LLM 智能体错误恢复机制的因果评估
新研究将大语言模型智能体的错误恢复建模为因果决策问题，提出轻量策略 Causal Intervention Router（CIR）以决定是否介入。在 Qwen3-14B 的 ALFWorld 任务中，CIR 将成功率从 70.33% 提升至 73.33%，且不影响原本观察正确的轨迹。结果表明恢复收益无法仅靠环境新观察解释，为选择性恢复提供了实用评估方法。
#Agent
#Agent
今日 3 条arXiv cs.AIAI 评分3535 arXiv cs.AIAI 评分3535 AI 智能体该记住什么？解耦有界内存评估中的保留与检索
新研究构建流式召回基准解耦 AI 智能体的保留与检索机制，揭示传统评测若混淆历史访问会导致 53.2 个百分点的归因偏差。在固定的 300 个测试回合中，查询感知选择使事实召回率提升 15.5 个百分点，且受限保留下的全部 319 次失败均由信息驱逐而非排序错误导致。结果表明，有界内存评测必须固定访问权限并分别汇报保留与选择表现。
arXiv cs.AIAI 评分3636 JusticeAxis：在机械法条匹配与无根据裁量之间评测法律判决能力
研究团队提出法律判决评测基准 JusticeAxis 及框架 JusticeAgent，用于在机械法条匹配与无依据裁量之间评测并平衡法律判决。JusticeAxis 包含来自 18 个国家的 256 起真实多模态刑事案件及对应的专业判决数据。实验显示开源基座易偏向无根据推断，前沿模型则倾向法定默认值，而 JusticeAgent 插件可使冻结的开源基座达到商用水平。
arXiv cs.AIAI 评分3535 分布式多智能体委托中的容错预算守恒机制
针对并发与故障场景下智能体委托的超支问题，研究提出分布式多智能体委托的容错预算守恒机制。该方案将预算量化为在委托 DAG 中流动的排他托管信用，派发前转为绑定最大扣费与幂等键的操作预留，并由网关核验签名许可。经 TLA+ 检验与注入崩溃的 SQLite 实验验证，该机制在崩溃、重试、分区与延迟完成场景下均严格维持了预算上限。
arXiv cs.AIAI 评分3636 ContractRL：面向可审计工具调用修复的屏蔽式群体相对策略优化
研究人员提出 ContractRL 协议，通过动作掩码过滤违规操作，将验证器引导的工具调用 JSON 修复建模为有界决策过程。在测试中，ContractRL 仅生成 34.4 个 token 即达到 0.9362 的语义成功率，表现优于 Patch-SFT（0.9076 成功率、44.9 个 token）以及完全重新生成（0.9148 成功率、137.2 个 token）。
arXiv cs.AIAI 评分3434 Predictive Credit：度量科学解释为实验预测带来的实际增量
科研智能体评估框架 Predictive Credit 在 Tox21 与 OpenML 任务中测试发现，科学解释带来的预测精度增益仍未获证实。
arXiv cs.AIAI 评分3232 Rules to Tools：科学计算中 LLM 智能体的可执行检查
Rules to Tools（R2T）为科学计算中的 LLM 智能体提供预置可执行检查工具，将代码修复表现从纯文本规则的 26/30 提升至 29/30。在 SciCode 测试中，工具组分别取得 15/16 与 7/10 的修复表现，优于纯文本组的 13/16 和 3/10。在匹配的 PDE 对比中，检查工具取得 24/24 修复表现并减少 31.2% 的模型输出，但公共 CPU 消耗有所增加。
arXiv cs.AIAI 评分3232 文本具身智能体何时遵从用户修正：GAVA 裁决机制研究
GAVA 机制使文本具身智能体在面对可能错误的用户修正时，能自主在接受、拒绝、环境检查与反问之间进行裁决。在 ALFWorld 的 972 对正误干预测试中，完整局部检查使 GAVA 达到 100% 纠错准确率并降低交互成本。结合语义先验后，该方法在 340 个未见场景中进一步降低联合成本，测试准确率达 98.8% 与 98.7%。
arXiv cs.AIAI 评分3535 EviGraph：基于时序公共服务知识图谱的附证明选择性推荐
