重试许可：AI 智能体工作流中的授权与恢复研究
该研究针对使用工具的 AI 智能体在执行期的可靠性，将恢复决策与语言模型行为解耦，评估了工作流中的授权与恢复机制。在 LangGraph 和 Temporal 主机上执行的 336 项历史测试中，保留账本对账策略在两平台上均通过全部 42 项测试。重试前重新验证、稳定键重试和缓存重试策略则分别通过 36、31 和 30 项测试。
#Agent
#Agent
今日 3 条arXiv cs.AIAI 评分4242 arXiv cs.AIAI 评分4242 TACS-RF：工具驱动的射频与毫米波模块智能体电路综合框架
研究团队提出 TACS-RF 框架，由基于 Claude Opus 4.8 的编程智能体直接驱动 Cadence 与 Ansys 等工业级 EDA 工具完成射频和毫米波模块设计。
arXiv cs.AIAI 评分5050 Self-Directed Repair：将 AI 智能体的错误转化为持久经验
研究人员提出 Self-Direction 机制，让 AI 智能体在失败后反思并将经验蒸馏至仅占基座约 0.02% 参数量的轻量低秩适配器，存入持久库按需自动路由。在基于 Qwen 模型的实验中，该机制在 GAIA、Claw-Eval 与 Terminal-Bench 2.1 上的成功率提升 8.9 至 17.0 个百分点，修正可靠性提升近一倍，且能直接泛化至数十个新任务。
arXiv cs.AIAI 评分4747 PaperFormalizer：基于 Lean 的作者在环论文自动形式化系统
PaperFormalizer 是一款基于 Lean 的智能体流水线，通过“作者在环”机制帮助研究者查找证明漏洞并将 LaTeX 论文转化为 Lean 验证版本。它将论文转录为命题依赖图并审计正确性与歧义，结合 Mathlib 推进形式化证明，并在关键修正时由作者把关决策。该工具可在 Claude Code 或 Codex 中运行，并输出关联 Lean 代码的修订论文与变更报告。
arXiv cs.AIAI 评分5151 研究提出 Phronix 面向智能体的能力中心学习范式
研究人员提出面向智能体的能力中心学习范式 Phronix，使智能体能够从自身运行过程中自主提取、验证并沉淀可复用的能力。该系统通过预测、验证与校正闭环结合 MCP 工具提炼能力库，使重复任务的首发解决率提升至 93% 到 95%，热启动任务消耗降低至 0.38 到 0.40 million tokens。
arXiv stat.MLAI 评分4444 NeuroMAS：基于联合强化学习将多智能体系统构建为神经网络架构
NeuroMAS 将多智能体系统建模为类似神经网络的可训练架构，以 LLM 智能体为节点、文本信号为边，通过强化学习自主协调与分工。该框架在层次化分解任务中更具参数效率，实验性能显著优于推理期和已训练的多智能体基线。研究还发现系统扩展具有路径依赖性，可通过小型系统渐进增长实现大型系统的有效训练。
橘鸦AI早报AI 评分3535 橘鸦 AI 早报 2026-10-26
橘鸦 AI 早报汇总多项行业动态：Kimi 就限流向 K3.1 Pro 订阅用户致歉并重置最多 25% 月度额度，BOSS 直聘开源支持 512K 上下文的 33B 模型 Nanbeige4.3-33B。此外，CapCut 插件计划于 11 月接入 ChatGPT 开放测试，Anthropic 则因 Claude 涉嫌侵犯 274 首猫王歌曲版权面临约 4100 万美元索赔。
arXiv cs.AIAI 评分3434 基于行为定位的工具使用智能体稳健软技能适应
研究提出面向工具使用智能体的行为定位（Behavioral Localization）方法，通过定位文本技能显著改变模型 token 分布的关键轨迹位置来监督短 soft prompt。
arXiv cs.AIAI 评分3434 GuideEvolve：结合专家指导与 3Ts 机制的自演化智能体框架
