面向可解释鉴别诊断的本体引导多智能体推理框架
研究者提出一种面向可解释鉴别诊断的本体引导多智能体框架，通过将 LLM 推理锚定在专家整理的结构化医学知识库中，模拟临床医生的迭代推理过程。该系统将诊断分解为明确、可审计的推理步骤，在减少模型幻觉的同时识别最具辨别力的缺失症状并生成针对性追问。目前该项目的源代码已公开可用。
#Agent
#Agent
今日 3 条arXiv cs.AIAI 评分3737 arXiv cs.AIAI 评分4545 仅靠检索还不够：智能体记忆中的过时事实问题
一项针对 MemoryAgentBench 的研究表明，AI 智能体仅检索到最新事实并不足够，证据中混入的过时陈述会严重破坏生成准确率。实验显示，在证据中仅将一条无关陈述替换为过时陈述，千问 Qwen2.5 准确率即从 100% 降至 44.6%，Qwen3-14B 降至 87.8%。
arXiv cs.AIAI 评分4141 Skill Dreaming：通过 Pull Request 流演进代码仓库技能
研究人员提出 Skill Dreaming 框架，通过从已验证的 Pull Request（PR）流中提取可执行知识，构建并持续演化代码仓库专属技能库。该技能库可指导代码智能体在实现功能的同时，协同维护相关测试、文档、兼容性及仓库规范。通过整合 PR 分析、技能管理、代码执行与持续集成，系统实现了技能演进与代码维护的端到端闭环。
arXiv cs.AIAI 评分3737 CohortFlow：支持局部语义修正的可控临床队列构建智能体
CohortFlow 是一种用于临床队列构建的可控 AI 智能体，通过将自然语言修正转化为局部更新并结合持久化执行图，可选择性重算受影响节点并保留已有结果。在基于 8B 模型的 100 个临床试验场景中，该方法达到 77.0% 的 requirement micro-F1，修正完成后的平均延迟降低 64.8%，模型调用减少 38.1%，并在 MIMIC 评估中成功执行全部 13 个队列状态。
arXiv cs.AIAI 评分4444 The Trinity：面向多模态智能体的能力驱动递归自我提升框架
研究提出面向多模态智能体的递归自我提升框架 The Trinity，通过 Creator、Explorer 和 Evolver 三个角色将世界生成与 Harness 演化耦合。
AWS Machine Learning BlogAI 评分3838 利用 Amazon Nova Act 智能体 QA 自动化加速软件交付（三）
基于 Amazon Nova Act 的 QA 自动化方案 QA Studio 推出 Applications 与团队权限管理两项功能，以支持跨组织规模化测试。
AWS Machine Learning BlogAI 评分5050 基于 Amazon Bedrock AgentCore 构建企业级智能体平台架构
AWS 架构师团队推出了基于 Amazon Bedrock AgentCore 构建企业级智能体平台的参考架构与配套开源蓝图。该方案采用联邦运营模型，通过独立的平台控制面和按业务流隔离的工作单元单元格，统一部署推理网关、基于 MCP 的工具网关、短期凭证身份与细粒度配额。CI/CD 流水线设置了双向对抗评测门禁，确保每次 Agent 上线前严格验证合规调用与异常阻断。
Google DeepMind精选AI 评分7777 Google DeepMind 发布 Gemini 4 Carbon 前沿模型
Google DeepMind 发布前沿大语言模型 Gemini 4 Carbon，重点提升网络安全防御与长周期复杂工程任务的处理能力。该模型在漏洞挖掘、利用验证与补丁修复多项基准上取得领先，且在 Gray Swan 间接提示词注入测试中实现 0.0% 的攻击成功率。
推荐理由：该模型在网络安全防御全流程与长程工程任务中刷新基准，展示了高对齐度模型在复杂自主工作流中的落地表现。
OpenAI NewsAI 评分1616 Legora 正在构建法律工作的智能体操作系统