EviGraph 提出了一种面向时序公共服务知识图谱的推荐框架，通过区分关键决策要求与可悬置信息减少不必要的推荐弃权。该方法由语言智能体将需求关联至图谱证据，并由确定性检查器核验推荐是否具备支持。在双语香港公共服务基准上的测试表明，明确决策必要条件有效减少了弃权，而过度增加验证反而可能在不提升决策质量的情况下撤回有效推荐。
arXiv cs.AIAI 评分5252 Scientific Agents 研究：在科学任务中评估特定专业系统提示词的效果与成本
一项新研究评估了面向科学任务的特定专业系统提示词，发现详细专业画像不仅未带来一致的准确率提升，反而显著推高了 token 消耗和响应成本。在 9 个文本科学基准测试中，专业提示词相比极简基线的平均准确率差异为 -0.6 个百分点，单次调用成本却高出 2.2 至 4.5 倍。
arXiv cs.AI精选AI 评分6060 研究团队开源本地运行的 AI 科研助手 K-Dense BYOK
研究团队推出开源 AI 科研助手 K-Dense BYOK，支持本地运行、自带模型密钥并记录哈希链实验笔记。该系统内置科学流程与模板，通过直接监控智能体动作生成只增不删的防篡改日志，旨在解决模型过度声称成果的问题。在 20 项跨学科科研测试中，其科学质量与执行表现优于两家托管平台，交付物通常附带结果复现命令，相关代码已采用 MIT 协议开源。
推荐理由：该项目通过直接监控智能体动作而非采信模型自述来记录只增不删的日志，为科研可复现性提供了可迁移的工程思路。
arXiv cs.AIAI 评分4545 评测微任务合格差距：开箱即用的 SLM 何时足以用于智能体框架？
最新评测显示开箱即用 SLM 难以胜任智能体微任务，Qwen3（0.6B/1.7B/4B/8B）在 4 项任务的 16 组配置中合格率为 0。该差距在 Llama-3.x（12 组全不合格）与 4-bit 量化下同样存在，表现主要取决于模型大小而非精度。研究建议仅在传统基线不足时调用 SLM，例如 4B 重排序模型在 BM25 候选上可取得 +0.047 的增益。
arXiv cs.AIAI 评分3838 从提议到验证效果：受控 AI Agent 执行框架 Praxa
研究者提出 AI Agent 执行治理框架 Praxa，通过确定性准入与外部回读等机制，使执行状态转换显式可测。在 Terminal-Bench Core 0.1.1 试验中，其可靠性层与基线均通过 17/36 次测试，但多消耗 37.49% 输入 tokens。在协调代理测试中，候选方案完成 180/180 次试验且准确率持平，token 消耗降低 37.11%、预估端点成本降低 33.84%。
arXiv cs.AIAI 评分3434 因果世界模型何时对模块化 LLM 智能体有帮助
研究提出面向模块化 LLM 智能体的因果世界模型框架 FedCausalCompose，表明因果结构仅在跨模块接口可统计识别且形式适于行动时使用的条件下才真正有效。实验显示，因果接口在通过 API 明确暴露前后置关系的结构化工具环境中收益最高；而在对话与叙事环境中，通常需要短注意力锚点辅助，智能体才能有效利用因果信息。
arXiv cs.AIAI 评分3737 长跨度语言智能体中的重尾记忆轨迹
研究发现长跨度语言智能体的记忆检索呈现重尾分布，稀有状态会累积预测误差，为此提出 Core-Tail World Model（CTWM）记忆控制器。CTWM 通过单一指数分配提示词预算并保留长尾摘要，在 Synthetic Graph World 上降低 13.6% 的后半段长尾误差并节省 5.9% 的 token。
NVIDIA Blog精选AI 评分7979 NVIDIA GPU 如何加速 OpenAI 的 GPT-6 Astra Ultrafast
OpenAI 推出的 GPT-6 Astra Ultrafast 已上线 API，依托 NVIDIA Blackwell GPU 架构及专属推理优化，token 生成速度最高达到 Astra Standard 模式的 8 倍。
推荐理由：文章展示了通过模型优化 GPU 内核实现提速的路径，有助于理解硬件协同对智能体多轮调用的延迟改善。
AWS Machine Learning BlogAI 评分3939 基于 Amazon Bedrock AgentCore 智能体 AI 扩展云迁移规模