自演化智能体框架 GuideEvolve 结合专家评估指导与 3Ts 自主调节机制，通过快慢思考、时序回滚与自适应终止优化认知与演化稳定性。评测显示，该框架在 MGSM 和 MMLU 上的准确率分别达 89.8% 和 89.1%，结果方差降低 25-59%。此外，其演化成功率达 100%，优化迭代次数减少约 50%，显著提升了生产部署表现。
arXiv cs.AIAI 评分4040 ToM2Vec：面向多智能体协作的连续心智理论 Token
研究团队提出 ToM2Vec，通过固定预算的连续推理 token 在隐空间构建心智理论（ToM），以提升 LLM 智能体的多智能体协作能力。在 Overcooked-AI、Hanabi 等协作与对抗场景中，该方法显著优于基线，并成功泛化至训练未见过的闭源模型 GPT-5.4。该隐式 token 还能直接提升智能体对搭档信念、意图和下一步动作的判断能力。
arXiv cs.AIAI 评分4848 UserSWE：在与动态用户的多轮对话中评测代码智能体
UserSWE 评测基准正式提出，通过基于 20,859 次开发会话校准的动态用户与逐轮代码执行裁决，评测代码智能体在多轮交互中修复仓库级 Bug 的能力。在涵盖 42 个仓库的 72 项任务评测中，11 个智能体的表现随交互预算变化：Claude Fable 5.1 单轮解决最多任务，Claude Opus 5 在多数中间预算领先，GPT-6-Astra 则在第 8 轮胜出。
arXiv cs.AIAI 评分4747 真实 PMID 与错误论文：生物医学主张验证智能体的架构设计研究
针对生物医学主张验证智能体的对照研究表明，检索而非推理是主要瓶颈，闭卷模型引用的真实 PubMed ID 中仅 3/327 相关。自主编写 PubMed 查询的 ReAct 智能体将金标准召回率提升 3 倍并实现 62% 准确率，引用相关率达 67%。直接提供金标准摘要时准确率达 79-86%，证明仅验证引用存在并不安全；相关代码已开源。
arXiv cs.AIAI 评分3737 PreCoMem：面向自进化长程对话智能体的预测认知记忆
研究人员提出长程对话智能体记忆整合框架 PreCoMem，通过预测编码将记忆表示为置信度加权信念，并基于 Effective Surprisal 信号在 MAINTAIN、PROFILE 与 CORRECT 机制间调度更新。该框架在 LoCoMo、LongMemEval-S 和 PersonaMem-v2 上取得 SOTA 表现，在新基准 DiMoBench 上兼顾抗噪与信念漂移适应，代码已开源。
arXiv cs.AIAI 评分4343 事件而非像素：世界模型为何会估错回报
研究发现世界模型的回报估计错误主要源于关键事件转换而非像素渲染质量，仅修复获得奖励或回合结束的转换即可消除中位数 70% 的回报误差。在 Atari-100k 的 44 组测试中，事件补丁在 39 组中显著优于随机修补且中位数增益达 +44 个百分点，而按 MSE 等像素指标修补效果甚至不如随机对照。该结构不仅提升了规划排序，还能指导扩散模型定向修复失效。
arXiv cs.AIAI 评分4242 从提示词到后验：LLM 智能体能否在上下文中执行贝叶斯推理？
研究团队系统评测了 LLM 智能体的贝叶斯推理能力，发现模型在上下文更新信念时普遍违背贝叶斯法则。但当模型配备推理能力与代码执行功能后表现大幅提升，甚至能紧密逼近解析不可解的后验分布。该评测表明，结合合适工具的现有 LLM 已可支持科学发现中的复杂信念更新，从而提升 AI 科研效率。
arXiv cs.AIAI 评分4242 AgentMonopoly：LLM 智能体的行为模式与角色控制
研究团队开源了 AgentMonopoly 评测环境，评估来自 4 个模型家族共 8 种尺寸的 LLM 智能体在博弈中的策略与角色控制效果。测试显示各模型在交易频率、租金免除及资产管理上差异显著，且更大尺寸的模型并未表现出持续的胜率优势。角色提示词虽能改变智能体的用词与部分动作，但无法保证其所有决策均与角色设定保持一致。
arXiv cs.AIAI 评分3636 CrashGym：衡量反事实市场崩盘中 LLM 智能体实验的决策价值