Legora 正在构建面向法律工作的智能体操作系统，采用 OpenAI 模型、ChatGPT 与 Codex 来加速法律工作流程。该方案旨在扩展合同分析能力，从而让律师能够专注于更高价值的工作。
NVIDIA Blog精选AI 评分6363 NVIDIA RTX Spark 笔记本迎来更新：支持 Nemotron 3.5 语音模型与前后台 GPU 调度
NVIDIA 宣布搭载 Grace Blackwell 架构的 RTX Spark 系列 Windows 笔记本上市，起售价 2,599 美元并带来多项端侧 AI 更新。平台新增开源语音模型 Nemotron 3.5 Transcribe，支持 40 种语言的听写、说话人识别与翻译；NVIDIA App 同步上线资源管理功能，允许用户自主权衡前台应用与后台 Agent 的 GPU 算力分配。
推荐理由：原文给出了软硬件协同管理与端侧多模型支持的细节，读者可以据此评估本地 AI 工作流与算力调度的可行性。
OpenAI NewsAI 评分1616 Legora 正在构建面向法律工作的 AI 智能体操作系统
Legora 正在构建面向法律工作的 AI 智能体操作系统。该系统基于 OpenAI 模型、ChatGPT 以及 Codex 打造，用于加速法律工作流并扩展合同分析能力，使律师能够专注于更高价值的工作。
arXiv stat.MLAI 评分3434 智能体分布回归：通过智能体编写程序进行条件密度估计
研究者提出智能体分布回归（ADR），利用语言模型智能体编写简短程序来实现条件密度估计，生成可独立检查与评估的显式公式。理论上推导了有限样本误差界与模型选择的预言机不等式，并证明了拟正常数的渐近正态性。在模拟研究、12 个真实数据集及新数据集测试中，搭配 Claude Opus 5.5 的 ADR 在所有对比方法中取得了最佳平均表现。
OpenAI NewsAI 评分3939 Retell 使用 OpenAI 模型支撑每月 1 亿次通话
Retell 采用 OpenAI 模型支撑每月 1 亿次通话。在 Retell 的语音智能体基准评测中，GPT-6 Astra 位列第一；同时 Codex 助力该公司实现了每名员工 $1.6M 的年化营收运行率。
arXiv cs.AI精选AI 评分7070 研究提出 AutoTavern：LLM 智能体自主研发炉石传说酒馆战棋 AI，实力匹敌顶尖选手
研究团队提出自我改进的研究智能体系统 AutoTavern，在 20 天内自主构建出酒馆战棋完整模拟器 TavernGym，并训练出强化学习智能体 TavernAgent。
推荐理由：该研究展示了 LLM 智能体自主构建复杂游戏环境与强化学习策略的完整闭环，为科研自动化落地提供了范例。
arXiv cs.AIAI 评分3838 EnvLunch：让可执行环境成为智能体交互学习的“免费午餐”
研究者提出 EnvLunch 预热训练阶段，无需人工或模型生成任务描述，直接利用可执行环境自身的交互与执行结果训练智能体。该方法通过采样有效动作轨迹并训练模型仅凭最终观察恢复等价轨迹，在各预算下游训练中平均超越基线 9 分以上。在少标注场景下，基线需 8 至 32 倍标注样本才能追平其最小预算下的准确率。
arXiv cs.AI精选AI 评分6363 System 1 决策模型指南：超越大语言模型的快速决策架构
研究者发布关于 System 1 决策模型的综合指南，探讨如何通过单次前向传播直接输出结构化决策，解决大语言模型自回归推理在路由、门控、打分和分类等常规决策中延迟高与成本贵的问题。
推荐理由：该文梳理了单次前向传播的快速决策架构，为高吞吐工作流中降低模型延迟与调用成本提供了系统参考。
arXiv cs.AIAI 评分3232 面向交互式驾驶行为建模的人类反馈引导多智能体逆强化学习 HFG-MAIRL
HFG-MAIRL 框架提出了一种人类反馈引导的多智能体逆强化学习方法，用于交互式驾驶行为建模。该框架在局部马尔可夫博弈中通过有限边际响应迭代避免动作空间膨胀，并借助 Bradley-Terry 似然将驾驶员情绪等反馈转化为偏好监督。在 AIDE 数据集上的实验表明，HFG-MAIRL 优于代表性 IRL 基线，可生成与反馈对齐的可解释奖励模式。
