Worldwide Express 如何利用 Amazon Bedrock 实现货运异常自动化处理
Worldwide Express 联合 AWS 基于 Amazon Bedrock 构建多智能体 AI 系统，上线 6 个月使货运账单活跃异常减少 75%，回款周期缩短 4 周。该方案带来 1000 万美元一次性自由现金流注入并实现每年节省 100 万美元。系统通过发票匹配、价格差异和附加费验证 3 个智能体协同分析，在准确率超过 99% 后开启批量审批。
#Agent
#Agent
今日 3 条AWS Machine Learning BlogAI 评分4848 arXiv cs.LGAI 评分4444 多智能体 Kernel 优化循环适配新型 AI 加速器案例研究
研究人员构建了一种多智能体优化循环，并在 FuriosaAI RNGD NPU 上历时 12 天优化了 Gemma-4-12B 的三个解码算子。该循环通过自主建立 Rust DSL 文档知识、运行微基准测试与编译器合法性检查，结合设计树搜索探索算子实现。最终内核相比官方 baseline 取得 9.293x 几何平均加速比，相关提示词与测试工具均已开源。
NVIDIA Blog精选AI 评分7070 SETI 与 Breakthrough Listen 将 Agentic AI 引入地外信号搜索
Breakthrough Listen 与 SETI 研究所将智能体 AI 引入地外文明搜索，在艾伦望远镜阵列上通过自然语言即可自动控制天线、校准仪器并处理观测数据。该系统基于 NVIDIA Holoscan 平台与 RTX PRO 6000 Blackwell GPU，支持每秒 2.4 Tbps 传感器数据的实时显存处理，已在蟹状星云完成脉冲星的实时 AI 检测。
推荐理由：文章展示了如何通过端到端软硬件协同将海量传感器数据接入 GPU，为高吞吐科学仪器的智能体化控制提供了工程参考。
AWS Machine Learning BlogAI 评分2424 英国 Amazon Quick 用户组如何在 2026 年发展壮大
英国 Amazon Quick 用户组发布年度回顾，三次季度聚会累计吸引超过 150 名参会者。参会者在动手工作坊中免代码构建了自定义聊天智能体，并体验了 Amazon Quick Desktop、Amazon Quick Apps 及 Amazon Quick Flows 等工具。Arriva UK Trains 和 Carsa 等企业还分享了借此改善决策并精简 50% 仪表板的落地实践。
Microsoft ResearchAI 评分3333 Microsoft Research Focus 第 97 期
微软研究院发布 Focus 第 97 期，公布了 ForkPilot、CABRA 等多项前沿 AI 智能体研究成果。自改进框架 ForkPilot 在 6 项 benchmark 评测中匹敌现有最佳方法，并降低最高达 59% 的处理计算需求。研究还通过 CABRA 发现理解代码是编码智能体的核心瓶颈，TeleTune 支持从日志学习技能，蛋白质模型 BioEmu2 则开启公开预览。
AWS Machine Learning BlogAI 评分5151 AWS 详解如何利用 Kiro 构建可复用的 PHP 转 Java 迁移引擎
AWS 介绍了利用 AI IDE Kiro 与 AWS Transform 构建可复用 PHP 转 Java 迁移引擎的方法，将代码重构拆解为规范驱动的八阶段流程。方案核心采用先运行无依赖扫描器生成 JSON 模型清单、编写等价验证套件比对行为一致性，并坚持修改规则手册重新生成而非人工修补代码。整套技能文件支持在 Kiro 本地交互式迁移与 AWS Transform 规模化自主执行间无缝复用。
AWS Machine Learning BlogAI 评分5555 AWS 详解如何基于 Amazon Nova Act 构建意图驱动的 UI 测试平台
AWS 联合企业客户 Epsilon 详解如何结合 Amazon Nova Act 与 Amazon Bedrock AgentCore Browser Tool 构建意图驱动的 UI 测试平台服务。
AWS Machine Learning BlogAI 评分5454 MoEngage 如何利用 AgentCore Gateway 将 400 多个私有 API 转为 Agent 工具
MoEngage 借助 Amazon Bedrock AgentCore Gateway 将跨 7 个 AWS 区域私有 VPC 运行的约 400 个内部 REST API 转换为权限隔离的 Agent 工具，免去了独立维护 20 多个 MCP 服务的开销。
OpenAI NewsAI 评分5757 OpenAI 如何检测前沿模型不对齐
OpenAI 采用分层监控技术来检测前沿模型不对齐以及未经授权的智能体行为。该机制使安全响应人员能够在安全事件升级之前及时介入处置。
AWS Machine Learning BlogAI 评分3939 在 Amazon EKS 与 SageMaker HyperPod EKS 上利用 NVIDIA Nemotron 模型加速智能体 AI