研究团队推出限价订单簿模拟器 CrashGym，用于在反事实市场崩盘场景中衡量 LLM 智能体主动实验带来的决策价值。智能体需在去杠杆与流动性兜底干预之间做出抉择，系统通过模拟所有可行方案直接计算相对最优解的后悔值。在 24 个测试世界中，允许前置实验使 Luna 智能体的平均后悔值从 8.878 降至 3.785，降幅达 57.4%。
arXiv cs.AIAI 评分4040 基于陷阱预判世界模型 PAWM 引导黑盒 LLM 智能体
研究者提出陷阱预判世界模型（PAWM），能在出现潜在陷阱时选择性介入并预测即将发生的失败，从而引导黑盒 LLM 智能体规避错误。PAWM 采用合成陷阱数据进行 SFT 训练，随后通过与黑盒 LLM 协同的 GRPO 进一步优化。评测显示，PAWM 使 Claude Sonnet 4.5 在 ScienceWorld 和 WebArena-Lite 上的表现分别提升 24.3% 和 7.7%。
arXiv cs.AIAI 评分4040 低预算递归自我改进：在代码编辑运行前对其评分
针对自我改写支架的代码智能体，新方法提出在代码编辑实际运行前结合差异特征进行线性评分，以实现低预算的递归自我改进搜索。在留出的 HumanEval+ 测试中，GPT-4o 藉此取得 87.0% 的解决率，优于 Huxley-Gödel Machine 算法的 85.1% 及初始支架的 81.2%。采用 Claude Sonnet 4.5 时该得分达 86.6%，同样超越消融对照组的 85.3%。
arXiv cs.AIAI 评分3131 将继承性作为 LLM 提示词合并算子的准入测试
研究提出将继承性作为 LLM 提示词合并算子的准入测试，规定子代向供体移动的置信下限须达请求剂量的一半才予接纳。在 gemini-3.1-flash-lite 谈判测试中，tactic append 与 constrained rewrite 均获通过，而 free rewrite 因仅移动三分之一剂量被拒且未能超越第 0 代最优成员。
arXiv cs.AIAI 评分4040 GenXR-Bench：评测用于交互式 XR 开发的代码智能体
研究人员推出首个用于端到端评测 XR 软件开发代码智能体的基准 GenXR-Bench。该基准包含 112 个专家编写的任务，涵盖 24 项功能实现、21 个缺陷修复和 67 项应用生成任务，其测试套件在消费级 XR 硬件上的盲测专家判定中达到 96.5% 的准确率。在 10 个模型的评测中，最强配置的整体 Pass@1 仅为 50.9%，暴露了智能体在传感器生命周期与空间交互语义上的不足。
arXiv cs.AIAI 评分3434 用于头颈部质子放疗规划的证据驱动多智能体复合 AI 系统
研究人员提出一种用于头颈部质子放疗规划的多智能体复合 AI 系统，结合 PPO 强化学习自动方案生成与 LLM 对话式微调。规划智能体采用经 SFT 与 GRPO 后训练的 Qwen3-14B，与评估智能体及对话界面协同提供证据驱动的调整建议。在 21 例头颈癌患者测试中，该模型提升了指令遵循与推理表现，更有效地权衡并满足了多项临床指标。
arXiv cs.AIAI 评分4545 AgentPolicyForge：从可执行环境到策略基准与自适应防护
研究提出 AgentPolicyForge 框架，利用可执行环境构建策略基准并迭代训练 AI 智能体的策略防护器（guard）。该框架构建的 PolicyGym 数据集涵盖 10 个策略族，包含 698 个训练场景与 254 个独立的人工复核测试场景。在 PolicyGym 评测中，最终防护配置相比提示词约束将攻击成功率相对降低 40-44%，并减少了良性误拒。
arXiv cs.AIAI 评分4646 PerMIT：通过机器验证定理与社区信任保障 LLM Agent 持久记忆安全
研究团队提出 LLM Agent 内存架构 PerMIT，通过在 Lean 4 中经过机器验证的完整性定理，确保未受信环境数据仅在门控确认后才能触发敏感动作。在 Trojan Hippo 测试中，PerMIT 结合轻量验证器实现了 0 攻击成功率。
arXiv cs.AI精选AI 评分6161 论文揭示大语言模型智能体存在拒绝迁移失败现象