arXiv cs.AIAI 评分4444 Iris：支持可复用选项记忆的视觉候选类型化决策框架
研究团队推出多模态决策框架 Iris，支持图像与文本候选输入，在保证严格顺序不变性的同时实现精确缓存复用。跨请求复用图像候选使延迟在 K=256 与 K=2048 时分别降低 37x 和 191x，并在新基准上达到最高 91.7% 准确率且零翻转率。此外，Iris-4B 在 JevBench 评测中达到 100% 准确率超越 30B 模型，代码与权重已开源。
arXiv cs.AIAI 评分4040 PACE：面向自适应猜想探索的研究证明智能体
研究人员提出 PACE，一种支持自适应猜想探索与证明开发的研究证明 AI 智能体。该系统结合独立验证器与证据追踪记忆动态管理依赖，并配套推出了包含 51 个已知任务与 6 个开放问题的应用数学基准 ResearchProofBench。在 51 个已知证明任务中，PACE 取得 75.16 的综合 Proof Score 并完成 20 项证明，评审得分均高于对比基线。
arXiv cs.AIAI 评分4040 MORE：面向自进化 AI 智能体的模式优化与自适应算力推理框架
研究人员提出自进化训练框架 MORE，可针对不同任务自适应选择推理模式（直接回答、长短 CoT、代码推理）与 token 支出。MORE 采用两阶段范式，先建立模式先验，再通过 MATE-PPO 在生成的可验证任务流上自进化，无需人工精选数据。在 3B 至 14B 规模的模型上，MORE 在代码、数学和通用推理基准中均实现了更高准确率、更短回复长度与更少推理时间。
arXiv cs.AIAI 评分4141 SWE-Ladder：通过渐进式特权自蒸馏学习定位、复现与修复
研究者提出 SWE-Ladder，通过将软件修复过程分解为定位、复现与修复的阶段性特权自蒸馏，并结合 GRPO 优化端到端轨迹。在 SWE-bench Verified 基准上基于 Qwen3-4B-Instruct-2507 评测，R2E-Gym 脚手架下的 pass@1 从 9.6% 提升至 16.4%，优于纯 GRPO 的 10.4% 和全补丁 OPSD 的 12.4%。
arXiv cs.AIAI 评分3535 大语言模型偏好与不完全决策的联合建模
研究人员提出偏好-行为模型（PBM），将偏好表征与不完全效用最大化机制结合，通过逆博弈问题联合推断大语言模型的偏好与行为参数。在公共品博弈、集体风险及公共池塘资源三种社会困境中的评估显示，传统行为经济学工具估算的偏好无法一致预测其决策，而 PBM 跨困境仍具预测价值。该方法还能检验模型与人设指令的对齐情况，揭示传统引出工具容易遗漏的权衡行为模式。
arXiv cs.AIAI 评分4444 AlphaIdeaBench：基于可行性约束与同行评审对齐的自动化科研构想生成评测基准
研究团队推出科研构想生成评测基准 AlphaIdeaBench，包含 100 个带有资源预算的任务，在 12 个维度评估方案的有效性、新颖性与可行性。基准使用 600 篇顶会论文审稿意见校准裁判，Gemini 3.7 Flash 在问题和方法新颖性上与审稿人评分符合率达 94-97%。评测中 CoI-Agent 获最高综合分，相关任务与细则已开源。
arXiv cs.AIAI 评分3434 生成式与智能体 AI 数据治理：技术、法律、经济与安全
该著作针对大语言模型、RAG 流水线至自主多智能体系统，构建了融合技术、法律与经济维度的统一数据治理框架。全书包含 11 章与 8 个附录，覆盖全生命周期的数据质量与血缘、零信任架构、六个司法管辖区的 AI 监管，以及面向 2030 年的治理控制平面设计。各章节立足印度法律与机构，并保持跨司法管辖区的比较视野。
arXiv cs.AIAI 评分5353 审计罕见病诊断大模型系统中的评估偏差与数据泄漏
