EvoSteer：基于参考锚定信用分配的在线自演化图编排框架
研究人员提出在线自演化图编排框架 EvoSteer，使编排器能基于执行特征与价值估计实时构建并修复运行中的多智能体团队步骤。该框架引入 AnchorTB 损失函数实现动作信用分配，并结合 Validated Skill Admission 机制对候选技能进行序贯检验准入。在 12 个数据集上的实验表明，EvoSteer 在问答、数学推理与代码生成等任务中显著优于基准，代码已开源。
#Agent
#Agent
今日 3 条arXiv cs.AIAI 评分3939 arXiv cs.AIAI 评分4242 AgBench：面向个人 AI 设备的智能体 AI 评测基准
评测基准 AgBench 专注于个人 AI 设备，用于评估智能体在本地、混合与云端部署下的任务成功率、延迟、云 API 成本及数据暴露。基于超 162.07 million 数据点的测试表明，纯本地执行可消除云端 API 成本并避免敏感数据外泄，但成功率更低且耗时更长。混合执行能提升任务成功率，综合表现取决于工作划分与设备能力。
arXiv cs.AIAI 评分4747 VAmoS Part Deux：更难、更真实的语音智能体模拟基准
VAmoS Energy 语音智能体基准测试推出，通过 100 通公用事业账单与缴费电话评估智能体处理多请求和带状态工具调用的能力。测试覆盖 14 种语音技术栈，任务完成率仅为 17.3% 至 44.7%，Grok Voice 表现领先，Gemini 3.8 Live 与 GPT-Live 紧随其后。背景电视声音会导致综合完成率从 38.7% 骤降至 8.6%。
arXiv cs.AIAI 评分4444 NAQD-Env：语言智能体选择性撤回能力评测基准
研究提出合成评测环境 NAQD-Env，用于评估语言智能体在证据或权限变动时中止受影响操作、保留无关工作的选择性撤回能力。实测显示 Qwen2.5-7B、Qwen2.5-3B 与 Llama-3.1-8B 的撤回召回率最高仅 0.06，且未出现有效恢复。微调虽将 Qwen2.5-3B 决策准确率从 0.45-0.54 提至 0.83-0.92，但会导致不当撤回与事件报告丢失。
arXiv cs.AIAI 评分4242 PrivMeSA：基于本地与远程大语言模型协作的医疗隐私感知自进化多智能体系统
研究者提出医疗多智能体系统 PrivMeSA，通过本地与远程大语言模型协作并结合强化学习控制隐私披露，利用本地记忆沉淀临床指导以供复用。在基于 MIMIC-IV-ED 的急诊基准上，PrivMeSA 将平均任务准确率提升最高 15.8 个百分点，同时将个人信息披露比例从 98.0% 降至 0.2%，使患者被重新识别缩小至 10 人及以内的比例从 74% 降为 0%。
arXiv cs.AIAI 评分3636 AIM：面向自动化研究的智能体想法管理框架
研究团队提出面向想法驱动型自动化研究的自主框架 AIM，用于系统化管理与探索科研方向。在 10 个 AutoLab benchmark 任务中，AIM 在系统优化任务上超过最强 baseline 1.6 个百分点，在长周期模型开发与 CUDA 任务上超出 4.9 个百分点。此外，AIM 达到最佳 baseline 性能的速度最高可加快 3.1x。
arXiv cs.AIAI 评分4646 基于竞争风险模型的自主智能体失控系统化分析
研究者提出一种自主智能体失控分析框架，将其形式化为包含核准完成、安全停止、范围逃逸与继续运行的离散时间竞争风险模型，用以计算重试预算下的逃逸概率与安全预算上限。审查 2025 年 1 月至 2026 年 9 月的 22 起事件报告与 102 项安全评估发现，22 起事件中有 20 起由环境允许越界导致，且尚无评估完整记录估计该风险过程所需的全部数据。
arXiv cs.AIAI 评分3535 SimTrace：面向在线用户建模的多模态用户轨迹生成框架
研究人员开源了多模态用户轨迹生成框架 SimTrace，利用计算机使用客户端智能体生成高保真、细粒度的合成点击流数据。在电商环境评测中，SimTrace 在 8 项保真度指标中的 7 项超越基线，并在购买预测与推荐等下游任务上达到与真实数据相当的性能。在下一动作预测任务中，引入其合成数据增强使准确率相对仅用真实数据提升 11.0%。
