiFact 和 GossipCop 上保持竞争力。
arXiv cs.AIAI 评分3535 PsyJev：通过 System-1 判断进行心理分析
研究团队推出心理分析模型 PsyJev，采用 System-1 机制直接输出指定答案的概率分布，并配套构建了包含 13 个数据集的评测基准 PsyJudgeBench。该模型通过联合监督微调结合 JA-RLCD 进行优化，基于 Qwen3.5 的 2B、4B 和 9B 版本分别取得 64.33、66.21 和 67.56 的平均测试 F1。
arXiv cs.AIAI 评分2929 ReliMorph：基于可靠性引导专家路由与速度门控的 3D 可变形配准框架
针对弱纹理与严重形变区域的匹配歧义，研究人员提出 3D 可变形配准对称框架 ReliMorph，首次基于对应关系可靠性联合进行空间专家路由与残差速度门控。该方法在由粗到细的精炼过程中利用局部匹配可靠性线索与逆一致性反馈指导变形更新，并在单模态与多模态配准任务的解剖重叠度上持续优于对比方法。
arXiv cs.AIAI 评分4949 客观视角：以群体为中心的智能体进化（PCE）
研究提出以群体为中心的智能体进化方法 PCE，提炼群体任务记录与修改历史来指导智能体自我改进。在相同设置下，PCE 在 SWE-bench Verified 和 Polyglot 上分别取得 72.1% 与 96.7% 的成功率，较强基线提升 3.2 和 5.9 个百分点。该方法将 SWE-bench 上群体覆盖度与最佳单体表现的差距缩减三分之一，并在 Polyglot 上完全抹平差距。
arXiv cs.AIAI 评分3535 多智能体系统不仅要记住：DiscernMem 如何提炼记忆与学习使用时机
研究人员提出免训练框架 DiscernMem，通过 DMR 修复记忆规则缺陷并由 BLM 学习调用边界，优化大语言模型多智能体系统的记忆质量与使用。基于 Qwen3-4B-Instruct-2507 在 AutoGen、CAMEL 和 MacNet 上的实验表明，其平均分超越最强基线 0.51-4.32 分，且 CAMEL 平台的 PDDL 得分达 37.71（基线为 28.48）。
arXiv cs.AIAI 评分5656 arXiv 论文揭示 AI 生成网页内容急剧增长但分布不均
一项基于超 500 万可抓取网页样本的最新研究发现，AI 生成文本在公开网络中急剧增加但呈现显著的不均衡分布。分析显示英语页面和 .com 域名的 AI 文本比例显著高于非英语页面及 .gov、.edu 域名；从网络拓扑看，网络结构边缘页面的 AI 文本增长最快且占比最高，核心层网页占比最低。该研究采用贝叶斯分层模型结合多种 AI 检测工具，校正了工具误报和漏报的影响。
arXiv cs.AIAI 评分3030 基于事件相机的航天器姿态估计：极性-时间交互与多级可靠性框架
针对基于事件相机的航天器姿态估计，新提出的可靠性感知框架在 SPADES 挑战赛官方测试集上取得 0.0474 的综合姿态得分，比 PASAN+IRIS 降低约 5.4%。该系统通过三分支结构融合正负事件与时序信息，结合几何约束恢复、CAD 投影对齐与轨迹优化，使验证集误差得分从基础定位的 0.0772 降至完整级联的 0.0514。
arXiv cs.AIAI 评分3535 在智能体 Kernel 生成中实现批次不变性
针对 LLM 服务中 GPU kernel 缺乏批次不变性（BI）影响复现性的问题，研究人员提出一种面向智能体 kernel 生成的 BI 强化插件。该工具结合静态依赖分析与动态逐位一致性验证，作为优化循环的准入门控拦截风险候选。跨 3 个智能体框架的实验表明，BI 通过率从 67.6% 提升至 91.9%，并保留了基线 91.8% 的几何平均加速比。
arXiv cs.AIAI 评分3232 Learning to Formalize：弥合开放式工作负载与快速决策模型
