用于数据湖分析编程 Agent 的无监督工具演化框架 TEAL
研究人员提出无监督工具演化框架 TEAL，能在无标注数据下为数据湖分析编程 Agent 自动构建并优化工具库与使用技能。在 KramaBench 和 LakeQA 基准测试中，TEAL 在严格步数限制下全面提升了 4 种 Worker LLM 的表现，使 Sonnet-5 在 15 步限制下的得分分别提升 9.3 分与 21.7 分。此外，基于合成问题生成的工具库表现与真实问题相当。
全部AI 动态
全部动态
今日 73 条arXiv cs.AIAI 评分4242 arXiv cs.AIAI 评分3636 TURTLE：面向长程工具调用的自调优进化评测基准
研究提出长程工具调用基准框架 TURTLE，通过提议器、求解器与反馈生成器三类 LLM 智能体协同进化任务，实现评测集的自调优与规模化生成。在 Gemma 4 31B-it 上的实验显示，该方法在 AppWorld、$\tau$-Bench 和 AutomationBench 中显著增加了任务多样性，使 AppWorld 高难度任务占比提升 165%，并激发了更广泛的失效模式。
arXiv cs.AIAI 评分3535 工业 AI 规划新增能力何时能创造运营价值？一种可观测证据标准
研究者提出一种可观测证据标准，通过将行动机会、执行计划变化与运营结果等维度分离，解决工业 AI 规划系统中新增能力的归因难题。在 Favorita、M5 和 Walmart 数据上的回放测试显示，某控制项在 681 个执行计划中仅改变了 15 个，且某多周期能力在产能紧张时成本反增 7.6%。该标准生成的证据记录可直接支持验证、部署范围、回退与退役等决策。
arXiv cs.AIAI 评分5959 arXiv 研究指出越强大的 AI 突破越会加速后续思想创新的枯竭
arXiv 发布的新研究通过分析 36 年间 720 万篇计算机论文与 370 万名研究者的数据发现，越强大的 AI 突破越会导致集体注意力过度集中，从而加速后续创新的枯竭。
arXiv cs.AIAI 评分3434 安全多智能体强化学习（SMARL）的漏洞分析
针对安全多智能体强化学习（SMARL），新研究提出了推理期观测攻击框架 MinMax Attack，在扰动受害智能体动作的同时考量良性智能体的协同抵抗。该研究推导了诱导安全成本的理论界限，刻画其与受害智能体预算及扰动预算的关系。基准实验表明，MinMax Attack 在保持任务奖励以降低可检测性的同时，诱导了显著更高的安全成本。
arXiv cs.AIAI 评分4141 TEX：通过基于执行的交叉验证实现测试时扩展的测试智能体
研究人员提出基于执行驱动交叉验证的协作测试时扩展框架 TEX，用于提升语言模型在长程任务中的测试用例生成能力。该框架并行化智能体生成测试与补丁，通过交叉执行构建 K×K 反馈矩阵指导智能体优化方案。在 SWT-Bench Verified 上，TEX 取得 86.4% 的 SOTA 成绩，相比单智能体基线提升 9.0%，且随机选择输出达 84.4% 同样超越此前 84.0% 的 SOTA。
arXiv cs.AIAI 评分3636 用于逼真啮齿动物运动的潜在控制模型 SCAMPER
研究人员提出具身虚拟大鼠训练系统 SCAMPER，使具身模型在目标导向行为和随机探索中均能产生自然的运动。该系统采用变分架构，结合用于控制的运动先验和用于探索的行为先验，有效利用任务结构并生成逼真行为。得益于行为先验引发的多样化动作，SCAMPER 能在稀疏奖励下学习，适用于模拟实验神经科学中的真实任务。
arXiv cs.AIAI 评分3535 TxnQA：针对交易事件序列分析推理与证据溯源的评测基准
研究人员推出交易事件序列分析问答基准 TxnQA，涵盖 27 个任务族及 5 场景欺诈风险推理套件，用于评估模型判定与支持证据。评测显示 Gemma-4-31B-IT 与 Qwen3-8B 的端到端正确率（E2E）分别达 0.867 和 0.816，优于 MoE 模型的 0.632-0.713。在 500 个样本的欺诈套件中，判定准确率常超 80%，但要求精确证据归因的联合准确率最高仅约 23%。