NVIDIA Nemotron 3.5 Super VL 已支持在 Amazon EKS、EKS Auto Mode 及 SageMaker HyperPod EKS 上部署，用于加速智能体 AI 工作流。
OpenAI News精选AI 评分6060 OpenAI 与 ServiceNow 扩大企业工作流合作
OpenAI 与 ServiceNow 扩大合作关系，计划将 OpenAI 模型与智能体引入 ServiceNow 平台，同时将 ServiceNow 的企业工作流整合至 ChatGPT 与 Codex。
推荐理由：原文明确了双方将智能体能力与企业业务流程打通的合作方向，读者可以据此了解主流企业服务与前沿大模型的整合路径。
arXiv cs.LGAI 评分4848 反应式优化器 OPAL
研究人员提出反应式优化器 OPAL，利用预训练大语言模型智能体在单次训练中实时监测训练动态并重写可执行的优化器代码。该方法无需针对优化器的元训练，可直接调整学习率调度、优化器结构、数值精度和动量，在语言建模与图像生成任务中匹配或超越了固定训练配方。实验表明其能有效应对数据损坏并减少过拟合，代码已开源。
arXiv cs.LGAI 评分4040 记忆还是时钟？审计 XLand-MiniGrid 中的记忆优势
在 XLand-MiniGrid 任务中，LSTM 智能体相比无记忆 MLP 的性能优势经审计发现大多源于对时间步的感知，而非真正的记忆能力。只要向同尺寸无记忆 MLP 输入时间步，两者原本 25 个百分点的差距便缩小至 3.3 个百分点，且线性探针证实 LSTM 状态编码了时间信息。研究还发现常用二元任务判定指标有 76% 为评估噪声，相关评估协议、工具与检查点已全部开源。
arXiv cs.LGAI 评分3434 隐式信念：面向战略说服的可扩展过程奖励
研究者提出 Probe-RPO 框架与仿真环境 PersuArena，通过读取被说服者的隐式信念状态提供密集过程奖励，以优化大语言模型的战略说服能力。在涵盖医疗、金融咨询等场景的实验中，Probe-RPO 取得 52.5% 的完全接受率，优于最强 GRPO 消融版本的 35.8% 与最佳现有 LLM 的 25.8%。
arXiv cs.LGAI 评分3232 递归自主智能体的集体协作
针对智能工厂跨层级生产协调难题，研究提出了递归自主智能体（RAA）的集体协作框架。该框架依托通用任务与能力接口，实现生产目标的自顶向下递归分解以及能力的自底向上对等聚合，使复合单元能作为同类智能体接入更高层组织。方案涵盖叶单元与复合单元组织模型，并在集成加工、检测和物流的多车间生产网络中完成实例化验证。
arXiv cs.LGAI 评分3838 从智能走向自主：面向未来智能系统的自主智能体基础与构建
该研究提出了自主智能体（autonomous agent）的理论定义与“单一边界、四环路”构建框架，通过操作、生存、反思与学习四条环路分别组织任务执行、自我维持、元控制及受控学习。论文进一步完成了权限约束、道路封闭响应、健康维护、能力重估与跨任务学习 5 组配对仿真实验，为上述机制的可行性提供了初步验证。
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。
arXiv cs.AIAI 评分3232 LM-DSB：用于建筑每日安全简报自动生成的轻量级多智能体系统
LM-DSB 系统结合多智能体与 RAG 技术，利用本地部署的 Llama 3-8B 模型在消费级 PC 上实现了建筑每日安全简报的自动生成。该系统分层协调规划、研究与编写智能体，基于 37 份 HSE 文档检索，文档生成完整度远超单智能体（长度比 1.01 对比 0.39，ROUGE-1 达 0.66）。
arXiv cs.AI精选AI 评分6262 kw-bench：针对真实知识工作任务检验前沿智能体框架的基准测试
研究人员推出面向调查性知识工作的基准测试 kw-bench，用于检验编码智能体框架在跨系统与碎片化证据等真实任务中的表现。该基准采用确定性评分，首个任务针对跨三代 SAP 系统的五年增值税重构展开测试。
推荐理由：该研究通过真实的跨系统审计任务检验智能体框架的调查能力，展示了工具框架适配性对复杂知识工作的影响。
arXiv cs.AIAI 评分3434 MAREval：用于评估自然语言推荐解释的多智能体框架
研究团队提出多智能体框架 MAREval，用于解决大模型评估推荐系统自然语言解释时的提示敏感与输出不一致问题。该框架整合采用 Chain of Debate 策略的规划智能体、调节智能体、仲裁智能体及蒙特卡洛采样方法，显著降低了评估方差。在 TopicalChat 等公开与电商专有数据集及线上 A/B 测试中，MAREval 与人类判断高度对齐，并显著提升了互动与收入指标。
arXiv cs.AIAI 评分3434 OA-RAG：面向忠实 LLM 推理的本体智能体 RAG
研究人员提出 OA-RAG 智能体，将形式化推理与 LLM 推理融合，利用领域本体的逻辑结构提升回答保真度并减少模型幻觉。系统为每个回答提供本体证据，并给出评估的扎实度等级（entailed、supported、related 或 unrelated）以指示可靠性。在 3 个大规模本体基准和 6 个真实医学问答任务中，OA-RAG 综合表现超越主流 RAG 与本体微调方法。