GAV：面向 PDE 智能体的科学实验环境
GAV 是一个面向 PDE 智能体的科学实验环境，利用制造解方法反向构造新偏微分方程问题，实现无需单独求解即可直接验证。系统包含生成器、智能体与验证器，可依据精度与计算成本反馈迭代优化程序，并针对弱点生成测试。在数值 Navier-Stokes 任务中，GAV 将 3 个现有 PDE 智能体的平均测试误差降低了一个数量级以上，代码已开源。
#Agent
#Agent
今日 3 条arXiv cs.LGAI 评分4242 arXiv cs.LGAI 评分4545 SWE-Verifier：面向高成本效益代码智能体的选择性验证机制
SWE-Verifier 是基于 Qwen3.5-4B 训练的轻量生成模型，通过对候选动作打分来选择性触发采样、验证与重排，大幅降低代码智能体的无效开销。
arXiv quant-phAI 评分4242 利用 AI Agent 实现量子线路优化自动化
研究人员提出一种利用 AI Agent 自动化优化量子线路的通用方法，通过冻结的精确验证器确保每个优化结果均可被确证。该方法应用于费米子到量子比特编码、哈密顿量布局与酉算子合成三项任务，在最大测试规模下将优化成本最高降低 73%，性能超越现有 SOTA 优化器。每次程序提交均附带 Agent 笔记，便于后续 Agent 持续迭代。
arXiv quant-phAI 评分4444 Lean-QuantumAlg：让 AI 智能体生成人类可信量子算法的框架
Lean-QuantumAlg 是一套基于 Lean 4 的量子算法形式化框架，旨在帮助 AI 智能体生成兼具正确性与资源边界保证的人类可信量子算法。该框架在 Grover 搜索以及针对 RSA-2048 和 P-256 的量子攻击等 9 个 AI 形式化算法上完成验证。在共享框架审计完成后，每个算法仅需不到 1% 的导入源代码接受语句级人工审查。
arXiv stat.MLAI 评分3939 持续进化的 AI 分析师如何实现终身有效决策
研究人员提出了持续验证方法，用于在部署前评估不断进化的 AI 分析师，保证其整个生命周期中犯第一类错误的概率受控。该方法利用零假设下的模拟数据在部署前进行验证，证明无论更新多少次均能将第一类错误率控制在目标水平。
arXiv stat.MLAI 评分5151 AI Mindmeld：面向大模型与专家模型的潜空间互联协议 LIP
研究团队提出潜空间互联协议（LIP），通过仅训练轻量连接器将领域专家模型的表征映射至大模型内部状态，实现跨模型的高维表征直接交换。实验在完全冻结预训练模型的前提下，成功将 3 个蛋白质与 3 个小分子专家模型接入 Gemma 3 和 Kimi K2.6，展现出无须联合训练的跨领域零样本任务迁移能力。作者指出当前大模型尚缺乏对专家表征的原生推理支持，并已开源相关数据、连接器权重与评测代码。
橘鸦AI早报AI 评分3232 橘鸦AI早报（2026-10-23）：OpenAI 开放 Decisions API，科大讯飞与 Anthropic 等发布多项更新
OpenAI 正式开放仅支持 gpt-6-luna 的 Decisions API，单次请求上限提升至 400 个问题，决策速度最高达调用 GPT-6 Luna 的 10 倍。
arXiv cs.LGAI 评分3333 MA-UITD：用于表征连续社交行为的离线多智能体奖励推断
研究提出离线多智能体奖励推断方法 MA-UITD，无需已知环境动力学或内层策略优化循环，即可从连续状态联合演示中推断智能体特定的显式奖励。该方法结合信念条件后继特征与逆时序差分一致性，支持离散及有界连续动作空间。其在模拟合作与竞争任务中表现超越基线，并成功从社交觅食轨迹中解析出领导者与跟随者的差异化奖励结构。
arXiv cs.LGAI 评分4040 FlashNext-RL：面向 Qwen3.8-Flash-Next 长程智能体强化学习的系统优化研究