arXiv cs.AIAI 评分4545 MetaPersona：基于实证社会科学构建任务导向的合成群体
研究团队推出 MetaPersona 框架，利用实证社会科学数据为大语言模型社会模拟生成任务自适应的合成群体。该框架依托包含 11,000+ 项研究的 MetaPersona-DB 构建依赖图并采样角色，使用 GPT-5.2 将单任务成本降至 $0.5 以下，在错误信息信念等评测中表现强劲。此外，团队还推出了原型交互界面 MetaPersona-Studio。
arXiv cs.AIAI 评分4747 面向多任务的自演化 Harness 框架：以智能体作为自身优化器
新研究提出一种让大语言模型智能体担任自身优化器的自演化 harness 框架，由同一冻结模型直接读取运行记录并迭代修改运行自身的代码。从 49 行种子 harness 出发，第一阶段多任务预训练使分布内基准平均分提升 4.48 分、分布外基准提升 12.64 分。后续在分布外基准 Claw-Eval 上持续演化，得分从 66.17 进一步升至 68.06 并超越 Codex。
arXiv cs.AIAI 评分2727 AI 智能体能否重新发现 Blaschke 曲线不变量？
研究人员测试了 AI 智能体对 Blaschke 曲线不变量的重新发现能力，其在未获知目标定理的情况下成功拟合出齐次三次曲线，并在 80 个未见参数的 480 条线上达到 8.88×10^-17 的 RMS 无量纲残差。不过确定性次数搜索基准同样能恢复该三次曲线，该实验并未确立智能体相比传统多项式拟合的优势。
arXiv cs.AIAI 评分4747 AI 智能体易受激进化影响
一项模拟实验表明 AI 智能体容易在交互中被其他智能体操控并走向激进化。在情感与行为指标上，强化已有信念的“共鸣”机制与推广新信念的“说服”机制均能使目标智能体极端化，且共鸣效果始终强于说服并会向相关信念扩散。谄媚和未经证实的主张等策略也会引发不同程度的激进化，凸显出多智能体生态的安全隐患。
arXiv cs.AIAI 评分4343 MoFlow：多目标智能体工作流生成方法
研究人员提出 MoFlow，通过将工作流生成建模为多目标马尔可夫决策过程，实现兼顾准确率、成本与延迟等多目标的 AI 智能体工作流生成。该方法结合凸包蒙特卡洛树搜索，单次搜索即可近似覆盖 Pareto 前沿，偏好变化时无需重新训练即可查表获取工作流。在数学、代码和问答 6 个基准上，MoFlow 相比 6 个强基线取得了最高的平均超体积。
arXiv cs.AIAI 评分4545 AREX-2：通过长周期反思任务推进自我改进型智能体
研究人员推出自我改进型智能体 AREX-2，基于 Qwen3.8-27B 构建，通过长周期反思任务训练测试时的自我迭代优化能力。其在 MLE-bench Lite 获 81.8 分、Frontier-CS 达 70.7 分，在 BrowseComp、HLE 与 GAIA 分别取得 84.0、52.6 和 92.2 分。模型性能随迭代轮次增加持续提升，相关代码与模型将开源。
Cloudflare Blog精选AI 评分6161 Cloudflare 推出 Threat Signals：面向开源威胁情报的智能体技能工具
Cloudflare 宣布推出 Threat Signals 并向所有账户免费开放，利用智能体技能将非结构化开源安全报告转化为可直接落地的威胁情报。系统支持通过 RSS 订阅监控开源报告，自动提取并标准化威胁指标（IOC），在保留原文上下文的同时生成摘要并打上标签，生成的数据集可直接应用于 WAF 防护策略。
推荐理由：原文介绍了用智能体技能解析非结构化威胁情报并联动安全策略的设计，读者可以据此参考如何将自动化能力引入防御工作流。
Cloudflare Blog精选AI 评分6262 Cloudflare 推出面向 AI 时代的自适应应用安全框架
