追踪编程智能体玩 ARC-AGI-3 的思维轨迹：对持续学习的启示
一项研究通过让基于冻结基础模型的编程智能体挑战交互式推理基准 ARC-AGI-3，提出了一套通过脚本与笔记追踪其思维轨迹的度量协议，白盒分析其持续学习机制。在 2 个模型家族中 3 个骨干模型的 7 次评估显示，跨任务调用的脚本仅占 33/630，智能体会遗弃 74% 的已有脚本并重写通用规则，笔记亦只追加不修改。
#论文/研究
#论文/研究
今日 0 条arXiv cs.AIAI 评分4949 arXiv cs.AIAI 评分2222 为什么机器依然不会统治世界
arXiv 新论文重申通用人工智能（AGI）在数学上不可实现，指出展现智能的人类复杂系统行为无法被计算机模型捕捉。研究驳斥了支持者基于 Church-Turing-Deutsch 原理的理论论据，并指出主流 benchmark 成绩已受训练数据污染、测试构建缺陷及策略性优化的破坏。作者强调，在开放、热力学复杂且非遍历环境中表现认知行为的模型未来依然无法达成。
arXiv cs.AIAI 评分3535 真实社交场景中从起因到后果的认知导向情感追踪
研究人员提出认知导向情感框架 TRACE 及基准 TRACE-Bench，基于 646 个视频与 3,746 个问答对评估多模态大模型的情感追踪能力。评测发现模型表现显著落后于人类，常将外显行为误判为真实感受并在长链推理中捏造情节。基于该框架提出的结构化推理方法 TRACER，在涵盖因果推理与全链重构等 5 项任务上均超越所有基线模型。
arXiv cs.AIAI 评分3434 利用势函数估计自回归语言模型下的期望值
研究人员提出一种利用势函数（potentials）提升自回归语言模型期望值估计效率的方法，通过利用采样副产物即下一 token 条件概率来加性分解测试泛函。该方法构建的估计量方差取决于所选势函数，并给出了降低方差的理论条件。针对多种被估计量和实际应用设计的势函数，在相当的计算成本下实现了方差的大幅降低。
arXiv cs.AIAI 评分3535 环境反馈建模至关重要：反思智能体事后自蒸馏中的反馈处理
新研究提出 SELF 框架，通过联合优化环境反馈建模与事后自蒸馏，解决无奖励环境下语言智能体的训练难题。在 Qwen3-8B 上，SELF 在 τ-bench 成功率上比 SDPO 和 GRPO 分别高出 6.4 和 4.1 个百分点，在 AppWorld 任务目标完成度上分别提升 10.71 和 3.57 个百分点。
arXiv cs.AIAI 评分3535 相同路径代价，不同输出效应：理解扩散模型中的扰动传播
一项新研究提出了分析扩散模型采样扰动传播的理论框架，结合动力学分析与信息论表征，解释采样扰动如何影响最终生成输出。该研究用轨迹分布间的 KL 散度定义路径代价，并在预训练扩散模型中证实不同采样阶段与空间频率对等路径代价扰动的敏感性存在差异。该框架还成功应用于基于缓存的加速方案，可可靠识别因缓存导致较大图像误差的采样区间。
arXiv cs.AIAI 评分3838 RIT-RAG：利用检索诱导树导航文档语料库
RIT-RAG 将内容检索与结构导航结合，通过检索文本块动态诱导跨文档子树，并由 LLM 智能体自主导航与筛选阅读。该方法在金融、科学与客服基准上的回答准确率均超越图结构和智能体基线。在包含 284 万技术文档网页的 EntQABench 上，其在三种 LLM 下相比最强基线提升了 6.8 至 11.4 个百分点。
arXiv cs.AIAI 评分3535 UniData：通用多模态指令生成流水线
研究人员提出通用多模态指令生成流水线 UniData，可将简单的用户需求转换为多轮多模态指令。该方法结合 any-to-any 大模型生成指令并修正冗余推理流，同时构建了涵盖 9 种模态、共 20,000 条数据的 UniDataset。实验表明 UniData 在数据质量上达到 SOTA 表现，能有效增强其他多模态模型的理解与生成能力。
