ArrivalBench：Agent 生成的数据管道单次运行正确但在时间变化下出错
ArrivalBench 针对 AI Agent 生成的数据管道提出对抗性重放评测，检验其在记录延迟、重复和乱序下的表现。在 40 项任务中，传统单次快照测试认证了 11 个模型生成的 86-100% 管道，但 ArrivalBench 重新执行发现其中 7.0-79.2% 存在隐蔽的静默错误。研究还发现所有模型中幂等性隐患的失败率均高于排序隐患。
#Agent
#Agent
今日 3 条arXiv cs.LGAI 评分4848 arXiv cs.LGAI 评分3434 MACTS-EM：具备涌现记忆的多智能体协同时间序列预测
研究人员提出多智能体协同时间序列预测框架 MACTS-EM，通过专业 AI 智能体协作应对体制转换、跨领域迁移和多模态整合等复杂挑战。在金融市场、气候、能源及疫情传播场景的评估中，该框架预测精度提升 8-12%，零样本迁移能力提升 22-27%，体制转换期间韧性提高 16-21%，分布偏移后的恢复速度加快 15-18%。
arXiv cs.LGAI 评分4343 表征转移揭示多轮 LLM 智能体的新兴安全风险
研究发现多轮 LLM 智能体遭攻击时会在内部表征留下累积转移信号，据此提出的运行时防御框架 DART 可有效干预风险。在 6 个模型测试中，DART 将 MT-AgentRisk 攻击成功率从 84% 降至 25%（优于 ToolShield 的 55%），并将 ASEval 攻击成功率从 97% 降至 52%。该框架无需辅助模型，每步仅增加 0.14-0.56 s 开销。
arXiv cs.LGAI 评分3434 T2SPO：面向智能体强化学习的轨迹到单步策略优化
研究人员提出强化学习方法 T2SPO，利用历史成功轨迹为大语言模型（LLM）智能体提供单步级反馈。该方法借助预训练 TabPFN 回归器估计每个状态距离成功的剩余距离并提供辅助奖励，仅通过刷新上下文融入新经验而无需更新评估器参数。在 ALFWorld 和 WebShop 上针对 1.5B 与 7B 模型的实验表明，T2SPO 的任务成功率持续优于 GRPO。
arXiv cs.LGAI 评分3333 Nous：在数据源校准前学习与认证记忆决策
研究提出 Nous 框架，证明基于信念的智能体记忆无需先完成数据源校准即可学习并认证决策改进。在隐马尔可夫模型族中，学习与认证决策仅需 O(l^-2) 记录量，比固定精度源估计所需的 Theta(l^-4) 实现二次方级减少。在 45,000 个历史和 MiniGrid 环境 9,000 个回合测试中，新证书分别接受了 9/9 相对常数基线及 4/9 相对 last-write-wins 的改进。
arXiv cs.LGAI 评分4242 该动作还能解释任务吗？扩散大语言模型智能体的反向打分方法
研究者提出免训练的 Reflect Reverse 方法，解决扩散大语言模型（dLLM）智能体因掩码解码偏差容易重复执行失败动作的问题。该方法利用掩码 dLLM 对任务 token 掩码并去噪来原生评估逆向条件概率，从而消除动作分布的失真。在 4 个多轮具身基准上的实验表明，该方法相比前向打分基线提升了任务成功率与推进率。
arXiv cs.LGAI 评分4242 GENSCRIPT：面向表格、时序与关系型合成数据的纯推理管线
GENSCRIPT 是一种无需模型训练的纯推理合成数据管线，统一支持单表、时序与关系型数据。它基于源数据的统计特征，由大语言模型与 coding agent 编译生成可执行采样器，在 4 个单表 benchmark 上 2 分钟完成构建并在 6 秒内采样 50k 行。测试表明其边际保真度接近领先方法，并能完美保留数据集的列间 1-to-1 映射及主外键约束。
arXiv cs.LGAI 评分4848 MILO：通过编排多智能体进化实现自动化 Harness 发现
研究人员提出 MILO 框架，通过编排多智能体协同进化自动化发现 AI 智能体 harness。在 Terminal-Bench 2.1、PaperBench 与 DeepSWE 上，搭配 Opus 4.8 的解决率分别提升 +12.0%、+28.3% 和 +10.3%。
