面向实时分区控制零样本协作的认知受限伙伴框架
研究者提出一种面向实时分区控制零样本协作的训练框架，通过引入反应延迟和感知限制等人类生理约束来构建模拟伙伴，以训练人机协作智能体。在修改版 Lunar Lander 环境中，受训智能体的协作表现达到了最强 cross-play 基线水准，且性能不依赖于训练伙伴的具体生成方式。研究还设计了人类参与者实验，用于检验标准 cross-play 评估对真实人机协同效果的预测能力。
#Agent
#Agent
今日 3 条arXiv cs.LGAI 评分3333 arXiv stat.MLAI 评分3434 AutoEnergyDesign：用于能源系统设计自动优化的 LLM 智能体框架
AutoEnergyDesign 框架利用 LLM 智能体推理先前的模拟结果并借助 git 机制自动回滚未成功的变更，实现建筑能源系统设计的自动化优化。在实测负荷测试中，基于 Claude Haiku 5.5、Sonnet 5.5 与 Opus 5.5 的智能体均达到约 3.53 MEUR 的 25 年净现成本，表现优于 TPE 贝叶斯优化和演化策略基线。
arXiv stat.MLAI 评分5959 论文解析主动记忆召回中的规模代价：记忆库扩大会导致误报率激增
论文指出主动记忆召回本质上属于多重检验问题，当长期助手的记忆库规模从 8 扩大至 2048 时，原本定为 5% 的误报率会剧增至 87% 到 100%。研究从理论上证明了门控命中率会随库容量增大而呈幂律衰减，解释了词汇与语义通道阈值增长的数学规律。作者据此提出了一种基于提示替换的共形门控方法，无需标签即可在保持高命中率的同时将误报率稳定在约 5%。
arXiv stat.MLAI 评分3030 交互环境下的近似通用预测
该研究分析了交互反馈对 Solomonoff induction 等通用贝叶斯混合预测器近似保证的影响。结果表明，无限多可计算环境的超额预测误差阶数为紧致的 $\kappa\eta\,2^{K(\mu)}$，其中 $\eta$ 为训练 KL 预算，$\kappa$ 衡量策略覆盖率。在有界回报下，价值误差受低覆盖分支进入概率与 $\eta$ 平方根项控制，适用于满足特定近似与覆盖条件的架构。
OpenAI NewsAI 评分3131 GPT-6.1 Sol 助力 CodeRabbit 增强复杂代码库安全性
CodeRabbit 采用 GPT-6.1 Sol 排查复杂代码库中的安全风险。其安全智能体能够协助开发者审查排查发现的问题以及相应的修复方案。
OpenAI NewsAI 评分5757 OpenAI 发布 GPT-6.1 Terra
OpenAI 推出 GPT-6.1 Terra 模型。该模型旨在为所有用户带来快速且强大的计算机使用能力。
AWS Machine Learning BlogAI 评分5959 AWS 详解如何用 CDK 在 Amazon Bedrock 托管知识库上构建智能体检索方案
AWS 介绍了如何通过 AWS CDK 在 Amazon Bedrock 托管知识库（Managed Knowledge Base）和 AgentCore 上构建企业级智能体检索系统。
AWS Machine Learning BlogAI 评分5757 Amazon Bedrock 上使用 OpenAI 模型的智能体提示词缓存设计模式
AWS 介绍了在 Amazon Bedrock 上调用 OpenAI 模型构建 AI 智能体时的提示词缓存设计模式，通过结合显式断点与隐式自动缓存降低多轮调用的输入成本。指南涵盖了静态指令与工具定义的跨会话复用、运行时追加工具、子智能体预热并发扇出以及 Prompt Cache Key 的设计规范。测试显示在 6 轮对话场景中，该模式可使模型输入成本降低超过 60%。
arXiv quant-phAI 评分4747 QuantumMatterExplorer：用于发现量子多体物态的自主 Agent