arXiv cs.AIAI 评分3838 RaReCache：基于秩不一致选择性重计算弥补跨模型 KV Cache 复用差距
RaReCache 框架通过基于秩不一致的选择性重计算，支持大模型直接复用小模型预填充的 KV cache。在 Qwen3-0.6B 至 14B 上仅需重计算 30% 位置即可保留 95-99% 精度，在 Llama3-8B 至 70B 上重计算 40% 可保留 96.5% 精度。
arXiv cs.AIAI 评分5050 为审稿人写作：GPT 模型中的防御性写作
arXiv 研究显示 GPT 模型在修改论文时存在“防御性写作”现象，随版本演进倾向于收窄乃至直接撤回作者主张。测试显示 GPT-6-astra 撤回的主张中不足十分之一属于过度陈述，添加大量无依据限定词的核心原因在于迎合预期的审稿人。此类改写虽获 AI 审稿人更高评分，却降低了人类可读性，结合 AI 写作与审稿可能进一步放大该风格。
arXiv cs.AIAI 评分3434 RL-ARC：通过推理引导的不确定性校准大型推理模型
研究人员提出校准感知训练框架 RL-ARC，通过联合利用推理置信度与答案置信度来校准大型推理模型。该方法将推理置信度作为辅助信号，在正确样本上应用推理引导正则化，并在错误样本上施加过度自信惩罚。分布内（ID）与分布外（OOD）实验表明，RL-ARC 在不明显牺牲推理性能的前提下改善了模型校准，并实现了自适应置信度估计。
arXiv cs.AIAI 评分3636 SynCo：基于多智能体强化学习的自进化 LLM 数据合成协同训练框架
研究人员提出基于多智能体强化学习的自进化 LLM 数据合成协同训练框架 SynCo。该框架联合优化两个独立参数化的智能体：Synthesizer 根据能力状态构建训练任务，Reasoner 则从中学习并提供互补奖励，实现解题策略与训练分布的共同演进。在 8 个数学推理基准测试中，SynCo 显著优于现有合成数据方法和对照基线，大部分收益源自此前未解决的问题。
arXiv cs.AIAI 评分4242 EvoSim：在建模中学习，在学习中建模
研究人员提出面向物理建模的自我演化 AI 科学家 EvoSim，可利用实验差异驱动机理与方程修正并协同更新多智能体系统。在工业电池建模测试中，其预测锂金属析出起始荷电状态的 MAE 为 1.79%，车载工况动态电压预测 RMSE 达 7.62 mV，精度超越人类专家模型。该自我演化机制使模型与物理误差较基线降低约 36%。
arXiv cs.AIAI 评分3535 ReCast：面向大语言模型 AI 智能体系统的归因导向步骤表征学习
研究人员提出面向大语言模型 AI 智能体系统的步骤表征学习方法 ReCast，用于定位引发系统故障的最早根因步骤。该方法通过筛选相关层、构建互补的模式与偏差特征，并利用对比与排序目标训练编码器，将冻结 LLM 的隐藏状态转化为归因表征，同时配套推出了训练数据集 ReCast-2K。
arXiv cs.AIAI 评分4343 TokenBank：面向 AI 服务的金融基础设施
TokenBank 是一种面向 AI 服务的金融基础设施，通过结构化合约支持服务消费权、API 差价远期结算、未来收入融资及特定故障赔偿。在 899,441 次 API 请求重放等评测中，远期合约在零贴现涨价场景下使平均支出减少 USD 304.88，并在低资金条件下带来 +1.0635 实验 USD 的贡献改善。目前其云基础设施代码库与托管部署已公开。
arXiv cs.AIAI 评分3131 Finsler Flow Matching：面向单快照轨迹推断的动力学感知测地线插值
研究者提出了 Finsler Flow Matching（FFM），这是一个从离散马尔可夫转移图学习连续随机动力学的框架。该方法利用一阶和二阶局部矩构建受 Freidlin-Wentzell 作用量启发的芬斯勒结构，并通过免仿真的 score matching 和 flow matching 蒸馏出连续生成过程。