arXiv cs.LGAI 评分4040 EHR2Trace：面向患者世界模型与临床智能体的可审计 EHR 数据基础设施
EHR2Trace 将多源电子健康档案转换为可追溯的患者事件，为患者世界模型与临床智能体提供可审计的数据基础设施。系统在三个临床数据集上转换了 8.464 亿个事件，支持 OMOP 和 MEDS 导出，并成功检出全部 28 个注入故障。受控实验表明，严格区分事件发生与信息可用时间，能有效避免因后期诊断提前导致的模型评估性能虚高。
Google AI BlogAI 评分4040 Google 汇总 2026 年 9 月最新 AI 进展
Google 盘点了 9 月的核心 AI 进展，推出具备高级推理能力与 100 万 token 上下文窗口的前沿模型 Gemini 4 Argon，主攻网络安全防御与重度工作负载。
Cloudflare Blog精选AI 评分7272 Cloudflare 为 Quick Tunnels 推出 Protected 功能，支持免账号邮箱身份验证
Cloudflare 在 cloudflared 2026.9.3 中为 Quick Tunnels 推出 Protected 功能，支持通过 --allowed-mail 参数限制特定邮箱或域名访问，双方均无需注册 Cloudflare 账号。
推荐理由：针对智能体开发中临时暴露本地端口的安全风险，原文给出了无需账号即可添加邮箱白名单的具体实现与安全边界。
Cloudflare BlogAI 评分5454 Cloudflare 推出 Cloudflare Traces 公测版，支持全链路追踪与 MCP 智能体排障
Cloudflare 宣布推出全链路分布式追踪工具 Cloudflare Traces 公测版，将自动链路追踪从 Workers 扩展至整个请求路径。系统自动捕获安全规则评估、URL 转换、路由、缓存决策及源站耗时等跨度，支持 W3C 标准上下文透传与 OpenTelemetry 导出。
Cloudflare BlogAI 评分5454 Cloudflare 发布统一可观测性平台并推出 8 项重大更新
Cloudflare 推出统一可观测性平台及 8 项核心更新，将日志、端到端链路追踪、域名分析与自定义告警整合到统一界面与计费体系中。新平台提供统一 SQL API 与 MCP 服务器，支持开发者和智能体直接查询 Workers 及边缘网络遥测数据。此外端到端 Tracing 正式开启公测，Logpush 数据导出功能也向所有自助服务计划全面开放。
Cloudflare Blog精选AI 评分7070 Cloudflare 通过 AI Gateway 推出 Web Search API
Cloudflare 宣布在 AI Gateway 中推出 Web Search API，首批联合 Ceramic.ai、Exa 和 Linkup 提供实时网页检索能力，帮助 AI 智能体获取最新信息。该接口要求合作方遵守验证爬虫标准并保留来源链接，支持 REST API、Workers Bindings 与 BYOK 模式，调用费用按合作伙伴官方定价结算且无额外加价。
推荐理由：该接口将合规网络检索整合进统一网关，开发者无需自行维护爬虫即可为智能体接入实时网页信息。
AWS Machine Learning BlogAI 评分4646 在 Amazon SageMaker AI 上使用多轮强化学习微调搜索智能体
Amazon SageMaker AI 支持通过多轮强化学习（MTRL）微调搜索智能体，并在实践中完成了对 Qwen3.6-27B 模型的端到端训练。该方案针对跨步骤的完整轨迹优化决策，使模型能自主协同调用 BM25 词法搜索与向量搜索工具。平台还提供按 token 计费的无服务器执行模式，并原生集成了 PPO、CISPO 与 GRPO 等算法。
AWS Machine Learning BlogAI 评分4949 通过 Amazon Bedrock AgentCore 为 Claude Desktop 添加安全 Web Search