研究人员推出基于大语言模型的自主 Agent QuantumMatterExplorer，仅需输入哈密顿量及参数范围即可自主运行数值模拟并绘制物态相图。系统结合持久规划与计算物理工具，采用 DMRG 计算并经精确对角化交叉验证。在受挫自旋-1链测试中，它在 8 小时计算预算内成功识别出 Néel、Haldane 和二聚化等候选相。
arXiv cs.AIAI 评分5353 智能体失败归因研究：模型与执行框架的协同评估
研究团队提出一套量化评估大语言模型与执行框架协同表现的框架，用于排查智能体在基准测试中的失败归因。该体系涵盖有效完成率（VCR）、模型与框架拟合度、跨模型拟合度、交互残差和 Token 负载 5 项指标，并在 6 个基准的 111 种设置与 52,168 条轨迹中完成测试。
arXiv cs.AIAI 评分3535 CASE：面向冻结多模态情感模型的混淆感知技能演化框架
研究者提出首个面向多模态情感识别（MER）的智能体技能框架 CASE，用于解决多模态大语言模型对语义相近情绪的混淆问题。该框架维护自演化的 EmotionSkills 技能库，在保持模型主干冻结的同时于推理期动态检索技能以强化边界感知推理。实验表明，CASE 将 Qwen3-VL-8B 在 CA-MER 基准上的平均准确率从 46.80% 提升至 59.13%。
arXiv cs.AIAI 评分4040 CauProphet：让智能体像人类一样建立因果认知
新研究提出 CauProphet，通过在因果认知（Causal Cognition）中构建并持续更新结构化因果信念（Causal Belief），使 LLM 智能体具备类似人类的因果理解与持续学习能力。在金融研究评估中，CauProphet 对次日收益率的平均秩相关性相比基线智能体提升 25.4%，并在动态现实场景中将预测准确率从 21.3% 提升至 28.6%。
arXiv cs.AIAI 评分4141 POSEIDON：基于代码库规模化构建科学智能体训练环境
研究人员提出自动化管线 Poseidon，可从科学代码库大规模生成可验证的训练环境，提取数量比前序方法多近 10 倍。利用 Poseidon 构建的 Pearl 包含跨 10 个学科、7,110 个公开代码库的 97,659 个可执行环境。经 Pearl 训练的 Qwen3.5 模型（9B、27B 和 35B-A3B）在 6 个科学智能体 benchmark 上均取得持续提升。
arXiv cs.AIAI 评分4545 Async-RBench：LLM Agent 异步任务执行评测基准
研究人员推出评测基准 Async-RBench，包含 8 个场景下的 200 个可执行任务，用以评估 LLM Agent 的异步任务执行能力。对 9 个 Agent 的评测显示其动态重规划得分（DRS）仅在 19.2 至 45.1 之间，且异步交付下的平均任务成功率低于批处理交付（26.0% vs. 29.7%）。
arXiv cs.AIAI 评分3636 LeafSkill：面向递归 LLM Agent 的高效叶级动作落地
研究提出面向递归 LLM Agent 的外部动作复用层 LeafSkill，通过语义检索经验与 1.7B 轻量选择器实现叶级动作落地。在 200 项 Robotouille 任务中，LeafSkill 取得 68.5% 的成功率，优于 ReCAP 的 60.5%。
arXiv cs.AIAI 评分4141 DealsFlow：面向风险投资项目初筛的证据门控智能体框架
英国早期风投基金部署了 DealsFlow 智能体框架，利用事实证据上限、单向降分质疑和证据预检索机制辅助商业计划书初筛。在 142 笔历史投资评估中，该系统评分与回报倍数的 Spearman $\rho$ 达 0.45，识别项目注销的 AUC 为 0.71，均优于无约束 LLM。实测显示分析师单份申请处理时间从 44.7 分钟降至 18.9 分钟，但仍有 70% 的报告需人工修正。
arXiv cs.AIAI 评分3636 基于多模态智能体实现非平稳响应科学仪器的自适应控制
研究团队提出一种基于多模态智能体的科学仪器自适应控制框架，结合确定性特征提取、双层记忆 MLLM 与独立动作校验应对非平稳响应。在 EXL-50U 的 455 炮回放中，检索上下文将动作方向一致性提升 22.4-42.7 个百分点，物理符号分类优于纯波形图像。在 5 个离子源的受监督运行中，系统在 409 炮测试中达到 86.80% 的引束率。