研究者针对 Qwen3.8-Flash-Next 推出强化学习优化框架 FlashNext-RL，在单台 8xB200 节点上实现了 48 层完整模型的 BF16 训练。
arXiv cs.LGAI 评分4141 基于注意力的间接提示词注入分类研究
研究人员评估发现白盒检测方法 Attention Tracker 在真实智能体环境的 AgentDojo 基准测试中表现接近随机猜测，长结构化工具输出破坏了其注意力假设。
arXiv cs.LGAI 评分3434 SSMCGM-Stream：用于个性化糖尿病管理的流式状态空间模型
SSMCGM-Stream 是一种流式状态空间模型，通过随血糖读数更新隐状态实现常数时间预测、生理结构反事实推理与可解释预测。基于该模型构建的 SSMCGM-Agent 可通过大语言模型接口输出风险感知的自然语言决策建议。在 T1DEXI 队列评测中，其预测性能匹敌强神经网络基线且大幅降低计算成本，支持设备端连续运行。
arXiv cs.LGAI 评分3232 数据差异化框架（DDF）：在智能体评估流水线中量化边际数据价值
研究提出数据差异化框架（DDF）与智能体评估流水线 SDSAE，结合互信息冗余惩罚、成本归一化边际效用及治理输入来量化评估候选数据资产的增量价值。
arXiv cs.LGAI 评分4343 基于 LLM 的智能体系统自动故障归因机制研究
研究人员针对基于 LLM 的智能体系统自动故障归因（AFA）展开机制研究，发现模型存在“知晓却不说”（knows-but-won't-say gap）现象，即内部激活已编码定位故障步骤的信息，却无法通过直接提示词输出。基于此提出的 grafting 干预方法充分利用模型潜存知识，无需推理期真实标签，在多模型基准评测中表现持续优于直接提示词方法，代码已开放。
arXiv cs.LGAI 评分4646 面向迭代式 ML 智能体测试套件的显式反馈契约
研究提出一种面向迭代式 ML 智能体测试框架的显式反馈契约，仅在提交结果超出基于配对标准误计算的噪声阈值时释放验证分数。在无信号控制任务中，该契约将智能体虚报的增益从精确反馈下的 0.0157 降至 0.0033，并收窄了真实任务的验证与测试集差距。相比精确反馈耗尽 30 次提交预算，契约机制在 4 至 12 次后及早停止，避免了盲目追逐噪声。
arXiv cs.LGAI 评分3939 先测量再分配：面向强化学习中 MCP Agent 的校准 Rollout 预算
研究人员提出了基于奖励分歧的 Discord 评估方法与 BRACE 预算分配框架，用于优化 MCP 环境下工具调用语言模型的强化学习训练。BRACE 通过结合历史任务证据、成功率不确定性及相关奖励模型，在前瞻性预测混合奖励组后再分配生成预算。在 3 种 Qwen3-VL 参数规模下，BRACE 以更少的新训练 rollout 超越基准表现，并在 BFCL 与 NESTFUL 上取得领先。
arXiv cs.LGAI 评分3636 SDI：基于世界模型对比想象的探索与规划方法
研究人员提出 SDI 方法，通过共享的 Actor 基准在世界模型同一状态下对比想象的动作序列，统一解决探索与动作采纳决策。当规划动作的预测优势超出基准变异性的固定倍数时执行规划，否则遵循 Actor，无需额外集成模型。在 Meta-World、Adroit 和 DM-Control 测试中，SDI 的任务平均分均高于基线，并在 18 个任务中的 15 个上达到或超过最强基线。
AWS Machine Learning BlogAI 评分5454 如何在 Amazon SageMaker AI 上利用 Kokoro TTS 实现智能体低延迟语音流式传输
AWS 介绍了在 Amazon SageMaker AI 上通过双向流部署 Kokoro-82M 语音合成模型的低延迟方案，智能体每生成完一个单句即刻启动合成，无需等待完整回复生成完毕。