Claude Desktop 可通过 Amazon Bedrock AgentCore Gateway 接入兼容 MCP 的 Web Search 功能，解决知识截止限制。
AWS Machine Learning BlogAI 评分5555 AWS 推出 Adjudicated Query 设计模式：结合 Amazon Quick 审查海量租约合规
AWS 介绍了 Adjudicated Query 架构设计模式与开源实现，结合 Amazon Quick 与确定性规则引擎，解决大规模租赁合同等高风险场景中的合规审查问题。
GitHub Blog · AI & MLAI 评分4242 GitHub：AI 正在改变开发者工作，需强化的 3 项核心技能
GitHub 指出 AI 正在改变开发工作，建议开发者重点强化引导 AI 智能体、严格评审生成内容以及聚焦高阶技术决策三项技能。在多 Agent 工作流中，开发者可使用第二模型（如 GitHub Copilot 内置的 Rubber Duck agent）交叉评审代码方案以弥补盲区。节省实现时间后，工程师应将精力投入架构权衡、系统设计与需求验证等关键决策中。
NVIDIA Blog精选AI 评分6262 NVIDIA 推出 DGX Spark 64GB 统一内存版本
NVIDIA 宣布推出搭载 64GB 统一内存的 DGX Spark 本地计算平台，起售价 4,999 美元，将于 10 月 23 日由宏碁、华硕、戴尔、技嘉、惠普和微星等合作伙伴发售。
推荐理由：新配置保留了相同芯片与软件栈并降低了硬件门槛，两机直连扩展的方案可供需要兼顾成本与扩展性的本地开发者参考。
arXiv cs.AIAI 评分3535 RISED：基于评分准则的智能体多环境选择与自蒸馏框架
研究人员提出用于多环境 LLM 智能体训练的 RISED 方法，在多个模型骨干上取得最高平均通过率，且在每个独立环境中均排名前二。该方法利用跨环境共享的评分准则（rubrics）对行为进行标注，以此指导在线数据选择并减少重合。正面准则作为特权上下文用于同策略自蒸馏以提供 token 级监督，负面准则则引导模型规避重复失败模式。
arXiv cs.AIAI 评分5252 VeriHarness：面向长程任务扩展智能体验证能力
研究团队提出 VeriHarness 框架，通过为基座模型配备工作区、证据工具与可复用验证技能，将其转化为可解决分歧并挑战共识的智能体验证器。在 5 个长程工作区基准测试中，基于证据的修正使 Gemini 3.5 Flash 和 Claude Opus 4.8 相比单次采样分别提升 6.2 分与 6.4 分。
arXiv cs.AIAI 评分4040 控制论与认识论：可信 AI 智能体委托缺失的分析语汇
针对代码生成向 AI 智能体委托时的监管漏洞，一项新研究提出区分协调行动（控制论）与协调理解（认识论）的治理标准，指出智能体每个重大决策都必须附带第三方可检验的反事实条件。该研究将该准则转化为两部分重构测试进行操作化评估，并提出审议记录规范 ORRCF，确保智能体决策背后的理由可检索、可检验，防止人工监管沦为形式主义走过场。
arXiv cs.AIAI 评分3434 PG-SFT：在离线智能体微调中平衡能力获取与保留
研究人员提出特权引导监督微调（PG-SFT），利用智能体轨迹的轮次级信息增益调节监督强度，以平衡离线智能体微调中的新能力获取与既有能力保留。实验表明，PG-SFT 在仅付出轻微目标任务性能代价的情况下，显著减少了分布漂移，有效遏制了基座模型在通用推理、工具调用和代码生成等广泛能力上的退化。
arXiv cs.AI精选AI 评分6464 智能体任务中的模型与运行框架交互：如何实现最佳适配
一项新研究对 66 种大语言模型与运行框架的组合展开评测，发现智能体任务中的模型表现排名会随框架切换而大幅反转。在 Terminal-Bench 4 测试中，Claude 在 OpenHands 框架下领先 GPT 7.94 分，但在 PI 框架下却落后 30.16 分，且厂商自带框架与更高花费并不能保证更优成绩。