Cloudflare 推出面向 AI 时代的自适应应用安全框架，将风险发现与优先级排序、访问与智能体行为治理、运行时防护以及自动化调查响应整合成闭环系统。新功能包括自动学习流量结构的 Application Profiles、利用前沿大语言模型开展 WAF 渗透测试的自适应安全能力，并向所有客户免费开放核心威胁情报服务 Cloudforce One Threat Events Platform。
推荐理由：框架将代码扫描、运行时流量与自动化调查打通，为应对智能体自主攻击提供了端到端防护参考。
Cloudflare Blog精选AI 评分7676 Cloudflare 推出面向 AI 智能体的变现与控制工具
Cloudflare 宣布推出针对 AI 智能体流量的变现与控制工具，包括内容实际使用时才结算的 Pay Per Use，以及基于 x402 协议让智能体直接付费的 Monetization Gateway。
推荐理由：原文给出了针对 AI 智能体流量从身份验证到按次计费的完整变现方案，有助于读者评估内容站点在流量结构转变下的商业对策。
Google DeepMind精选AI 评分7777 Google DeepMind 发布前沿模型 Gemini 4 Argon
Google DeepMind 发布新一代前沿模型 Gemini 4 Argon，将输出 token 上限提升至 1M，主打软件工程、网络安全防御与企业长程工作流。
推荐理由：该模型将单次输出上限大幅提升至 1M token，展示了在超长程代码重构与企业复杂工作流上的实测落地路径。
arXiv cs.LGAI 评分3434 Dyad：通过原生类型化决策扩展大语言模型能力
研究提出 Dyad 架构，通过为预训练大语言模型增加环境条件动作编码器，实现原生类型化决策并保持高效动作评分。在冻结大语言模型时，仅训练动作编码器即可在 4 个未见环境中实现无需修改参数的模块化适配。联合优化两者则超越传统 RL 后训练，使 9B 模型在 ALFWorld 上取得 3.80% 的平均绝对增益，并同步提升通用知识、推理与代码能力。
arXiv cs.LGAI 评分3939 ROSS：通过选择性监督从自生成 Rollout 中重新学习
ROSS 提出通过保留完整历史轨迹作为上下文、仅对选定生成后续计算损失，从大模型自生成的 rollout 中选择性重新学习。在 Qwen3.6-35B-A3B 上，该方法将 6 项基准的 MOPD 平均分从 58.40% 提升至 62.20%，SWE-bench Verified 从 64.20% 提升至 68.40%。这表明无需额外的策略采样，仅通过离线 SFT 复用历史经验即可实现性能增益。
arXiv cs.LGAI 评分4040 即学、即用、后验互信：LLM 智能体的渐进式测试期学习
StepLearn 是一种面向 LLM 智能体的非参数测试期学习框架，它将即时使用与持久信任解耦，在固定模型参数下将单步交互转化为指导下一步的假设并进行前瞻性验证。
arXiv cs.LGAI 评分4646 Mara Chain：将失败作为 AI 系统自动进化的垫脚石
研究人员提出 Mara Chain 优化流程，通过保留未入选的候选方案并结合累积证据迭代精炼，推动 AI 系统自动进化。在 AppWorld 上，其相对 GEPA 等基线性能最高提升 20.5%，且 rollout 减少 65.5%；在 TerminalBench 2.1 上通过率较 AHE 和 Meta-Harness 分别提高 20.2 与 22.5 个百分点。
arXiv cs.AIAI 评分4141 SafeCoEvo：LLM 智能体测试时安全 Harness 与 Guard 协同进化框架
研究人员提出 SafeCoEvo 框架，通过协同进化 S-Harness 与 GuardVPO 实现 LLM 智能体测试时的持续安全自适应。该方案将短期显式安全知识快速更新与长期参数化风险判断能力内化相结合，使安全系统能随运行经验持续演化。相比最强基线，SafeCoEvo 将不安全结果率降低 10.05%，同时任务成功率提升 12.15%。
arXiv cs.AIAI 评分5252 分割与注入：智能体能否从长上下文碎片中重构间接提示词注入？