arXiv cs.AIAI 评分4949 EGI-BENCH：企业通用智能评测基准套件发布
研究团队发布统一的大语言模型智能体评测基准套件 EGI-BENCH，整合了 CRMARENA、MCP-UNIVERSE、LOCOBENCH 等 8 个企业级智能体评测，并通过单一命令行界面提供两种运行时预算执行模式。
arXiv cs.AIAI 评分4141 Magnolia：面向计算化学的持久记忆 AI 智能体框架
研究人员推出了面向计算化学的持久记忆 AI 智能体框架 Magnolia，依托 LLM 整合分子对接、分子动力学及量子化学等计算流程。该框架采用三层记忆系统，可将单次会话观察提炼为项目条目，并经人工验证提升为跨项目规则以指导后续工作。测试中 Magnolia 跟踪了 317 次运行并沉淀 116 个项目条目，在对接配置检查中取得 10/10 通过率，远高于无记忆运行的 1/10 至 4/10。
arXiv cs.AIAI 评分3434 用于 LLM 推理的稀疏强化学习松弛方法 SpaRLax
研究人员提出了名为 SpaRLax 的强化学习稀疏松弛方法，通过利用 soft-CoT 推理跨时间步的可微性，提升大语言模型软思维链训练的稳定性和有效性。该方法采用 entmax 稀疏机制自适应确定软度，在置信度高时截断长尾噪声，不确定时保留多个候选 token。在 9 个推理基准测试中，SpaRLax 的平均性能超越了基线方法。
arXiv cs.AIAI 评分2727 针对组合增量学习的 LSA-PAST：分层自适应与原型迁移方法
针对组合增量学习中的基元表征漂移问题，研究者提出了参数高效方法 LSA-PAST。该方法将 LoRA 集成到冻结的 ViT 中，通过 LSA 为状态、物体和组合构建深度专用的适配器，并通过 PAST 借助无重放仿射变换将历史原型映射至当前适配器空间。实验表明，LSA-PAST 在组合增量学习中取得了 SOTA 的准确率与抗遗忘权衡表现。
arXiv cs.AIAI 评分3434 MoSAIK：基于 k 空间人工智能的运动搜索
研究人员提出 MoSAIK，利用卷积嵌入与 Transformer 编码器直接从标准 TSE k 空间回顾性估计面内刚体运动，无需无运动参考或额外采集。其旋转与平移估计的 MSE 均低于 0.2，皮尔逊相关系数分别约 0.96 和 0.94。在活体测试中，超 75% 的切片较未校正重建实现信息增益，有效减少伪影并保留了解剖细节。
arXiv cs.AIAI 评分3535 EDMA：基于熵驱动的多模态问答方法
研究者提出基于逻辑熵驱动的多模态问答方法 EDMA，将问答形式化为迭代降熵过程以量化各模态的贡献。该方法包含单模态降熵估计、多模态融合及最大降熵轨迹选择三大机制。在标准 MMQA 基准上，EDMA 相比 Planning Prompting 平均提升 12.8 F1 和 4.6 LLM-J 点，相比 CoT 提升 18.6 F1 和 8.3 LLM-J 点。
arXiv cs.AIAI 评分4242 PORA：学习何时为 LLM 智能体分配更长推理
研究人员提出 PORA（配对结果引导推理分配）方法，让 LLM 智能体在多步任务中根据剩余预算动态决定每次操作采用短推理还是长推理。在 BFCL memory 基准上，该方法超出最强现有基线 17.4-32.9 个百分点。在代码和数学任务中，PORA 达到或超过了全程使用长推理的效果，同时分别减少了 50.6% 的 actor token 和 31.2% 的模型请求。
arXiv cs.AIAI 评分3737 PROVISO：基于溯源感知的动作选择机制以保障 LLM 智能体安全