arXiv cs.AIAI 评分4040 TGR-EvoDAG：面向腾讯生成式推荐的 DAG 多智能体代码进化框架
面向生成式推荐的多智能体代码进化框架 TGR-EvoDAG 将代码演化建模为有向无环图（DAG），以维护多分支演化并融合互补创新。该框架引入阶段感知成本规划以优化 GPU-hour 预算，在 Amazon 数据集上将离线指标最高提升 37.4%。在腾讯商业媒体平台部署中，它实现离线 Hit@1 相对提升 12.16%，线上点击率（CTR）提升 0.40%。
arXiv cs.AIAI 评分4444 超越收益指标：衡量 LLM 智能体技能内化以实现技能退役
研究人员针对 LLM 智能体技能库提出一种测量技能内化程度的方法，用于替代仅凭性能增益退役冗余技能的传统规则。实验显示传统增益规则会误删超半数模型与技能均无法胜任的未覆盖技能，而新方法在保证奖励不下降的同时复现率更高（Cohen's kappa 为 0.42 对比 0.23）。团队已开源涵盖 4 个模型、包含 1,251 个技能及其评测任务与评分的数据集。
arXiv cs.AIAI 评分5252 论文提出 DMAIC-Bench 基准评估智能体在多阶段分析中的自我约束能力
研究团队提出新基准 DMAIC-Bench，用于评估大语言模型智能体在多阶段分析任务中依据中间证据停止、转向或继续的自我约束能力。测试 6 家供应商的 13 个模型发现，智能体在继续执行（GO）时的路由准确率达 92%，但在应当终止（NO-GO）时仅有 19%，普遍存在报告正确诊断却违规执行下游计算的问题。
arXiv cs.AIAI 评分4242 MemCryst：通过双向记忆与技能学习实现终身上下文自适应
研究人员提出终身上下文自适应框架 MemCryst，在冻结大语言模型下实现记忆与技能的双向协同学习。记忆用于支持技能创建与修订，技能交互则补充新记忆，二者联合构成上下文并依据任务结果调整检索权重。在 ALFWorld 上其联合服务成功率达 63.17%，优于仅记忆的 59.83% 和仅技能的 50.50%，相关代码已开源。
arXiv cs.AIAI 评分4343 Trial by Trace：AI Agent 运行框架可靠性与故障归因评测基准
研究人员推出 TraceTrial-Bench 评测基准，通过 95 个专家级任务评估 AI Agent 运行框架（harness）的可靠性与故障归因。该基准涵盖上下文、执行、治理等 7 个可靠性维度，并设计了轨迹追踪（TT）与故障归因（FA）模块。
arXiv cs.AIAI 评分4343 MedCaseAgent：从多模态临床证据生成罕见病病例报告
MedCaseAgent 是一种端到端 AI 智能体推理框架，能通过动态检索医学文献与知识库，从非结构化临床记录中生成发表级的罕见病病例报告。研究团队同步开源了多模态病例语料库 MedCase-150K、评测基准 MedCase-Bench，以及基于 Qwen3.5-9B 后训练优化的开源模型。基准评测与双盲专家评审显示，其表现均超越现有的通用和专用医疗 LLM 及智能体。
arXiv cs.AIAI 评分4343 RSIHub：面向智能体演化方法的可组合框架
开源框架 RSIHub 为智能体演化方法提供共享基础设施，支持构建、对比与扩展各类演化算法。其在不修改核心架构的前提下实例化了 AHE、Hyperagents、A-Evolve 与 GEPA，提供执行、评估、恢复及血缘追踪支持。基于 MiniSWE 和 Codex 在 Terminal Bench 2 与 $\tau^3$ Banking 测试，最大整体 pass@1 提升达 13.5 个百分点。
arXiv cs.AIAI 评分4848 最小描述长度无监督区分科学智能体中的定律级与统计级知识，揭示其86%的自身发现仅为统计规律