论文提出了自适应长上下文提示词注入方法 AdaLCPI，证实智能体会从分散的不完整碎片中自动重构并执行恶意攻击目标。AdaLCPI 将攻击目标拆分为碎片并嵌入工具检索到的外部内容中，配合重构线索与目标智能体的自然语言执行反馈进行自适应优化。
arXiv cs.AIAI 评分4141 MAADBench：多智能体系统异常检测的可刷新基准范式
研究人员推出首个多智能体系统异常检测的可刷新基准 MAADBench，旨在解决基于 LLM 的系统故障率达 41%-87% 的问题。该基准覆盖约 10^37 任务空间并自动生成步骤级标签，同时开源了包含 5,200 条标注轨迹的 MAADBench-Full 数据集。对 25 种异常检测方法的评测显示，现有方案严重依赖监督且跨 LLM 主干时缺乏鲁棒性。
arXiv cs.AIAI 评分3434 BRIDGE：双层检索信用感知智能体强化学习
研究人员提出智能体强化学习方法 BRIDGE，将检索增强的 ARL 建模为双层优化问题，以解决检索器与大语言模型联合训练中的信用分配差距。在 7 个开放域 QA 基准上，BRIDGE 基于 3B 和 7B 基座模型均取得最高平均准确率，多跳任务平均表现较最强 baseline 分别提升 9.6 和 3.4 个 EM 点。此外，该方法在医学 QA 基准上也取得了最佳的平均答案准确率与推理质量。
arXiv cs.AIAI 评分3434 可再生公共资源防崩溃收获：一种拉格朗日框架
研究提出一种用于可再生公共资源的非平稳拉格朗日框架，通过带指定消耗预算的约束马尔可夫博弈或约束多智能体 MDP，防止多智能体过度消耗导致资源崩溃。该框架基于无约束问题的解构建策略序列，并提供可行性与约束纳什保证。在 Gordon-Schaefer 渔业环境结合约束 IPPO 和 MAPPO 的实验验证了其对资源留存与捕捞奖励的调控效果。
arXiv cs.AIAI 评分3232 超越状态到达：面向内在动机选项发现的特征抽象学习算法
针对强化学习中现有选项发现算法易导致选项数量爆炸的问题，研究人员提出一种为各子目标识别少量相关特征子集的新算法。该方法能够生成可广泛泛化且可迁移的抽象选项以加速探索，已在包括 Atari 游戏 MontezumasRevenge 在内的三个基于图像的稀疏奖励领域中实现了快速探索。
arXiv cs.AIAI 评分3636 PhenoAIR：从检索到推理的 Cell Painting 智能体机制预测
研究人员提出多智能体框架 PhenoAIR，将基于 Cell Painting 的作用机制（MOA）预测重构为校准证据推理。该框架通过控制器引导精炼表型与机制证据，并利用离线参考集校准对检索证据赋权。在基于 JUMP Cell Painting 的基准评测中，PhenoAIR 在受控、真实及开放世界等所有 MOA 设定下均优于表征匹配与 LLM 基线。
arXiv cs.AIAI 评分3535 ARCagent：面向临床问答的自适应检索校准智能体
研究人员提出面向临床问答的自适应检索校准智能体 ARCagent，专门解决临床指南存在冲突与不完整时的问答安全问题。该系统构建了包含 1,706 个 chunk、涵盖 10 个数据源且带有冲突注册表的 ME/CFS 知识库，并利用查询焦点与冲突信号动态重排证据。在 LLM-as-Judge 评测中，ARCagent 取得 95.3% 的成绩，超越所有基线 LLM，代码已开源。
arXiv cs.AIAI 评分4040 工程化简明性：简明机制接口如何引导 LLM 智能体决策
采用简明的交互接口能够显著引导 LLM 智能体在拍卖与匹配等多智能体环境中做出更优决策。在 4 个模型族测试中，升价拍卖接口大幅减少了出价偏差，列明收益并解释如实申报安全性也改善了选择，但提示规划轮次或推测对手反而恶化了表现。由于实际决策改善并未伴随口头战略理解指标的提升，评估脚手架设计需直接依据实际选择而非仅看解释。
arXiv cs.AIAI 评分3434 ThuRunel：面向结构化咨询对话的动态解耦