推荐理由：该研究通过实测指出模型性能高度依赖智能体框架的交互反馈机制，读者在选型时需将模型与框架协同评估。
arXiv cs.AIAI 评分4141 ActiveSaddler：面向智能体 Harness 优化的自动课程学习
ActiveSaddler 引入自动课程学习优化大语言模型智能体 harness，动态调整场景以迭代提示词、工具接口与控制逻辑。该方法将演进课程建模为非平稳老虎机，提炼失败模式并自适应平衡弱点修复与新场景探索。在 GAIA2 和 Terminal-Bench 2.0 上，ActiveSaddler 较固定场景顺序分别将测试 Pass@1 提升 4.4 和 7.5 个百分点。
arXiv cs.AIAI 评分4242 MemFit：面向智能体的高效长期记忆系统
MemFit 是一种面向对话智能体的高效长期记忆系统，通过无需调用 LLM 的近即时插入机制将对话逐字存入追加存储，并用分段摘要建立索引。该系统采用结合词汇、语义信号与 cross-encoder 重排的无 LLM 多路检索策略，支持文本和多模态场景。
arXiv cs.AIAI 评分3636 用于概念数据库设计支架式反馈的教育者引导型 LLM 教学智能体
研究人员推出面向概念数据库设计支架式反馈的教育者引导型 LLM 教学智能体，并集成至 ERD 编辑器中。系统将基于成果的隐式诊断与控制披露层级的工作流分离，依次提供概念检查、引导应用、低细节反馈和局部澄清四阶段支持。在涵盖 3 个 ERD 环境与 383 次反馈交互的部署中，71.1% 的目标级修改完全或部分融入了隐式诊断目标。
arXiv cs.AIAI 评分5858 Kepler：面向 ARC-AGI-3 的可审计世界模型评测框架
研究人员推出开源评测框架 Kepler，将假设表示为可执行世界模型，并在 ARC-AGI-3 全部 25 个公开游戏中使冻结配置的 Claude Opus 5 达到 100.00 RHAE 的服务器验证成绩。
arXiv cs.AIAI 评分4444 Sapien：面向自主 AI 智能体的有状态策略引擎
研究人员推出用于自主 AI 智能体的有状态策略引擎 Sapien，通过规范工具调用序列防御恶意操作，效用损失保持在无约束智能体的数个百分点以内。即使智能体被完全劫持，Sapien 在 AgentDojo 与 Toolathlon 上仍分别排除了 93-95% 和 62-85% 的攻击，在长程任务中的防御效果达到工具白名单的 2 倍。
arXiv cs.AIAI 评分4444 ReLiveGym：在数周回放的真实数据流中评测长周期智能体
研究人员推出长周期任务评测环境 ReLiveGym，用于评测大语言模型智能体在数周回放的新闻、市场与社交媒体真实数据流中的稀疏行动表现。基于 8 款基础语言模型的测试显示，决定行动时机的 harness 设计与模型选择直接影响智能体表现，且最优方案因任务而异。研究还评测了后验反馈对改善长周期任务失败模式的作用。
arXiv cs.AIAI 评分2727 面向交互策略快速自适应的元多智能体强化学习及其在自动驾驶中的应用
研究提出一种元多智能体强化学习（meta-MARL）框架，将多智能体强化学习建模为马尔可夫博弈，实现交互策略在多智能体系统中的快速自适应。该方法定义了 meta-NE 解概念，并确立其与基于梯度博弈的算法平稳点之间的等价性充分条件。自动驾驶任务评测显示，该框架比预训练 MARL 基准实现了更快的自适应速度。
arXiv cs.AIAI 评分2929 面向规范引导决策的简易信念道义逻辑
研究提出一种面向规范引导决策的简易信念道义逻辑，结合 Chellas 极小道义逻辑片段、显式条件规范与多智能体 KD45，支持规范依赖智能体对事实及规范的信念。基于该逻辑定义的信念规范依从优化问题旨在最小化加权规范违背，并区分了主观优化与客观优化。研究进一步给出了二者一致的条件，且最优决策可在多项式时间内归约至加权偏 MaxSAT 求解。
arXiv cs.AIAI 评分4949 Agent 评测可靠性研究：增加任务并不总能改善排行榜