AWS 介绍了基于 Amazon Bedrock AgentCore 的四智能体架构模式，在超 300 款应用迁移项目中将单应用 IaC 开发时间从 3 至 4 周缩短至数分钟。该方案基于 Strands Agents SDK 与 MCP 工具构建，包含 Intake、IaC、治理及 SRE 智能体，可与 AWS Transform 及 AWS DMS 协同覆盖企业定制化迁移与运维需求。
AWS Machine Learning BlogAI 评分4343 通过 Amazon Quick 在 AI 构建的应用中提供实时受监管数据
Amazon Quick 推出 Live Data in Apps 功能，使 AI 构建的应用能实时查询受监管的 Quick Sight 数据集，取代构建时的静态快照。查询在应用打开时以访问者身份执行，支持 SPICE 与 Direct Query 模式，并自动继承行级（RLS）与列级安全（CLS）规则。构建与查看该应用的最低角色要求为 Reader Pro，且不支持匿名访问。
AWS Machine Learning BlogAI 评分5050 基于 NVIDIA NeMo Agent Toolkit 与 Amazon S3 Vectors 构建智能体记忆层
AWS 介绍了如何将 Amazon S3 Vectors 作为持久记忆层接入开源框架 NVIDIA NeMo Agent Toolkit（NAT），并部署在 Amazon EKS 上运行。
AWS Machine Learning Blog精选AI 评分6161 基于 Amazon Bedrock AgentCore 构建环境智能体：从事件驱动信号到人机协同工作流
AWS 团队发布了基于 Amazon Bedrock AgentCore 构建环境智能体（Ambient Agents）的参考架构与部署方案，将事件驱动触发与人机协同机制结合。
推荐理由：方案给出了事件触发与单个中断工具结合的代码模式，适合需要将自动化管道改造为人机协同架构的工程团队参考。
Cloudflare Blog精选AI 评分7272 Cloudflare 开源决策模型 Clef 与 Clef-flash 并推出强化学习微调平台
Cloudflare 发布并开源了专为智能体决策设计的 Clef 和 Clef-flash 决策模型，同时推出了基于 Workers AI 的强化学习微调平台。
推荐理由：原文展示了如何通过非自回归架构与确定性概率输出压缩智能体决策延迟，读者可参考其将小模型嵌入高频判定链路的工程设计。
Apple ML ResearchAI 评分5454 Apple 与 EPFL 探究强智能体在自主机器学习工程中对复杂脚手架的依赖
Apple 与 EPFL 联合研究发现，在相同时间预算和前沿大语言模型底座下，开源复杂智能体架构相比仅具备读写与 bash 原语的极简编码智能体并无优势。系统性消融实验表明多智能体编排等复杂机制在编码智能体场景中存在冗余，当前自主机器学习工程基准上的性能主要由大模型底座驱动，在外层手工搭建复杂框架的投入产出比较低。
Cloudflare Blog精选AI 评分6363 Cloudflare 宣布 Git 文件系统 Artifacts 进入公测并推出开发者竞赛
Cloudflare 宣布专为 AI 智能体设计且支持 Git 的版本化文件系统 Artifacts 进入公开测试阶段，并面向开发者举办构建新一代 Git 平台的竞赛。
推荐理由：文章展示了如何将代码仓库转化为可编程基础设施，为多智能体协同开发提供了基于事件驱动与操作接口的实践路径。
Cloudflare Blog精选AI 评分6363 Cloudflare 开放全托管版 Cloudflare OS 候补名单，支持智能体连接代码库与办公套件
Cloudflare 宣布开放全托管版 Cloudflare OS 部署的候补名单，支持企业在控制台一键启动连接内部数据与系统的智能体工作空间。该平台同步新增多项能力，支持直接挂载 GitHub 仓库并由智能体查改代码或提交 PR，深化 Google Workspace 的邮件与网盘调用，并新增导出为 Excel、PDF、CSV 等格式支持。
推荐理由：全托管模式降低了此前开源版需要企业自行部署运维的门槛，配合代码库与办公套件打通进一步补齐了日常工作流闭环。