大语言模型在纯文本对话中拒绝的有害请求在工具调用场景下频繁失效，标准工具提示设置下有 10% 至 52% 曾被拒绝的有害请求仍会触发不安全的工具调用。研究团队构建了涵盖 4 个领域、2,304 个提示词的三元组基准并测试了 5 款模型，发现工具调用上下文中模型残差流的拒绝方向激活普遍下降。
推荐理由：原文通过对照基准和内部表征分析，揭示了大模型在文本对话中学会的拒绝机制无法有效迁移到工具调用行为。
arXiv cs.AIAI 评分3434 基于世界模型预测路径的自改进智能体
研究人员提出一种受模型预测路径积分（MPPI）启发的测试时框架，结合世界模型多分支预测与双分支经验记忆实现 LLM 智能体自改进。智能体在每步提出多个候选动作并由世界模型预测结果，通过评估任务进度与风险成本权重指导最终决策。在 ALFWorld 和 ScienceWorld 上跨 3 个基础模型的实验验证了该方法的有效性，相关代码将公开发布。
arXiv cs.AIAI 评分5757 论文提出 RegretBench 基准与 BackUpper：评估并自动化代码智能体的事前备份能力
研究团队提出了评估代码智能体备份意识的基准 RegretBench 与自动化备份层 BackUpper，用于解决智能体在修改环境状态时缺乏事前保存机制的问题。评测显示六款前沿模型平均任务完成率达 86.1%，但在产生破坏性修改前的备份率仅为 15.2%。
arXiv cs.AIAI 评分4444 D-Skill：通过智能体技能蒸馏教师模型知识
D-Skill 框架通过分析成对轨迹将黑盒教师模型的行为优势离线提炼为自然语言技能文档，供学生模型在推理阶段使用而无需更新权重。在 SpreadsheetBench-Verified、ALFWorld 与 chess puzzles 评测中，该方法弥合了 75%-95% 的师生差距，表现超越单轮 SFT 基线。同模型家族下，学生模型的单任务推理成本比教师模型降低 5.7x-8.3x。
arXiv cs.AI精选AI 评分6363 DiffResearch：利用扩散语言模型加速多智能体深度研究
研究团队提出开源多智能体深度研究框架 DiffResearch，将扩散语言模型作为各阶段核心以解决端到端延迟瓶颈。在 100 项 Deep Research Bench 任务中，扩散骨干网络带来约 6 倍的端到端提速，并在规划和写作阶段显著减少耗时。
推荐理由：该研究将扩散语言模型引入多智能体研究系统，通过非自回归生成缓解了长文规划与撰写的延迟瓶颈。
arXiv cs.AIAI 评分4646 扩散语言模型智能体间的隐蔽信息：潜空间通信的因果证据
扩散语言模型智能体可通过去噪状态压缩出的 4 个带符号稠密向量实现潜空间通信，实验证实接收方能有效理解并利用该隐藏信息。在受控任务中，错误信息替换使 Tiny-A2D 和 Dream-7B 分别损失 +63.6 与 +100.0 点优势，QASC 匹配通信准确率达 80.8%。时序测试显示单次后期传输准确率达 87.8%，比 4 次循环交互高出 +7.0 点，表明信息传输时机比交换频次更为关键。
arXiv cs.AIAI 评分4444 Fig：自动化多智能体行为诱导系统
AI 智能体系统 Fig 通过对博弈环境执行针对性干预，系统化诱导并评测多智能体的特定社交行为。该系统可将自然语言行为描述拆解并生成或调整博弈环境，结合机械检查与合成评分标准评测模型表现。在合作、欺骗、背叛等 6 种测试行为中，模型平均在 45.2% 的回合中尝试了目标行为，干预使尝试率较对照组平均提升 10.9%，代码已开源。
arXiv cs.AIAI 评分4343 SSR 框架：通过连续规模竞速实现智能体 Harness 演化
新研究提出连续规模竞速（SSR）框架，通过自适应搜索最优证据组合优化智能体 Harness 演化，解决了演化任务池扩展时的性能退化问题。在 3 个 benchmark 的 6 种配置下 SSR 均取得 SOTA；任务池从 40 增至 200 时，通过率从 64.3% 稳步提升至 68.3%，而基线性能全部下滑。此外，其竞速机制还在低算力预算下减少了 60% 的验证执行量。