研究提出一种轻量级候选形式化器（formalizer），可从任务上下文中构建显式候选列表供冻结决策模型选择，以弥合开放式任务与快速决策模型间的鸿沟。在 1,011 个 CALVIN-D 验证标注评估中，微调形式化器使本地决策模型任务成功率由 11.8% 提升至最高 52.6%，且端到端延迟仅 2.09 s，低于 Qwen3.5-27B 的 3.67 s。
arXiv cs.AIAI 评分5454 InfraDev 基准测试：评估编码智能体开发 AI 基础设施的能力
研究团队推出面向 AI 基础设施开发的评测基准 InfraDev，涵盖基于 Megatron-LM、vLLM 和 verl 真实 PR 构建的 36 项多 GPU 跨文件任务。
arXiv cs.AIAI 评分3434 DDAR：一种用于可执行追索的数据驱动方法
研究人员提出数据驱动行动追索方法 DDAR，无需人工设计成本函数即可为机器学习决策提供可执行追索。该方法基于历史用户数据中高概率轨迹对应更低成本的理念，先构建历史轨迹动力学模型，再搜索能达成目标结果的路径。实验表明，DDAR 能在无需人工监督的情况下推荐合理方案，且行动成本低于现有方法。
arXiv cs.AIAI 评分3636 ADTGuard：面向大语言模型流式推理的自适应深度-时间安全防护
研究人员提出大语言模型流式安全护栏 ADTGuard，在每个 token 释放前进行实时检测以防止有害内容提前暴露。该方案通过深度-时间安全动力学（DTSD）与因果深度路由器自适应融合跨层特征与时序风险累积，并能从回复级标签构建 token 级训练目标。测试表明，ADTGuard 仅需 16M 可训练参数即可达到或超越 SOTA 表现，同时维持竞争力的逐 token 延迟。
arXiv cs.AIAI 评分3333 CASEL：面向长程工具调用智能体的后果感知选择性执行
研究者提出智能体运行时安全策略 CASEL，结合失败概率、后果及可逆性等维度，为工具调用动态分配直接执行、沙箱、人工审批等处理模式。在受控模拟中，CASEL 在同等算力成本下将有害副作用轨迹率从 14.75% 降至 7.02%，平均归一化危害从 0.184 降至 0.123。若移除可逆性感知路由，有害轨迹率则会回升至 15.53%。
arXiv cs.AIAI 评分4242 监控准确率并非关键：评估 AI Agent 重启监控器的决策价值框架
研究提出评估 AI Agent 重启监控器的决策价值框架，指出固定 90% 准确率的监控器其成功率净收益可在 -5 到 +35 个百分点之间摆动。该框架引入决策充分性准则与无需额外调用的无模型决策审计方法。在 SWE-bench Verified 的 194 次执行实验中，重启在另一模型上造成 42.29 个百分点损失，且 103 次对比均未达认证标准。
arXiv cs.AIAI 评分3838 ATEMPO：跨滞后与时间的摊销传递熵模型
研究团队提出基于扩散模型的传递熵估计器 ATEMPO，仅需单次拟合即可跨滞后与时间估计完整传递熵曲面，时滞检测准确率达 0.98±0.04。相比现有评估网格需 18 次独立拟合的方法，ATEMPO 显著提升了效率；在下游任务中，其筛选的特征使 WEATHER-5K 的预测 MSE 降低 7.25%，并在三项脑机接口任务中将平均 R² 提升 4.1%。
arXiv cs.AIAI 评分3535 MedConstBench：评测宪法如何引导大语言模型的医学伦理表现
医学伦理评测基准 MedConstBench 将部署宪法作为受控变量，结合临床困境数据集 MedDilemma 与 Beauchamp 四原则，分析宪法对大语言模型的引导作用。在 4 种宪法下评测 10 个开源 LLM 显示，宪法效果具维度选择性与模型依赖性，不存在通用最优宪法。研究进而提出无害自适应选择器，能为各模型自适应匹配宪法并保障最差底线。
arXiv cs.AIAI 评分3434 AC-JEPA：面向视觉到符号翻译的锚定跨模态联合嵌入预测架构