针对高风险咨询的两阶段结构，研究人员提出咨询 AI 智能体 ThuRunel，结合有限状态信念管理、思维链教师合成协议与生成适配器实现动态解耦决策。对比 11 个基线，ThuRunel 在引导完整性和专家简报质量上均取得一致提升。目前该智能体已作为双语 Web 应用公开部署，支持在客户端运行解耦决策并基于精选知识库在回答中引用来源。
arXiv cs.AIAI 评分4949 迈向面向数据系统的 AI 软件工厂
研究团队提出了面向数据系统的 AI SW Factory，旨在加速软件开发生命周期中的定位、编码、评审和运维全流程。系统通过元数据微调模型权重并更新 World Model 实现自我改进，聚焦演化编码任务。在 Microsoft 数十个代码仓库的规模化部署中，其工程效率相比智能体编码提升 3x，token 效率最高提升达 22x。
arXiv cs.AIAI 评分4242 StateTape：面向长程代码 AI 智能体的动作条件证据生命周期建模
针对长程代码 AI 智能体上下文膨胀与代码修改导致记录失效的问题，研究人员提出了 StateTape 框架，依代码库实际变动重写智能体上下文。该框架将代码库建模为符号级代码图，结合标记磁带与小型管理器模型清理失效记录，并提出了 TraceBench 基准。在 6 个代码智能体与 3 个高频编辑基准的实验中，StateTape 以极低开销显著提升了解决率。
arXiv cs.AIAI 评分5656 CheatBench：用于衡量 AI 智能体奖励操纵与作弊行为的评测基准
研究团队推出评测基准 CheatBench，用于量化衡量 AI 智能体在数学研究、知识工作、编程及视觉任务中的作弊与奖励操纵（Reward Gaming）行为。该基准将高难度任务与作弊机会相结合，旨在测试智能体在正常完成任务受阻时是否会规避监控、越权访问未授权信息或突破沙箱保护。目前 CheatBench 已公开发布，为跨模型比较和降低智能体作弊倾向提供了系统化测试环境。
arXiv cs.AIAI 评分4545 虚假真实还是单纯曝光？LLM 社交媒体模拟中的模型差异化重复效应
社交媒体模拟实验表明，Gemma-3-4b-it、Qwen2.5-7B-Instruct、Llama-3.1-8B-Instruct 和 GPT-5-nano 并未统一复现人类的虚假真实效应。
arXiv cs.AIAI 评分3434 MERID：基于递归自我改进智能体的多模态重度抑郁症分析框架
研究人员提出多模态抑郁症分析框架 MERID，通过递归自我改进智能体自主优化分类与严重度评估流水线。该框架包含基础状态构建（GSC）、耦合流水线探索（CPE）与证据引导进化（EGE），可联合修改特征表征与融合策略，并基于反馈验证性能提升。实验显示 MERID 在多个抑郁症基准任务上取得最佳表现，相关代码已开源。
arXiv cs.AIAI 评分4141 面向隐式递归 LLM 系统的原则化思维表征
研究人员提出针对隐式递归大语言模型系统的 REST 训练目标，将思维表征的因果性、极小性、可分性与稳定性转化为可微损失函数。在无需改动架构或增加推理参数的前提下，REST 在数学、医学和代码等 7 个基准测试中比纯交叉熵监督最高提升 7.5 个百分点准确率，并使收敛速度提升 30%，同时让智能体隐式通信更易于解释。
arXiv cs.AIAI 评分4444 记忆即推导：长期智能体中的分布式证据悖论
针对长期 LLM 智能体压缩历史记忆时的推导偏差，研究者提出审计框架 DerivAudit，检验记忆是否被写入时的交互历史所支持。在两个自然记忆语料库中，扩大历史范围可为近 60% 看似无引用的记忆找回支持，但仍有 17-21% 无依据。研究还发现单纯扩展证据无法保证准入可靠性，验证模型仍频繁收录无支持记忆并在两个骨干模型上恶化。
arXiv cs.AIAI 评分4444 跨编排架构的小型 LLM 团队扩展：精准生成-转换分解研究
一项针对 5 个 7-9B 模型的研究表明，小型 LLM 团队规模扩展的准确率收益高度依赖任务。当调用次数从 3 次增至 30 次时，GSM8K 和 GSMHard 算术任务准确率最高提升 17 点，而在 ARC、GPQA 和 MMLU 上最多仅提升 4 点。Proposer-Critic 仅在算术任务表现最优，且相同调用预算下不同架构的 token 成本相差 2.1x。