arXiv cs.AI精选AI 评分6262 Agent4Sci：前沿智能体能否自动化解决科学机器学习难题
研究团队推出长周期测试基准 Agent4Sci，跨越 11 个领域的 20 个基准测试，评估前沿智能体提升科学机器学习最佳模型的能力。实验显示前沿智能体能在所有基准上取得进展，Claude Opus 达到 10.4% 的平均相对提升，但收益几乎完全来自机器学习工程技巧而非深层领域洞见，存在新颖性误判和过早陷入局部调优等限制。
推荐理由：论文通过 20 个科学机器学习基准揭示了前沿智能体主要依赖工程技巧而非科学洞见，并给出了通过插件技能翻倍性能的方法。
arXiv cs.AIAI 评分4141 SpecEvo：面向高性价比科学发现的大语言模型投机进化框架
研究人员提出 SpecEvo 多大语言模型框架，通过轻量模型并行生成候选程序并沉淀搜索经验，同时让前沿模型仅在停滞节点执行战略干预。在涵盖 4 个领域的 176 项科学与算法发现任务中，SpecEvo 达到或超越前沿模型基线，同时降低高达 80% 的 API 成本，并在 CO-Bench 上相比最强基准提升 3.8%。
arXiv cs.AIAI 评分4040 游戏中的扩展规律：面向多样虚拟世界具身智能体的持续预训练
针对虚拟世界具身智能体的持续预训练研究测试了 0.8B 至 27B 规模与 50 至 1,600 小时数据，涵盖 120 种训练配置。研究拟合了验证损失与数据量、多样性及模型规模的经验扩展定律，发现数据多样性有助于向相关虚拟世界迁移。所得模型在 3D 实时环境中媲美 Minecraft 专家模型，但面对差异较大的世界仍存在泛化差距。
AWS Machine Learning Blog精选AI 评分6363 Amazon SageMaker AI 多轮强化学习实战指南：智能体端到端训练与评估
AWS 推出在 Amazon SageMaker AI 上使用多轮强化学习（MTRL）训练智能体的端到端实战指南，解决多步任务难以通过监督微调或单轮强化学习进行信用分配的问题。
推荐理由：原文在 Wordle 任务上展示了如何用整局反馈训练多步智能体，并详细复盘了奖励塑形翻车和并发鉴权等工程踩坑。
AWS Machine Learning BlogAI 评分4949 Bayer Crop Science 如何基于 Amazon Bedrock AgentCore 构建智能体决策引擎
Bayer Crop Science 基于 Amazon Bedrock AgentCore 与 LangGraph 构建了多智能体决策引擎 ADE，首阶段在无需工程师介入的情况下可解决约 80% 的用户问题。
arXiv cs.LGAI 评分4545 Trace2World：基于真实交互轨迹重构应用世界以实现可扩展的 GUI Agent 训练
研究人员提出 Trace2World，通过将全局行为重构与代码实现解耦，从 1,570 条真实交互轨迹中重构出 50 个可执行的 GUI 应用环境。在跨 10 个应用的 200 个工作流中，该方法实现了 91.1% 的端到端复现率，并在真实设备上保留了 94.0% 的模拟训练增益。
arXiv cs.LGAI 评分3232 学习追踪移动目标的可解模型研究
研究者提出了一个用于开环目标追踪的连续时间线性二次可解模型，推导出了最优控制策略、策略学习动态与价值学习动态的闭式解。该模型通过少量可解释参数在反应式追踪与预测性追踪之间插值，并揭示学习时间尺度对应特定矩阵的特征值。特征值谱的间隙表明，智能体通常会先学会触碰目标，随后才优化其运动轨迹。
arXiv cs.LGAI 评分3333 用于手腕 PPG 心率估计选择性校正的工具与记忆智能体架构
研究人员提出一种具备工具与记忆的智能体架构，通过独立风险门控对手腕 PPG 心率估计进行选择性校正。该架构跨 PPG-DaLiA、GalaxyPPG 等 4 个公开数据集测试，使 10 个估计器的宏平均 MAE 最高降低 44.5%。团队还完成了智能手机端实时部署，原型记录的宏平均 MAE 从 9.09 bpm 降至 4.45 bpm。