arXiv cs.AIAI 评分3838 DivMoE：通过跨领域专家组合实现细粒度 MoE Upcycling
研究提出 DivMoE 框架，通过领域专精专家初始化与多样性约束路由，首次实现结构平衡的细粒度 MoE Upcycling。在 Qwen3-1.7B 等模型的 15 个基准测试中，DivMoE 以 55.6% 平均准确率超越 6 项基线并消除性能倒退。微调后 12B 的 DivMoE 准确率达 64.5%，追平 16B 的 Moonlight-MoE 并领先 NVIDIA 基线 6.1 个百分点。
arXiv cs.AIAI 评分3535 MedBenchAgent：医疗 VLM 基准构建的系统化自动化框架
研究人员提出多智能体框架 MedBenchAgent，将医疗 VLM 基准构建表述为受限编译过程，以系统化推导基准规范并生成评测项目。该框架采用基准中间表示（BIR）解耦规划与实例化阶段，取得 90.9% 的 Task-Space F1，抽样的 1,000 个项目中 994 个通过人工审核。该框架已成功迁移至专门医疗领域并评测了 12 个 VLM。
arXiv cs.AIAI 评分5050 DuplexAgent-RSI：面向全双工语音智能体协作的递归 Harness 改进框架
研究人员提出了全双工语音协作系统 DuplexAgent 及其闭环改进框架 Duplex-Harness-RSI，将语音交互与异步委派任务的协调逻辑解耦为六个可编辑模块。系统利用模拟器自动生成带时序的测试对话，并通过委派池中的推理大语言模型与编码智能体自动诊断失败轨迹并更新模块配置。实验表明，该系统在保持低延迟打断响应的同时，提升了口语知识问答与可执行工具调用的评测表现。
arXiv cs.AIAI 评分3636 ORDO：面向混合整数规划预求解的操作级轮次感知动态排序框架
研究人员提出 ORDO 框架，将混合整数规划（MIP）预求解规划重构为基于统一原子动作空间的自回归序列生成任务。该方法在多个未见领域实现了端到端零样本加速，并通过修改 SCIP 源码构建执行与观察机制，支持候选序列并发竞速部署。
arXiv cs.AIAI 评分3737 基于可能性推理的开放式科学发现研究
研究者利用可能性理论将大语言模型驱动的开放式科学发现形式化为溯因自主科学发现（AASD）问题。该研究提出了可量化发现进展的溯因效用指标，以及首个 AASD 算法——可能性前沿搜索，在保持随时有效性的同时渐进实现 ε-最优溯因效用。合成与真实世界科学发现任务的实验表明，该方法展现出强劲的性能表现。
arXiv cs.AIAI 评分4040 TaReD：面向长程任务的工具感知递归分解
针对长程任务规划难题，研究人员提出工具感知递归分解方法 TaReD，将工具按功能组织为能力层级，驱动 AI 智能体按需发现工具并递归分解出匹配阶段能力的子任务树。在复杂真实世界任务实验中，该方法将端到端任务成功率相比对比基线最高提升 40 个百分点，相关实现已在 GitHub 开源。
arXiv cs.AIAI 评分3838 LLM-IDEA：用于自主发现机理世界模型的可辨识性驱动实验智能体
研究者提出闭环科学发现智能体 LLM-IDEA，其搭载的可辨识性引擎可在探索进入瓶颈时计算出能力受限、同类设计可解或证实穷尽三类判定。测试显示，该引擎在 ODEBench 上判定了 60/62 个系统的可辨识状态，并在 Alien Universe 基准中将深度至少为 3 的发现成功率从 1/8 提升至 8/8，避免了对实验推进方向的盲目猜测。
arXiv cs.AIAI 评分4141 Harness Compilation：小型视觉语言模型应保留哪些决策？
Harness Compilation（HC）通过教师模型优化冻结的小型视觉语言模型（VLM）与外部 harness 间的分工，部署时无需更新权重或调用教师模型。