研究人员提出 PROVISO 控制器，在 LLM 智能体提出动作后且执行前决定最终提交的动作，以提升智能体安全性并平衡效用。它将可信观测、外部观测、提议动作及备选动作编码进带溯源类型的记忆中，通过角色特定查询进行关联，并提交校准值最高的动作。在 SkillsBench 和 ToolSafe 上，PROVISO 的 F1 分数分别比最强基线提升 13.84 和 7.07 分。
arXiv cs.AIAI 评分4040 Omni-Woodpecker：通过证据-先验重平衡修正 Omni LLM 模型幻觉
研究人员提出免训练框架 Omni-Woodpecker（OWP），通过跨模态冲突检测与隐藏状态正交分解，在解码前抑制误导性先验并恢复有效证据，从而修正 Omni LLM 的跨模态模型幻觉。
arXiv cs.AIAI 评分5656 面向临床病历的通用系统一决策模型 CS1
研究人员推出面向临床病历的 4B 参数决策模型 CS1-4B，可在单次前向传播中快速回答多个定型临床问题并输出置信概率。该模型基于 360 万名患者的 1240 万组问答训练，在保留测试集的大多数任务中超过了参数量高达 27B 的开源模型，推理速度提升 6.4 倍。在与语言模型智能体协同筛选临床试验候选人时，该方案相比大语言模型全量阅读病历节省了 690 倍 token。
arXiv cs.AIAI 评分4040 ReuF2F：在形式化本科生科研问题上评测代码智能体
研究人员推出基于 Lean 4 的基准评测 ReuF2F，包含来自本科生科研项目（REU）的 244 个形式化开放数学问题。评测采用标准代码智能体环境，将每个问题及其逻辑否定置于 Docker 容器内的 Lean 项目中，并基于 mini-SWE-agent 构建了统一测试框架 Leanimum-agent。
arXiv cs.AIAI 评分4444 物理 AI：概念、技术与挑战
该学术专著为物理 AI（Physical AI）建立了统一框架，将其定义为在真实世界约束下通过持续反馈来感知、建模并作用于物理世界的人工系统。全书共 12 章、388 页并包含 64 张图表，梳理了多模态感知、世界模型、具身基础模型及软硬件协同设计等核心方法。内容重点探讨了从仿真到真实世界迁移、实时执行与安全性等挑战，旨在推动其迈向物理通用人工智能（Physical AGI）。
arXiv cs.AIAI 评分3434 M-Plan：基于记忆编排的 LLM 智能体综合规划框架
研究人员提出即插即用的闭环多智能体框架 M-Plan，通过整合长短期记忆与全局-局部引导，提升 LLM 智能体长周期多轮任务的决策与推理能力。执行过程中智能体依托里程碑与局部提示构建短期记忆，任务结束后信息经优化重组再写入长期记忆库。在 ALFWorld、Webshop 及 PDDL 上的多模型实验表明，M-Plan 在准确率和效率上均优于基线方法。
arXiv cs.AIAI 评分3535 通过偏好优化训练 AI 智能体掌握德州扑克策略
研究人员提出结合 KL 锚定均衡的策略偏好优化方法 SPOKE，用于提升紧凑型 AI 智能体在不完全信息扑克博弈中的策略水平。在 SmallThinker-4B-A0.6B 的三次测试中，SPOKE 在 Kuhn 和 Leduc 环境中取得最低的平均可被剥削度 0.213 与 1.081，并在六人桌达成最高的 top-1 一致性 0.775。
arXiv cs.AIAI 评分5959 多智能体协作能否减少临床任务中的模型幻觉？
最新论文研究了多智能体协作在临床任务中能否减少模型幻觉，发现协作虽能提升任务性能，但通常不会降低推理过程中的幻觉。研究评估了单模型基线及三种多智能体拓扑在 4 个模型和 3 项任务上的表现，在 12 项显著差异中幻觉反增的情况占了 8 项，且拓扑结构并无明显优劣之分。结果表明幻觉的变化方向完全取决于底层模型自身能力，多智能体协作仅重新分配了既有能力，无法凭空弥补模型缺陷。
arXiv cs.AIAI 评分3636 SPEM：面向 LLM 智能体高效技能调用的结构感知程序性记忆框架