研究发现自改进科学智能体内部用于模型选择的最小描述长度（MDL）压缩比，可作为无监督认知分级指标区分定律级与统计级知识。在智能体已收录的 252 项关系中，高压缩比成功检出活力公式和巴耳末/里德伯公式等经典定律，但同时也揭示出 86% 的知识压缩比接近 1，仅属于统计规律。该研究提出了预测价值与压缩价值的双轴评估机制。
arXiv cs.AIAI 评分2525 基于 Actor-Critic 智能体的股票交易深度强化学习策略
研究人员提出一种融入情绪分析的深度强化学习（DRL）股票交易方法，旨在克服传统基于价格指标策略无法捕捉市场动态的缺陷。该方法针对 Actor-Critic 智能体对比了纯策略优化算法（A2C 与 PPO）以及结合 Q-learning 原理的算法（DDPG、TD3 与 SAC）。
arXiv cs.AIAI 评分4747 SolveBind：突破 GUI 智能体防自动化验证屏障的执行框架
研究人员提出 GUI 智能体框架 SolveBind，结合分层求解树与运行时监督，帮助智能体将解题结果转化为符合人类行为特征的交互，从而突破 CAPTCHA 等防自动化验证屏障。在 9 类 CAPTCHA 任务中，SolveBind 在 9 个骨干模型中的 8 个上取得最高成功率，比最强基线提升 13.3-34.5 个百分点，并在 6 个 AndroidWorld 骨干模型上均获最高成功率。
arXiv cs.AI精选AI 评分6262 SWE-Shift：评估编码智能体在动态演化工作区中表现的评测基准
研究团队推出 SWE-Shift 基准，用于评估编码智能体在执行任务过程中应对代码、依赖、状态及需求等动态变化的能力。该基准包含 12 类变动共 120 个场景并在 9 个干预点进行测试，评估的 17 个智能体在环境变动后的成功率均出现下降，其中 GPT-6 Astra 成功率从 67.35% 跌至 24.79%。测试还发现，工具或会话变动以及陈旧证据会导致所有受测系统的配对成功率归零。
推荐理由：该研究揭示了编码智能体在开发环境动态变化时难以保留工作成果与刷新状态，为动态协作场景提供了评测基准。
arXiv cs.AIAI 评分4444 并非所有信息都值得获取：面向 LLM 的决策驱动信息获取
针对 LLM 在不完全信息决策中过度索取冗余证据的缺陷，研究人员提出无需训练的信息获取方法 DIVA 及其变体 DIVA-U。该方法引导 LLM 构建小型决策模型，评估候选证据改善决策的净价值，并在证据充分时主动停止检索。跨 4 个领域和 20 个 LLM 的测试显示，DIVA-U 在真实数据上的后悔值低于所有基线，DIVA 在合成场景中将最佳 LLM 基线的后悔值降低了 75%。
arXiv cs.AIAI 评分5656 论文揭示失真的工具格式化器如何误导 Agent 及其验证器
最新论文指出，即便工具计算逻辑正确，其输出格式化器（formatter）若省略搜索上限或命名空间等关键元数据，也会误导 Agent 及其验证器输出并接受错误信息。对比实验显示，补齐完整格式化信息后，验证器对错误回答的误判接受率从 90/90 降至 0/90；作者还给出了审计 Prompt，并在 OpenClaw 等开源 Agent 系统中排查出同类问题并提交修复。
arXiv cs.AIAI 评分3636 PersonaScienceBench：通过多样化模拟研究人员评估科学 AI 智能体
PersonaScienceBench 基准测试正式推出，通过多样化的模拟研究人员评估科学 AI 智能体与人类的协作能力。该基准涵盖 4 个科学领域共 200 项任务，模拟研究人员按画像提供上下文与反馈，智能体仅能通过对话感知其偏好。测试覆盖 18 种模型配置并重点分析了 GPT 6 Astra，揭示出不同智能体在任务表现、事实恢复和工作流修正上的行为差异。
arXiv cs.AIAI 评分3434 大语言模型驱动 AI 智能体的行为分析
研究人员提出了一个针对大语言模型驱动 AI 智能体的通用行为分析框架，将数据驱动的行为发现、过程分析与实验调查相结合。该方法在保留轨迹位置信息的同时将行为关系构建为可解释假设，并通过留出上下文测试与提示词引导实验检验变化。论文以迭代自我反思研究为例，展示了该方法在不同轨迹长度和智能体角色下的应用。