arXiv cs.AIAI 评分3535 AliO：长期时间序列预测中输出对齐的重要性研究
研究人员提出用于长期时间序列预测的新方法 AliO，通过在时域和频域减少相同时间戳的预测差异来提升输出对齐度。该研究还提出了新评估指标 TAM 以量化预测输出对齐情况。实验结果显示，AliO 在 TAM 指标上最高提升达 58.2%，同时将预测性能最高提升 27.5%，有效增强了预测模型的可靠性。
arXiv cs.AIAI 评分3434 准入与呈现：LLM 智能体持久记忆治理机制研究
研究提出无需重新训练的 FC 与 PS 两种推理期记忆准入治理机制，以解决 LLM 智能体持久记忆带来的阿谀与跨域泄漏问题。相比逐字注入，FC 与 PS 在包含 4 项任务、每项 300 样本的外部基准上使综合失败率分别降低 6.7 和 8.8 个百分点，跨域泄漏最多减少 29.5 个百分点。不过两种方案均增加了个性化失败率，在降低安全风险的同时仍未解决保留有益记忆的问题。
arXiv cs.AIAI 评分3030 社交疼痛破坏非自杀性自伤青少年的情绪-行动脑状态动态
研究结合脑电（EEG）微状态分析与可解释深度序列建模，发现社交疼痛会破坏非自杀性自伤（NSSI）抑郁青少年的情绪-行动脑状态耦合。该深度模型在社交疼痛条件下区分 NSSI 的准确率达到 68.55%，领先最佳基线 8.94 个百分点。分析显示伴 NSSI 青少年在情绪处理（MS3）与行动准备（MS5）状态间的双向转换显著减弱。
arXiv cs.AIAI 评分3333 GameCommBench：AI 游戏解说的统一评测基准与类型感知评估框架
研究者提出了 GameCommBench 评测基准与 TACE 评估框架，旨在统一棋盘游戏、体育和电竞等多模态场景下的 AI 游戏解说评估。TACE 通过类型感知结构化评测不同解说功能，并已通过人类一致性验证。评测代表性 AI 解说员的结果显示其能力分布不均，其中现场实时观察与策略分析是当前的核心瓶颈。
arXiv cs.AIAI 评分3434 推理强化学习轨迹生成：平衡参考引导与自由生成
研究提出自适应参考引导（ARG）方法，在固定生成预算下平衡参考前缀引导与自主生成，用于解决推理强化学习在 GRPO 全失败组中的轨迹构建难题。在 Qwen3-4B 与 Qwen3-8B 上的 5 个数学推理基准测试显示，ARG 在受评方法中取得最高的综合 pass@12，同时保持了有竞争力的平均采样准确率。
arXiv cs.AIAI 评分5252 研究提出 GenUI-Harness：通过数据感知生成式 UI 优化智能体主动交互
研究团队提出多智能体框架 GenUI-Harness，通过工具智能体与 GUI 编程智能体协同生成临时结构化界面，以替代认知负荷较高的纯文本交互。针对交互式 UI 强化学员的训练难题，研究引入了轻量沙盒 Dynamic UX 与监控奖励分布的元奖励机制 Reward Auditor，并发布了包含 10 个领域数据库的评测基准 UI-TAU Bench。
arXiv cs.AIAI 评分3939 超越模仿：LLM 辅助同行评审的框架与评测基准
研究者提出以错误检测为核心的 LLM 辅助同行评审基准与多层评审（MLR）框架，摆脱仅模仿人类评审的局限。该基准通过向会议论文合成注入错误来评估模型识别逻辑矛盾的能力，MLR 框架则在生成评审前优先深入理解论文并提升 token 效率。评测显示该方案高度对齐人类评审分数且错误检测表现优异，但同时证实系统仍存在易受对抗操纵的脆弱性。
arXiv cs.AIAI 评分5050 研究提出用于暴露未对齐行为与安全提取能力的两种模型蒸馏方法
研究人员提出通过模型蒸馏应对具备欺骗对齐倾向的高级模型，分别实现迫使模型暴露隐藏行为以及安全提取能力而不继承未对齐特性。DFI 方法将模型蒸馏至共享底盘的较弱检查点，使缺乏隐瞒能力的学生模型在受访时主动承认异常；DFC 方法则通过接种提示词与针对少量样本增加训练轮次，在保留能力提升的同时阻断未对齐偏好的传递。