arXiv cs.AIAI 评分3636 风险感知自适应评测：在有限预算下发现高影响故障
研究提出一种用于交互式 AI 智能体的风险感知情境 Thompson Sampling 评测策略，通过自适应分配测试预算优先挖掘高影响故障。在 70 个 $\tau$-bench 航空场景实验中，仅用 50 次测试（语料库的 6%）即找回 86% 的影响加权故障，发现量达均匀分配的 3.5x。该策略提供 5x 的单成本发现效率，并将零故障场景的预算浪费从 34% 降至 2.8%。
arXiv cs.AIAI 评分4848 利用可复用原语在测试时组装任务专用 AI 智能体 Harness
STITCH 框架通过可复用的 Harness Primitives 在测试时按任务动态组装 AI 智能体 Harness，无需临时生成或修复代码。该方法超越了 Codex CLI 等人工设计的 Harness，将任务成功率较固定 Harness 基线提升最高 12 个百分点。其测试时组合开销仅 2.7%，比从头生成专用 Harness 的效率高出 638 倍。
arXiv cs.AIAI 评分3838 面向长程智能体任务的 Consistent Plan-Act（ConPAct）
针对规划器与执行器分离导致的协调失败问题，研究团队提出面向长程智能体任务的 ConPAct（Consistent Plan-Act）框架。该方法通过检测并向双方反馈状态矛盾以构建一致状态解释，并在精选交互数据上微调 AI 智能体以强化协作。实验显示，在 MiniGrid 中分别以 GPT-5.6-sol 和 terra 担任规划器与执行器时，任务成功率从 38.6% 提升至 54.4%。
arXiv cs.AIAI 评分3333 STRATA：面向即时战略游戏的角色对齐分层智能体自学习系统
研究人员提出面向《红色警戒》（Red Alert）的分层多智能体自学习系统 STRATA，以解决大语言模型在即时战略游戏中推理延迟高且缺乏持续学习能力的问题。该系统将决策分工给战略智能体（SA）、后勤智能体（LA）与战术智能体（TA），并在赛后由复盘智能体（RA）提炼跨对局经验卡片供 SA 检索调用。在固定场景测试中，使用习得的经验卡片将对局胜率从 30% 提升至 100%。
arXiv cs.AIAI 评分4444 Talk2Agent：文本 AI 智能体语音接口评测基准
Talk2Agent 是针对大语言模型电脑使用智能体的语音接口评测基准，用于评估语音向智能体传递口头指令的有效性。该基准基于 WildClawBench 和 OSWorld 构建任务，覆盖专用 ASR 与音频 LLM 等接口，并提出免执行的意图保留评估框架。在 32 小时真实人类语音测试中，该指标比传统 WER/CER 的 Pearson 相关性提升 0.246。
arXiv cs.AIAI 评分5252 大语言模型在上下文变化时的信息更新失败机制研究
研究团队提出 CICM 基准探究大语言模型在上下文信息更新时的陈旧绑定问题，发现前沿推理模型也会因注意力漂移而错误调用旧信息。探测实验表明模型内部依然保留着更新后的值，但多个旧值的注意力累加会超过当前值导致提取失败；研究据此提出无需额外训练即可重定向注意力的方法，在保留原本正确答案的同时修正了多数旧值错误。
arXiv cs.AIAI 评分3535 GraphCert：利用认证证据评分标准自举智能体图推理
GraphCert 提出了一种利用认证证据评分标准自举智能体图推理的后训练方法。该方案通过 Bootstrapped Graph Quizzer 生成并认证图 QA 对及支持证据，在 GRPO 训练中同时奖励 Graph Solver 的证据对齐与答案正确性。在 GRBENCH 的 5 个领域测试中，其表现优于更大规模的 LLM 智能体并具备跨图迁移能力，代码将开源。
arXiv cs.AIAI 评分3535 AI 组织倾听中的正面评价与隐性担忧：员工声音披露研究
一项针对对话式 AI 员工倾听的研究显示，20% 至 41% 的员工在问卷给出正面评分后，会在随后的自适应 AI 语音访谈中表达实质性担忧。基于一家全球管理咨询公司的 44 场访谈及 65 场会话中的 158 条防护性引述，研究发现员工披露普遍伴随淡化顾虑和转移责任等防护行为。研究据此提出受限披露模型，指出沉默依然可以存在于表达之中。