研究团队基于超 60,000 例临床病例开展实证审计，发现当前大模型在罕见病诊断上的高准确率多源于数据泄漏而非真实医学推理。在引入严格的跨数据集隔离后，前沿智能体框架的跨数据集平均 Recall@1 从 54.3% 降至 40.3%，监督分类器准确率也从 42.9% 骤降至 16.7%。研究还量化了大模型利用病历回顾性治疗线索等评估假象，并提出了标准化的医疗 AI 防泄漏评估框架。
arXiv cs.AIAI 评分3636 SMART-Med：基于不确定性感知路由的选择性多智能体医学推理
研究人员提出本地多智能体医学推理方法 SMART-Med，通过不确定性驱动的路由机制自适应决定直接回答还是引入专家智能体协作。该方法结合新构建的数据集 MedVR-3K 并采用 GRPO 算法微调，在 Slake、PathVQA、VQA-RAD 和 PMC-VQA 四项基准上取得 6.7% 的平均提升。同时，SMART-Med 将推理时间缩短超过 3.8x，token 消耗降低 72%。
arXiv cs.AIAI 评分3434 CoEvolve：多智能体系统中基于反事实引导的记忆与协作协同演化
CoEvolve 提出了一种以技能为中心的多智能体协同演化框架，用于解决大语言模型多智能体系统中记忆与协作架构更新不对齐的问题。该框架将局部协作模式表示为连接决策与记忆的技能，并通过对比原始轨迹与反事实轨迹协同更新技能库、技能记忆和执行器记忆。在 ALFWorld 和 WebShop 评测基准中，CoEvolve 取得了优于所有评估基线的最佳综合性能。
arXiv cs.AIAI 评分3838 FraudSociety：基于生成式智能体的金融欺诈社会模拟器
研究人员推出首个联合建模信息传播与资金流动耦合动态的 LLM 智能体模拟器 FraudSociety，用于模拟金融欺诈的现实演变过程。系统集成了动态社交环境、持久财务账本和市民决策架构，成功复现了前 10% 受害记录占总损失 81.1% 的高损失集中特征。反欺诈实验显示，最优的个性化干预策略可将重复支付率从 49.4% 降低至 10.9%。
arXiv cs.AIAI 评分4545 SkillShift-Bench：评测环境演化下 Web 智能体技能学习的基准
研究人员推出首个在受控开放环境变化下评估技能学习的基准 SkillShift-Bench，用于测试 Web 智能体面对环境演化时的鲁棒性。该基准在 3 个自托管 Web 系统中模拟了上下文、感知与执行三种转移，实验表明环境变化会导致成功率下降，其中执行转移（Execution Shift）对性能的削弱最显著。团队还提出一种测试时自适应方法，无需重新学习技能库即可改善执行表现。
arXiv cs.AIAI 评分4141 LegoSR：面向 Agent 引导科学发现的自我改进统一框架
研究人员提出面向代数符号回归与微分方程发现的统一框架 LegoSR，通过通用方程表示和评估流程集成了 7 个求解器。其配套的 LegoSR Agent 可自适应调整搜索策略，在含噪声常微分与偏微分方程基准上比相同预算下的通用 Agent 最高领先 29 个百分点。该框架还支持结合部分已知物理知识进行约束搜索，代码已开源。
arXiv cs.AIAI 评分3838 ConMem：通过反事实多场景探测解决大语言模型记忆不对齐问题
研究人员提出 ConMem 算法与包含 1079 个案例的评测基准 MemAlign，旨在解决大语言模型智能体错误保留或检索隐私敏感及过度泛化信息的记忆不对齐问题。ConMem 将记忆留存决策重构为前瞻性反事实因果推断，通过合成交互场景审计下游干预效果。实验显示 ConMem 取得 75.16% 准确率和 65.31% 的 Macro-F1，有效缓解过度留存偏差。
arXiv cs.AIAI 评分4646 AgentOrch：全局编排能多接近分步交互？
研究提出评测基准 AgentOrch，在 650 个企业 SOP 和 3,220 个运行时变体上直接对比全局编排与分步交互。评测显示分步交互准确率在所有模型中仍保持领先，但近期最强模型已将两者差距缩小约 79%。通过增量构建、执行反馈修正及针对性训练，全局编排准确率可分别平均提升 9.98 pp、6.13 pp 和 12.18 pp。