研究提出用于 Agent 排行榜的贝叶斯方差分解框架并测试了 22 个基准，发现单纯增加评测任务无法解决模型排名不确定性。固定模型与脚手架系统的排名可靠性达 0.935-0.994，但底层模型可靠性仅 0.148-0.841，无限增加相似任务最多只能提升 0.097。聚合多样化基准则可在相同预算下将可靠性从 0.44 提升至 0.75，并降低至多 83% 的成本。
arXiv cs.AIAI 评分4141 Incident-Arena：让智能体迈向极高可靠性
研究团队推出 Incident-Arena 基准，用于评估 AI 智能体在生产环境中的故障响应与 SRE（站点可靠性工程）能力。该基准包含在临时 Kubernetes 集群中部署的 20 个真实任务与功能验证机制，智能体测试平均耗费 2.81M tokens 与 41 轮交互。评测显示前沿模型得分均低于 64.3%，失败原因涵盖诊断定位错误、修复不完整与不安全回归。
arXiv cs.AIAI 评分3535 CompMat-Bench：面向计算材料科学的 AI 智能体评测基准
CompMat-Bench 是面向计算材料科学的 AI 智能体评测基准，包含来自近期研究的 94 个任务，通过预先复现模拟输入与输出并按固定规则评分，避免了评测中的昂贵模拟。在单任务完整指导条件下，基于 3 个 LLM 的智能体通过率为 66.0-90.4%。长工作流与精简指导会降低表现，且多数失败源于科学错误而非软件使用错误。
arXiv cs.AIAI 评分3939 空间策略而非底层动作：将矢量量化测地线作为 LLM 智能体工具
研究提出一种将几何工具与大语言模型结合的智能体架构，通过矢量量化测地线轨迹并生成自然语言描述作为策略工具，实现分层决策与控制。基于开源视觉语言模型 Qwen3.6-35B-A3B 在动态 2D 网格环境中测试，配合缩放与碰撞检测工具，非推理配置的目标达成率追平了高成本思维链版本，同时将单次决策耗时从数分钟降至数秒。
arXiv cs.AIAI 评分4444 Legal Research Bench：评测长程法律研究智能体的端到端可靠性
研究者推出 Legal Research Bench（LRB），通过 413 道专家编写的开放式美国法律问题，评测长程法律研究智能体的端到端可靠性。在配备判例检索等工具的环境中，13 个前沿模型接受全通过与法源验证评分，表现最好的 Claude Opus 4.8 完全正确率仅为 42.9%。结果显示，更多交互轮次、工具调用和推理成本并不能带来更高准确率。
arXiv cs.AI精选AI 评分6262 多用户多智能体团队协作为何性能恶化：MAMUBench 基准与失效机制研究
arXiv 新研究探讨了多用户多智能体（Agent）团队在共享资源下的协作失效问题，覆盖 5 款前沿模型与 4 个环境的 77 个场景。实验显示多 Agent 团队在所有环境中的整体表现均劣于单一协调者 Agent，甚至出现停滞、互相覆盖操作与捏造信息等行为，在个人助理场景中协调者满足请求的成功率约为团队的两倍。
推荐理由：研究量化了多用户场景下多智能体各自为政导致的系统性失效，为设计跨用户协作协议提供了机制层面的实证参考。
arXiv cs.AIAI 评分3535 智能体决策之前：基于 LLM 系统的认识性行动
FAST 研讨会论文将认知科学中的“认识性行动”引入基于 LLM 的智能体系统，强调智能体在决策前应主动生成就绪的判断证据。该研究明确了认识性行动的三种模式，即获取缺失证据、转换现有证据以及探测系统以产生揭示性响应。同时，论文提出了包含接口、工具与环境的“认识性支架”，用于确保上述行动具备可行性与可审计性。
arXiv cs.AIAI 评分3333 JevSpawn：通过组合动作空间实现自适应智能体推理
JevSpawn 提出一种将自然语言任务规范与有限概率探索相结合的组合策略，以解决大语言模型智能体逐 token 生成推理和动作过慢的问题。该方法通过并行动作生成、反馈驱动的分支选择及共享前缀减少重复计算，无需额外训练。在 8 个基准任务对比 7 个智能体基准与 TypeSafe Jev 变体的测试中，JevSpawn 实现了更优的任务表现与更快的导航速度。