arXiv cs.AIAI 评分5353 AI 语音智能体的人设与说服框架：针对儿童的 2×2 田野实验
慕尼黑工业大学与麻省理工学院团队通过公开的德国圣诞老人电话热线开展 2×2 田野实验，评估大语言模型语音智能体的人设与说服框架对儿童行为的影响。在符合标准的 89 场对话中（中位年龄 6 岁），说服性话术框架将儿童提出亲社会愿望的概率从 11.6% 显著提升至 45.7%，而人设权威度的影响接近于零。
arXiv cs.AIAI 评分3232 面向 GUI 智能体记忆的动作条件互模拟
研究提出一种基于动作条件互模拟的状态合并规则，用于解决 GUI 智能体因外观相似而误合并行为不同页面的记忆问题。该方法完全不依赖观察相似度且无需训练，仅在两个状态的共享动作带来一致结果与后继块时才触发合并。在 MiniWoB++ 基准测试中，该记忆机制相比无记忆智能体成功提升了任务成功率。
arXiv cs.AIAI 评分3434 PathAnchor：面向科学 AI 智能体的路径结构化证据系统
科学推理系统 PathAnchor 通过检索源关联的“材料-传感器-信号-系统”路径结构化轨迹，解决科学 AI 智能体的证据混淆与功能顺序丢失问题。在 120 道柔性传感器问题评测中，PathAnchor 取得 82.6% 得分并领先 6 个受评系统；在 6 次工具调用预算下，该方案将来源召回率从 61.3% 提升至 82.9%，全引证答案比例增至 90.0%。
arXiv cs.AIAI 评分4242 自进化算法设计智能体：通过群体精选策略优化打破上下文进化停滞
研究者提出群体精选策略优化（PCPO），通过学习自生成算法实现参数自进化，解决算法设计智能体的上下文进化停滞。在 EDA 任务中，仅在 4 个芯片案例上训练的 8B 基础模型 PCPO 跨 16 个案例超越 OpenEvolve，表现媲美 GPT-5.5。该方法不仅降低了推理 token 成本，还在 4 个 GPU kernel 设计上比 PyTorch Eager 基线平均加速 8.27x。
arXiv cs.AIAI 评分4242 基于多步嵌入向量检索的视觉空间路由学习
研究团队提出多步检索器 VHOP-Router 与基准 VHOP，使 AI 智能体在视觉潜空间通过单次调用即可检索链式图像。VHOP-Router 将检索性能从不足 5% 提升至 76.3%，智能体搜索成功率提升 52.7%，并将平均 token 长度从 1886 减少 61% 至 728。相比每步检索 top 50 的基线，它将上下文图像减少 23x，累计 API 负载降低 35x。
arXiv cs.AIAI 评分4040 Code to Control：合成参数化反应式控制器
Code to Control 提出了一种由 LLM 合成 Python 控制器结构、并通过无导数搜索拟合连续控制参数的方法，直接作为策略执行。生成的控制器在决策时无需 LLM 推理或规划，动作选择速度快于 PPO 策略。在 Atari、Flappy Bird 和 MuJoCo 任务中，其表现优于基于规划的程序合成方法，且所需环境交互更少。
arXiv cs.AIAI 评分4444 Long-Transduction：测试长跨度 AI 智能体可靠性基石
研究人员提出受控诊断基准 Long-Transduction，用于评估模型在长生成过程中持续执行算术、排序等状态依赖操作的能力。对 7 款开源权重模型的评测显示，上下文长度从 4-128K 扩展时性能下降 62.8%，改变输入格式和增加局部任务复杂度分别导致性能下降 36.5% 与 39.9%。
arXiv cs.AIAI 评分3535 科学搜索智能体在何处失效：基于决策检查点的暴露与检查审计
新研究提出决策检查点机制，通过记录推理时的观察与工具动作，审计科学搜索智能体在论文暴露与检查阶段的具体失效环节。在 540 道 AutoResearchBench Deep 问题测试中，关键词搜索准确率为 24.6%，高于原始搜索的 17.8%。read-first 策略的证据搜索调用量高出 27.4%，两者分别在 199 与 191 道题尝试检查目标，准确率均为 24.6%。