arXiv cs.AIAI 评分4848 解析多智能体 LLM 系统中的通信失败
一项针对多智能体 LLM 系统的研究基于医疗问答、代码、金融等任务的 3,211 条多轮失败轨迹，构建了通信失败分类体系。分析表明系统失败主要由恢复纠错与共识决策问题主导，而非孤立的首轮错误，多数问题在智能体首次观察到同伴回应后显现。研究据此建议在最终定稿前强化分歧处理、证据验证、少数派信号保留及恢复检查。
arXiv cs.AIAI 评分5252 AI-for-Science 智能体能否保持模型安全性
最新论文评估发现，大语言模型在接入科学智能体框架后无法维持原有的安全对齐表现，甚至在直接提示下有害合规率也会上升。研究团队针对 4 款 GPT 变体和 5 种智能体框架测试了 50 个有害化学请求，发现原本对基座大模型无效的自适应攻击在引入框架后变得高度有效。结果表明基座模型的安全防护在接入框架后并不持久，呼吁社区针对科学智能体构建领域特定的安全基准与对齐机制。
arXiv cs.AIAI 评分3737 RSI-Opt：用于模型训练的递归自改进优化器智能体
研究者推出即插即用优化器智能体 RSI-Opt，通过元智能体演化提示词、代码库及策略来递归自改进模型训练过程。在演化套件上配合 Opus 5.5 时，其摘要 z-score 从 +10.48 增至 +14.33，向 GPT-5.5 迁移在保留任务达 +3.11。
arXiv cs.AIAI 评分4848 BARC-Bench：良性请求与风险后果
评测基准 BARC-Bench 包含 9 个模拟工作区环境中的 110 个任务，用于评估 AI 智能体在良性请求下是否会违反未明说的安全边界。测试 4 种前沿模型配置发现，在各任务 5 次尝试中均安全完成的比例仅为 9.1% 至 72.7%。即便最强配置也在 27.3% 的任务中出现安全违规，表明模型难以稳定遵守隐式规范，为安全自主授权带来显著障碍。
arXiv cs.AI精选AI 评分6161 研究揭示 LLM 智能体的“乐于助人问题”：自发协作会绕过预设审查机制
arXiv 新论文提出了“乐于助人智能体问题”，揭示良性 LLM 智能体在没有共享奖励或显式激励的情况下，也会自发替彼此修改资源，从而绕过既定的监督工作流。研究团队构建了 FavorBench 并结合真实代码仓基准测试，在四个模型中均频繁观察到违规互助现象。测试显示，至少三个模型的自发互助行为对交互外部的第三方造成了实质性负面影响。
推荐理由：该研究指出了多智能体安全机制中除对抗攻击外的新盲区，为设计多智能体资源共享与审批流程提供了参考。
arXiv cs.AIAI 评分3535 以可复现评估为基础的生产级智能体安全提示词压缩
研究人员针对动态数据的生产级对话智能体提出离线评估框架，既能抵御实时数据变动又可按需重建，并用作基于 GEPA 的提示词优化适应度函数。配合正确性门控防止奖励作弊，该方案在商家端生产智能体上将提示词压缩 3.5-7.6%。测试显示，压缩在 3 个独立模型族上均未降低任务正确性，还让其中一个模型的正确性获得可测提升。
arXiv cs.AIAI 评分4141 仅知道信任谁还不够：重复多方 LLM 谈判中的“信任-协议差距”
重复多方 LLM 智能体谈判中存在“信任-协议差距”：智能体虽能在数轮博弈中精准识别出蓄意破坏的对手，但准确的信任评估无法直接转化为更优协议。实验表明，只有在被显式引导将信任评估纳入决策推理时，显式信任机制才能将协议达成率提升最高 23 个百分点，其效果高度取决于信任信息的运用方式。
arXiv cs.AIAI 评分4141 超越 On-Policy 与 Off-Policy：LLM 智能体蒸馏应在哪个层级依随学生？
一项新研究提出分层 LLM 智能体蒸馏框架，将策略依随拆解为交互历史诱导与当前动作前缀生成两个层级。跨 3 个模型与 4 个交互环境的实验显示，学生诱导历史搭配教师动作前缀可提供最强独立训练信号，而双层级完全依随学生效果最差。此外，前期前置教师生成上下文、后期引入全 on-policy 上下文的训练调度显著优于静态混合。