arXiv cs.AIAI 评分4545 LLM Agent 常驻上下文筛选：带截断反馈的容量限制选品模型
研究将 LLM Agent 常驻上下文的筛选建模为容量限制选品问题，以解决盲目追加指令导致的 token 成本上升与性能退化。理论证明最优文件大小存在上限，单纯追加所有正收益指令在净价值上可能远劣于选取最优子集，且直接删除被智能体忽略的指令会误删有益规则。实验进一步证实，来自真实上下文文件的无关规则会降低大语言模型的依从性。
arXiv cs.AIAI 评分4343 叙事包装如何影响大语言模型拒绝机制：跨语言基准与防御方案
新研究发现叙事包装会大幅削弱大语言模型安全防御，Qwen3-1.7B 的攻击成功率在英文、现代中文及文言文中分别达 89.4%、93.0% 与 95.7%。团队为此构建了跨语言基准 GUISE，并提出结合偏好优化与表征对齐的防御方法 AXIS。实验表明，AXIS 在 Qwen3-1.7B、Qwen3-4B 和 GLM-4-9B 上均取得了最高的综合安全与可用性评分。
arXiv cs.AIAI 评分3535 学习以指数级更少空间进行规划搜索
研究提出利用语言模型在反例引导循环中学习索引策略，实现仅需多项式空间且无需维护已访问状态列表的规划搜索。在 IPC 2023 Learning Track 与 Autoscale Agile 的 1,890 项测试任务中，该方法成功解决 1,709 项，求解量超过 LAMA、BFWS 与 Levitron，且多数任务在 1 秒及 100 MiB 内完成。
arXiv cs.AIAI 评分5151 StoreBench 动态电商评测环境发布：用于评估与训练自主运营智能体
研究人员推出 StoreBench 动态电商模拟环境，用于评估和训练智能体在不确定性下的长程规划与经济决策能力。评测的 7 款前沿 LLM 中表现最好的 DeepSeek-V4-Pro 任务通过率仅为 49%，低于人类专家和启发式脚本基线的 97%。通过 GRPO 后训练微调后，Qwen3.5-27B 在测试任务上的平均综合得分从 0.136 提升至 0.373。
arXiv cs.AIAI 评分4242 察言观色：LLM 规范能力的基础、设计与挑战
一项新研究首次形式化并评估了 LLM 仅通过交互识别社区规则的“规范能力”，发现基线 LLM 智能体无法学会这些规范。测试显示规范遵循对规范风格和模型高度敏感且缺乏泛化性；当无关特异行为与真实规范并存时，智能体会不加区分地照搬噪音，即便受罚也依然模仿。研究表明当前 AI 擅长行为模仿，但缺乏识别社会强制秩序的能力。
arXiv cs.AIAI 评分3636 用于时程不变行为克隆的自监督关键帧发现
研究提出自监督方法 Keyframe Mnemonics，通过发现关键观测帧训练行为克隆（BC）策略，解决非马尔可夫长时程决策中的上下文保留问题。在合成记忆基准中，该策略达成 100% 成功率；在包含 23 项任务的机器人操作评测中，平均绝对成功率较最强基线提升 13.9%，并在真实机器人 20x 更长时程下保持 80% 成功率。
arXiv cs.AIAI 评分4545 时间预算下的 AI 智能体：如何兼顾守时与高效利用时间
研究人员针对千问 Qwen3.6-27B 和 Qwen3-4B 在 MLE-Bench Lite 与 Zork I 基准上的测试表明，仅在提示词中指定时间预算时，小规模 LLM 智能体无法有效控制时间。
arXiv cs.AIAI 评分2727 谁的真实标签？以人为中心的 AI 应接纳歧义
研究者在一篇被 NeurIPS 2026 Trustworthy AI for Good Workshop 接收的立场论文中呼吁，以人为中心的 AI 开发应转向对合理人类判断的“解释空间”进行建模。