研究人员提出了 SPEM，一种面向 LLM 智能体的轻量级结构感知程序性记忆框架，以解决技能库规模扩大带来的高 token 与运行开销问题。该框架维护原子技能记忆与可复用的 Skill-DAG 记忆，并利用 Skill-GNN 进行状态和结构感知的技能选择与回写积累。
arXiv cs.AIAI 评分4343 规划问题何时对 LLM 变难：区分结构复杂度与语义可解释性
研究通过 7 个 STRIPS 领域解耦了经典规划中结构难度与语义理解对 LLM 的影响。免训练启发式方法 $h_{\mathrm{add}}$ 预测结构难度的表现优于学习型模型，保留状态但重命名谓词使 LLM 规划成功率从 67.5% 骤降至 40.0%。结果表明经典符号启发式已能良好评估结构难度，改进混合规划的关键在于建模 LLM 对谓词语义的敏感性。
arXiv cs.AIAI 评分3535 LightCRS：轻量级多领域对话式推荐系统
研究人员提出轻量级统一多领域多模态对话推荐框架 LightCRS，通过离线预计算商品表征，线上仅用 5.3M 参数的模块融合特征并共享跨领域参数。在涵盖 25 个领域的 MM-R2A-25 基准评测中，LightCRS 的 HR@1 相比最强基线提升 35.4%，同时单次查询延迟降低 266 倍。联合多领域训练也使 HR@1 比单领域独立训练模型提升 15.2%。
arXiv cs.AIAI 评分3838 MAMath-Bench：多模态多智能体数学推理的过程感知与鲁棒性评测基准
研究者推出多模态多智能体数学推理评测基准 MAMath-Bench，包含涵盖 11 个数学类别以及文本、图像、音频等模态的 1,003 道题目。该基准通过细粒度里程碑标注，从解题正确性、推理过程可靠性及对抗扰动鲁棒性三个维度展开评估。评测发现多智能体协作相比强单模型并未持续提高最终答案准确率，且当前系统面对对抗性推理错误仍较脆弱；数据集已开放获取。
arXiv cs.AIAI 评分3636 修复而非单纯重采样：Lean 4 中受限的编译器引导修复机制
研究者提出一种用于 Lean 4 的在线步级修复模块，通过将编译器报错反馈给预训练修复模型来就地修正失败策略，而非直接丢弃。在包含 1,990 个定理的 LeanDojo 子集上，该方法相比纯采样基线实现最高 32% 的相对提升并多证明 82 个定理，且首次修复尝试即贡献了 84–96% 的总收益。该方法在 Lean Workbook 基准上同样成功复现，使求解率接近翻倍且零回归。
arXiv cs.AIAI 评分3131 工业智能体 AI：面向智能制造的 LLM 驱动新一代 AI 智能体综述
针对智能制造中动态环境、复杂物理约束与高可靠性要求等挑战，该综述系统梳理了 LLM 驱动的工业 AI 智能体技术体系。文章分析了五大核心挑战，建立了涵盖应用场景、具身形式与五个能力等级的统一分类法。研究进一步提出了用于闭环任务执行的四层系统架构，并梳理了工业全生命周期的代表性应用与未来方向。
arXiv cs.AIAI 评分4343 DataPraxis：通过可验证工作区演进扩展数据分析任务
研究人员提出数据分析任务合成框架 DataPraxis，通过逐步丰富并组合经验证的工作区来发掘更深层分析任务，并在演进与组装阶段持续验证结果。基于该框架构建的 DataPraxis-5K 数据集包含 5,000 条跨领域轨迹，用于训练 DataPraxis-27B 与 DataPraxis-35B-A3B。
arXiv cs.AIAI 评分3636 MedPAO-Assist：面向放射报告结构化的边缘端多模态智能体 AI
研究人员提出边缘端智能体框架 MedPAO-Assist，可直接基于放射科医生的听写与语音指令生成结构化报告，支持胸部 X 光、胸部 CT、腹部 CT 和脑部 MRI 四类影像模态。
arXiv cs.AIAI 评分3434 基于大语言模型多目标强化学习的帕累托最优 RTL 代码生成