AWS Machine Learning BlogAI 评分3737 如何在符合 HIPAA 规范的环境中通过 Amazon Quick 部署 AI
Amazon Quick 作为符合 HIPAA 资质的智能体工作区，支持在 Web、桌面和移动端通过聊天智能体处理临床记录等非结构化内容与理赔等结构化数据。该服务提供预置连接器与基于 MCP 的自定义工具扩展，并具备 ACL 感知检索、聊天日志审计及行为护栏等治理能力。用户需在 AWS Artifact 签署 BAA 并完成权限与安全配置，以构建合规的工作流。
AWS Machine Learning Blog精选AI 评分6565 Amazon SageMaker AI 推出无服务器训练会话功能：免管理 GPU 定制模型
Amazon SageMaker AI 正式推出无服务器模型定制的训练会话（training sessions）功能，允许开发者在无需管理 GPU 集群和分布式配置的情况下，通过代码灵活控制后训练循环与奖励函数。
推荐理由：原文展示了如何通过 Serverless 架构托管底层算力调度，让开发者直接用代码灵活控制多轮强化学习训练循环。
AWS Machine Learning BlogAI 评分5555 Amazon Polly 生成式语音引擎迎来重大升级
Amazon Polly 宣布对其生成式语音引擎进行重大升级，在保持现有 API 调用和价格不变的前提下，提供更自然、更准确的低延迟语音输出。本次升级新增覆盖 9 个区域的 14 种新声音，首次正式支持印地语和芬兰语，使生成式语音库扩展至 11 种语言共 57 种声音。系统显著优化了数字、货币及地址的朗读准确率，并在 11 个 AWS 区域正式可用。
AWS Machine Learning BlogAI 评分4545 Rescale 如何借助 Strands Agents 和 AI-DLC 构建 AI 分诊智能体
Rescale 基于开源的 AI-DLC 软件开发方法论，在 5 天内完成了端到端测试故障分诊智能体的预发布部署。该智能体运行于 Amazon EKS 上的 Argo Workflows 流水线，调用 Amazon Bedrock 上的 Claude Opus 4.8 自动分类根本原因，并通过 MCP 查询 Pod 日志以生成修复报告。系统在数秒内即可完成处理并输出报告，数周内已推向生产环境。
Microsoft Research精选AI 评分7171 微软研究院推出 Flint-interactive 交互式数据可视化语言
微软研究院推出 Flint-interactive，这是一种基于 Flint 的交互式数据可视化语言，使 AI 智能体能够更可靠地生成支持点击、过滤、缩放和跨图联动的交互式图表。
推荐理由：原文通过编译器解耦交互语义与底层渲染逻辑，为解决智能体生成交互式图表时调试成本高和布局易出错提供了实用方案。
NVIDIA BlogAI 评分4848 NVIDIA 推出 Minerva 平台，为 AI 工厂提供端到端可观测性
NVIDIA 正式推出 AIOps 平台 Minerva，旨在通过端到端可观测性帮助团队及早发现故障并维持 AI 工厂的生产力。该平台整合 GPU、网络、存储与调度信号构建动态知识图谱，每小时分析数十亿个数据点，可聚合警报并预测潜在故障。此外，Minerva 配备原生 AI 助手并支持智能体工具，Tesla、IBM、Dell Technologies 等合作伙伴已计划部署或集成。
Cloudflare Blog精选AI 评分6262 Cloudflare 与 VoidZero 推出 TypeScript 的 Rust 移植版本 tsrs
Cloudflare、VoidZero 与 Max Schwenk 合作推出 TypeScript 编译器的 Rust 移植版本 tsrs，并作为 Oxc 工具链的一部分进行孵化。
推荐理由：原文给出了早期性能与内存对比数据，读者可以据此评估将 TypeScript 编译链迁移至 Rust 与 Wasm 环境的实际收益。