arXiv cs.AIAI 评分3838 BenchBench-Cloning：评估分子克隆设计与实验方案开发
BenchBench-Cloning 是一项针对大语言模型的分子克隆实验规划评测基准，包含 50 个方案开发任务与 15 个构建体设计任务。方案开发通过克隆模拟器执行评测，构建体设计结合确定性检查与大模型评审。在测试的 8 个系统中，GPT-6 Astra 得分最高仅达 30.6%，其余系统在 8.6% 至 22.2% 之间，基准在 best-of-ten 采样下仍未饱和。
arXiv cs.AIAI 评分3434 基于 LLM 的多智能体系统传播风险估计
研究人员提出 IE-Prop（Interaction-Effect Propagation）模型，用于估计基于 LLM 的多智能体系统在执行轨迹中的错误传播风险。
arXiv cs.AIAI 评分4444 AdaPRA：面向数据科学的自适应评价准则过程奖励智能体
AdaPRA 是一种面向数据科学的持久化编程智能体框架，通过自适应评价准则进行过程监督，能在多次尝试中积累知识并识别纠正错误。在每项任务尝试 5 次的设置下，AdaPRA 使 80B Qwen 模型在 DSPredict-Easy 和 DSPredict-Hard 的排行榜百分位分别提升 24.5 和 14.8 点。
arXiv cs.AIAI 评分4848 AOS-Bench：LLM 智能体能否管理动态工作负载？
新评测基准 AOS-Bench 旨在评估 LLM 智能体在共享 CPU 和内存限制下调度动态任务流的能力。在 5 组模型与框架测试中，重负载导致系统成功率普遍下降 13 至 23 个点，串行调度会遗漏 73% 的重负载任务。研究同时发现，固定并发度为 2 的策略与最优智能体调度差距在 4 个点以内，且任务等待时 CPU 利用率中位数均低于 30%。
AWS Machine Learning BlogAI 评分2727 AWS 获评 2026 年 Gartner 联络中心即服务（CCaaS）魔力象限领导者
AWS 凭借 Amazon Connect 连续第四年被评为 2026 年 Gartner 联络中心即服务（CCaaS）魔力象限领导者。该平台通过生成式与 Agentic AI 洞察需求并采取行动，致力于复杂问题的端到端解决，同时确保所有操作均可审计且支持人工适时介入。
OpenAI NewsAI 评分5353 OpenAI 扩大与 Oracle 合作，将企业应用引入 ChatGPT
OpenAI 宣布扩大与 Oracle 的合作关系，计划将 Oracle 业务应用与 AI 智能体接入 ChatGPT，同时为 Oracle 的新服务提供技术支持。
NVIDIA BlogAI 评分5454 C-BRAIN 联合 NVIDIA 展现 AI 如何加速阿尔茨海默病科研发现
神经退行性疾病 AI 与生物医药研究联盟 C-BRAIN 正与 NVIDIA 合作，利用加速计算与智能体 AI 技术打破数据壁垒以加速阿尔茨海默病研究。该联盟通过混合联邦机制利用各机构未公开的数据资产，并已推出 OpenScientist 和 InsightEngine 两款开源智能体研究工具，能将数周的研究分析缩短至数分钟且单次运行成本低于 10 美元。
arXiv cs.LG精选AI 评分6262 论文指出长程智能体基准测试出奇适应上下文压缩并存在约束丢失风险
一项针对长程编码智能体上下文压缩的研究指出，现有基准测试由于目标固定且进度保存在磁盘上，对信息压缩出奇宽容，但该过程会静默丢弃大量关键任务约束。研究基于 OpenCode 框架测试了五种压缩策略与三款前沿模型，发现没有任何压缩方法优于默认的自我总结，且过度丢弃内容的策略会导致部分模型性能大幅下滑 20 分。
推荐理由：这项研究揭示了现有长程基准测试对上下文压缩的宽容假象，为设计能够保留负向约束的智能体架构提供了关键实证依据。