研究人员提出一种面向 LLM 电路生成的训练方法，通过优化 PPA 目标空间中整个电路集的质量与多样性，实现帕累托最优的 RTL 代码生成。该方案采用序列化电路生成的训练流程，并引入基于超体积贡献（HVC）的奖励函数衡量电路对帕累托前沿的贡献。
arXiv cs.AIAI 评分3131 基于大语言模型与强化学习的自主建造与进度更新方法
研究人员提出了一种结合大语言模型与强化学习的自主建造方法，用于移动式起重机的动作规划与施工监控。该方法采用增强型 Soft Actor-Critic 强化学习算法结合机器人运动学实现起重机精准控制，并利用定制嵌入模型提取施工环境信息。系统接入 ChatGPT 5 负责实时更新施工进度、向控制系统提供安全信息并自动生成进度报告，其可行性已通过全尺寸挡土墙建造实验验证。
arXiv cs.AIAI 评分3838 Navalia：通过可验证任务合成与长程后训练推进协同 AI 智能体
研究人员提出协同 AI 智能体框架 Navalia，结合可验证任务合成与长程后训练以解决跨文档证据整合与多步数值推理难题。该框架以企业财报为数据源构建可执行计算链，并利用独立大语言模型审查与程序化检查验证证据一致性和答案正确性，进而开展冷启动 SFT 与 RL。
Microsoft Research精选AI 评分8282 微软研究院等通过人类引导 AI 协作证明 31 年未解的 KLS 猜想
微软研究院研究员 Xinzhi Zhang 与合作者结合人类引导的 AI 智能体协作，成功证明了高维几何与概率论领域历时 31 年的核心公开难题 KLS 猜想。
推荐理由：该成果展现了人类专家引导与多智能体并行搜索结合在重大数学猜想证明中的效用，为科学发现提供了协作参考。
Google Research精选AI 评分6666 Google 研发 AI 辅助盲扫超声技术，非专业人员操作可达临床专家级孕周评估精度
Google Research 联合多家机构发表研究，证实其 AI 系统能直接解读非专业医护人员采集的盲扫超声，并在移动设备上实时评估胎儿孕周。在跨越美国与肯尼亚的前瞻性临床测试中，该模型评估孕周的平均绝对误差为 4.18 天，表现不劣于专业超声医师测量的 4.48 天，且在胎儿体重极端等复杂场景下保持良好鲁棒性。这项技术结合便携式探头，有望显著降低操作门槛并扩大低资源地区的产前筛查覆盖率。
推荐理由：原文展示了 AI 算法配合盲扫超声在多地真实临床中的泛化表现，为低资源环境利用便携设备普及产前筛查提供了实践参照。
OpenAI NewsAI 评分2929 Patch the Planet：在 AI 智能体发现关键漏洞时协调全球响应
Patch the Planet 致力于将安全研究人员、项目维护者与事件响应人员连接起来，协同处置开源软件中的严重安全漏洞。该计划针对 AI 智能体挖掘出关键风险的场景，建立起跨群体的全球漏洞响应与协同机制。
OpenAI News精选AI 评分6565 ChatGPT 如何构建兼顾用户信任与相关性的新型广告架构
OpenAI 介绍了为 ChatGPT 构建的全新大语言模型驱动广告技术栈。该系统能够在准确理解对话意图的同时将广告与模型答案保持隔离，并在保障用户信任的前提下实现大规模投放相关广告。
推荐理由：原文解析了如何在对话模型中平衡意图识别与广告内容隔离，读者可据此了解生成式 AI 的商业化技术架构。
OpenAI NewsAI 评分4747 利用数千个 AI 智能体发掘生物数据中的新研究线索
OpenAI、PerturbAI 与 Scripps Research 合作利用分布式 AI 智能体，从数百万个脑细胞的数据中发掘出有前景的研究线索。该项目展示了如何通过部署数千个 AI 智能体加速生物学数据的分析与研究发现。
OpenAI NewsAI 评分5252 ChatGPT Ads 拓展至 26 个新国家，广告主数量已超 10 万
OpenAI 宣布 ChatGPT Ads 拓展至 26 个新国家，目前已有超过 100,000 名广告主使用该平台。无论本地商家还是全球品牌，广告主均可在用户于 ChatGPT 内探索、比对和制定购买决策时进行触达。