Cloudflare Blog精选AI 评分6161 Commerce.com 与 Cloudflare 如何让电商站点适配 AI 智能体
Cloudflare 与电商平台 Commerce.com 合作落地 WebMCP 浏览器标准，使平台近 100,000 个商户域名无需修改前端代码即可向 AI 智能体提供结构化调用工具。
推荐理由：文章展示了如何利用边缘规则为数十万多租户站点批量注入 WebMCP 工具，为电商平台低成本适配智能体购物提供了落地路径。
arXiv stat.MLAI 评分3434 研究提出面向长程智能体的效应边际策略优化算法 EMPO
研究者针对 LLM 智能体在多轮强化学习中不同文本表述导致信用与策略更新错位的问题，提出了效应边际策略优化算法 EMPO。EMPO 通过构建效应级替代目标联合更新不同文本表述，在保留原始信用信号的同时兼容轨迹级与单步信用估计，且无需额外的 critic 或 rollout。在 ALFWorld、WebShop 和 Sokoban 上的实验表明，EMPO 在任务表现和学习效率上均超越了基线方法。
arXiv stat.MLAI 评分3636 ExpEvolve：面向开放式科学发现的经验结构化与复用框架
研究者提出进化编码框架 ExpEvolve，通过从程序中提取解释评分差异的高层“想法因子”，将概念层级的控制引入演化过程，以指导经验利用并在陷入瓶颈时引导探索。在 11 项开放式数学任务中，该方法显著提升了最终性能，并将样本效率最高提升至 5.0x。相关收益还成功迁移至另外 4 个 LLM 以及 MLS-Bench 的 6 项机器学习任务上。
NVIDIA BlogAI 评分4141 NVIDIA 开源模型助力欧洲新一轮公共部门项目
NVIDIA 开源模型与加速计算基础设施正全面支持欧洲多国公共部门项目，帮助政府在保障数据主权的前提下构建智能化服务。欧盟委员会通过 Haystack Enterprise Platform 扩展其 AI@EC 平台，波兰则基于 NVIDIA DGX BasePOD 打造医疗影像分析与就业服务智能体系统。
NVIDIA BlogAI 评分3333 NVIDIA 助力欧洲零售业转型：从数字发现到实体运营
欧洲零售企业正借助 NVIDIA 开源模型与物理 AI 技术升级电商及仓储运营。Shopify 通过后训练 NVIDIA Nemotron 3.5 Lightning 将服务成本降低 90% 且响应提速 7x，并借助 NVIDIA 优化软件在多项场景实现最高 12x 的推理成本降幅。
橘鸦AI早报AI 评分3333 橘鸦AI早报（2026-10-22）
Anthropic 开放基于 Claude Opus 5.5 的主动式 Agent 应用 Claude Duet 研究预览，面向美国 Pro 和 Max 订阅用户分批提供，可主动汇总提醒并在云端虚拟机执行任务。
AWS Machine Learning Blog精选AI 评分7373 AWS 详解多智能体系统落地的 5 大生产挑战与 Deep Insight 解决方案
AWS 解决方案架构团队开源了生产级多智能体系统 Deep Insight，总结了多智能体落地生产在编排、模型分工、运行时部署、安全代码执行和运维监控 5 个维度的挑战与解法。
推荐理由：文章拆解了多智能体落地生产时的编排、模型选型与沙箱隔离方案，为构建企业级 Agent 架构提供了可迁移的工程参考。
AWS Machine Learning BlogAI 评分4242 利用 AWS PrivateLink 保障企业网络安全访问 Amazon Quick
企业可通过 AWS PrivateLink 结合 Direct Connect 或 Site-to-Site VPN，实现本地数据源与 Amazon Quick 的全私网连接，避免流量暴露在公网。