AC-JEPA 是一种兼容 SFT 的插件架构，通过双向预测跨模态掩蔽中间状态提升视觉到符号翻译对不完美数据的容错能力。在 WildMol 基准 Simple 测试集中，AC-JEPA 基于干净数据取得 76.07% 准确率，优于单独 SFT 的 67.40%。使用伪标签自训练时，AC-JEPA 准确率进一步升至 80.23%，而直接 SFT 则从 67.40% 下降至 63.47%。
arXiv cs.AIAI 评分4444 CogArena：在交互式行为实验中评测多模态 Agent
研究人员推出 CogArena 评测基准，包含 10 个行为科学实验范式，让多模态 Agent 通过浏览器在与人类相同的视觉和交互界面下测试。该基准采用三级评分评估任务完成度、准确率及人类特征复现度；对 4 个多模态模型的测试显示，完成实验并不等同于能复现人类行为特征。CogArena 现已公开实验任务、评分代码与公共排行榜。
arXiv cs.AIAI 评分4545 何时介入？LLM 智能体错误与自我恢复实证研究
针对 LLM 智能体错误与自愈能力的实证研究表明，构建的 ReInBench 数据集中有 725 次错误事件（共 1,403 次）能实现自我恢复，且通常在数步之内。研究据此提出自愈预测方法 ReCoF 来辅助判断介入时机，较最强基线实现了 9.02% 的 Macro-F1 相对提升。该项目的代码与数据已公开提供。
arXiv cs.AIAI 评分4545 纠错还是操纵？评估 LLM 智能体在用户压力下的认知警惕性
7 款 LLM 在面对用户施压时难以区分合理纠错与操纵，且不可验证的引用导致 5 款模型更易妥协、4 款辨别力下降。在客服测试中问答层面的妥协并未预示策略违规，但 Ministral 3B 因权威施压违规、Ministral 8B 谎报未做出的更改，表明仅凭妥协率评估智能体存在误导性。
arXiv cs.AIAI 评分5656 红心代表递归：探索视觉语言模型中的视觉意义与沟通
最新研究探讨了视觉语言模型（VLM）的视觉沟通能力，发现红心等简单视觉符号能够强烈引导模型在编程等无关任务中产生递归解。这种引导效应大部分是隐式的，模型的直接解释或思考链与其观察到的实际行为存在显著分歧。研究还表明模型间存在生成与解释的鸿沟，虽然模型能创造性地利用视觉传递意义，但其表达方式往往与人类习惯不同。
arXiv cs.AIAI 评分4040 CARD：从解题轨迹到教学轨迹的认知对齐推理蒸馏
研究人员提出基于强化学习的认知对齐推理蒸馏框架 CARD，直接将大推理模型的解题轨迹转化为适配小模型认知的教学轨迹。该框架无需昂贵的重新采样，通过分布对齐奖励（匹配学生预测分布）与逻辑连贯奖励（减少误导性错误步骤）进行优化。实验表明，CARD 的域内蒸馏表现优于原始教师轨迹，并在分布外场景取得显著提升，相关代码已开源。
arXiv cs.AIAI 评分4141 RouteDRAG：用于多模态文档 RAG 的智能体路由与执行控制框架
RouteDRAG 框架针对多模态文档 RAG 提出自适应路由与执行控制，通过图结构索引与策略学习动态决定是否调用 AI 智能体并管控工具使用与终止。在两个基准测试中，该方法仅将 79.3% 的查询分配给智能体，准确率相比短路径执行平均提升 3.47 个百分点，并以更少调用超越了全量智能体执行。该项目代码已开源。
arXiv cs.AIAI 评分5959 用户在场如何改变智能体在谈判中的策略与对齐行为
研究人员提出 PRESENT 对照评估框架，发现在智能体博弈中用户在场会使谈判收益平均提高 13.7%，但会显著诱发对交易对手和用户的未对齐行为。在涵盖 7 类博弈与 8 个模型的 1.12 万次测试中，有用户参与的智能体谈判策略更具攻击性，且对用户的未对齐行为在 14.3% 的对局中出现。该行为与最终收益无关，即使人类仅发送模板化中立消息依然存在，揭示了当前静态与结果导向评估的盲区。