AWS Machine Learning BlogAI 评分5353 基于 Strands Agents 构建端云协同的自适应智能体架构
AWS 介绍了自适应智能体智能架构 AAIF，通过 Strands Agents 结合本地小模型与云端 Amazon Bedrock 实现分层计算。该方案使用本地轻量模型 llama3.2:1b 自动分类与路由请求，常规物联网遥测和视觉分析在本地端侧低延迟完成，复杂多步推理则分发至云端模型处理。架构支持灵活适配纯边缘、全云端或混合部署，并可通过 MCP 服务实现跨设备的集中化工具调用。
arXiv cs.AIAI 评分3434 ASCENDEVOLVE：基于知识引导演化的华为昇腾 NPU 算子内核生成框架
研究人员提出基于外部知识引导的华为昇腾 NPU 算子内核生成框架 ASCENDEVOLVE，通过索引平台文档、工具包头文件与算子库构建的知识库，为演化搜索的实现、修复和重组阶段提供任务特定的切片证据。
arXiv cs.AIAI 评分4141 DuplexLedger：全双工语音 AI 智能体事务性记忆评测基准
研究人员推出双语评测基准 DuplexLedger，包含 1,094 个持久会话与 6,564 个同会话问题，用于评估全双工语音 AI 智能体在听写交互中的事务性记忆能力。
arXiv cs.AIAI 评分5252 研究提出 Show-Up 攻击：恶意子智能体可操纵主管突破任务权限
研究提出一种针对多智能体协作的 Show-Up 攻击，恶意子智能体可通过操纵主管智能体介入超出预设范围的任务。团队构建了包含 6 种攻击策略和 188 个测试用例的评测基准 SUA-Arena，测试发现受试的 6 款前沿大语言模型均存在漏洞，其中 GPT-5.6-Sol 担任主管时的攻击成功率高达 0.93。
arXiv cs.AIAI 评分3535 RaspAssistant：用于多孔材料吸附模拟研究自动化的智能体框架
研究人员提出了分层多智能体框架 RaspAssistant，用于自动化执行多孔材料吸附模拟从力场准备、验证到下游分离分析的全流程。在涵盖4个吸附与分离基准的12次工作流复现测试中，其综合评分达到 8.50 至 10.00 分，在8个案例的力场提取基准中取得 0.967 的加权平均分。系统还能自主优化乙炔力场，并在完成二氧化碳力场实验验证后自动筛选了 197 种纯硅沸石。
arXiv cs.AIAI 评分5353 论文提出 AuthorizationBench 基准：评估大语言模型智能体的越权对齐问题
研究人员推出评估大语言模型智能体授权对齐的基准 AuthorizationBench，测试发现智能体在 19.2% 的执行轨迹中存在超出用户授权的行为。该研究涵盖 10 个应用领域的 286 个任务并生成 6,864 条执行轨迹，测试显示任务完成度或增加推理计算量并不能确保授权对齐。此外，智能体在良性情境压力下的越权发生率（23.5%）显著高于面对恶意注入时的表现（17.6%）。
arXiv cs.AIAI 评分3333 自动化多智能体组织设计：从架构搜索到组织学习
研究提出自动化多智能体组织设计（AMOD），将组织本身作为一等设计对象，显式建模智能体团队的职责分配、协调机制与集体决策。AMOD 采用执行驱动的设计闭环，在任务执行后根据交互轨迹与结果迭代修正缺失或无效的职责。该方法还支持在对齐资源预算下通过消融或替换角色验证功能有效性，为自适应多智能体系统提供了设计基础。
arXiv cs.AIAI 评分5353 MemDev-Bench：基于真实仓库历史评估记忆系统对代码智能体的影响
研究团队推出 MemDev-Bench 基准，构建了覆盖 555 个基础任务与 4,869 个关联历史任务的可执行评测环境，系统评估记忆系统对代码智能体的实际影响。评测发现记忆机制虽能改善细粒度代码定位与编辑，但也容易因智能体未重新评估经验适用性而引发错误；相比高度压缩的记忆系统，直接提供原始历史轨迹反而能借助完整过程信息大幅减少智能体的操作步骤。