跳到正文

#Agent

今日 3 条
10月22日周四
  1. arXiv cs.AI47

    越多越好？单智能体与多智能体 LLM 架构在金融审查任务中的对比

    一项研究对比了单智能体与多智能体 LLM 架构在金融信用评估备忘录审查任务中的表现。在 300 份合成备忘录与 4 个模型的测试中，3 智能体团队比单智能体多捕获 0.08 至 0.10 的缺陷，但虚警量在所有模型上均有增加，且消耗了 2.2 至 2.4 倍的 token。最终团队架构的平衡准确率变化不超过 0.02，且在 Claude 模型上对单智能体重复采样 3 次的效果优于团队架构。

  2. arXiv cs.AI29

    通过行为感知欺诈检测与网络安全保障 AI 智能体商业支付安全

    研究人员提出了自主商业智能体防护系统 ACAGS，结合监督机器学习、行为分析与可解释 AI 保障智能体支付安全。基于合成金融交易数据的评估显示，引入行为特征使 XGBoost 的平均 F1 分数提升至 67.49%，结合智能体特定特征后进一步达 69.46%。该系统对恶意委托和授权越权的检测率达 100%，对异常行为与冒用检测率分别达 99.77% 和 99.73%。

  3. arXiv cs.AI38

    AI 智能体的运行时控制：弥合工作流中的评估与执行落差

    研究者提出一种状态绑定的运行时保障层，旨在解决 AI 智能体工作流中因环境变化导致事前审批失效的“评估-执行落差”问题。该方案将执行许可绑定至审批依据，通过日志变更使失效许可作废并在分发时重新校验，同时给出了 8 种失效模式与参考架构。在 42 个脚本化案例重放中，该配置识别出 15 项失效审批，并在分发前拦截了 14 项受影响操作，补偿了 1 项已落地的影响。

  4. arXiv cs.AI49

    可恢复性与验证器强度：AI 智能体无人值守自我改进的两个量化前提

    研究提出了可恢复性与验证器强度两个量化指标，用于判断 AI 智能体能否安全进行无人值守的自我改进闭环。在 $\tau^2$-bench 等测试中，平台 LLM 评审在 37 种设置中有 9 种给出完全相同分数且未报错，且不良变更在部署期间会使 17% 任务的结果发生不可逆改变。平台据此允许提示词、工具与技能编辑无人值守运行，权重更新则仍须人工审批。

  5. arXiv cs.AI41

    Ask to Distill：面向同策略知识蒸馏的数据合成框架

    研究人员提出 Ask-to-Distill 框架，无需参考答案或正确性奖励，通过冻结的学生与教师模型计算分布代理奖励，学习合成用于同策略知识蒸馏（OPD）的高价值问题。该方法在数学推理、代码生成和智能体任务中提升了平均表现与教师差距恢复率，匹配或超越了真实题库的 OPD 效果，相关代码、数据和模型已公开。

  6. arXiv cs.AI50

    长周期终端智能体 Harness 自进化框架 RiseHarness

    研究人员提出 RiseHarness 框架，在模型权重固定的前提下迭代优化 Agent 交互支架，解决长周期终端智能体在多次运行中表现不稳定的可靠性问题。该框架聚焦在同配置下既有成功又有失败的任务，将成功轨迹作为参照并结合运行时监控来排查命令执行与上下文管理中的共性缺陷。候选改进方案经过行为检查和重复评估后进入下一轮迭代，多模型测试验证了其在未见基准上的迁移效果与成功率提升。

  7. arXiv cs.AI37

    KPHarness：面向长周期游戏线索框架的知识与探测协同演化框架

    研究人员提出了 KPHarness，通过知识与探测协同演化来适配冻结视觉-语言-动作模型的外部执行框架。该框架将快速策略执行与慢速研究循环解耦，基于沙盒对比评估生成框架修订，并将验证后的恢复策略跨任务复用。在涵盖挖矿、战斗和合成的 Minecraft 任务及未见任务测试中，其任务覆盖率与完成度均优于固定框架及仅靠知识演化的基线。

  8. arXiv cs.AI62

    LLM 智能体记忆过多引发错误复现，新研究提出 Anti-Persistence 机制

    研究指出 LLM 智能体若持久化存储抽象规则会导致错误不断循环复现，为此提出仅保留原始轨迹并在按需合成指引后即弃的 Anti-Persistence 架构。该机制通过自适应选择器根据过往结果决定是否重构指引，并在执行后销毁以阻断错误沉淀。跨基准与多款主干模型的评测显示，该方案取得了更高的测试成功率与最低的平均 LLM 调用成本。

    推荐理由：针对智能体记忆中错误抽象不断自我固化的弊端，提出用后即弃的按需重构架构，对设计自改进智能体有直接启发。

  11. arXiv cs.AI28

    用于法律合规评估的 LLM 智能体 ComplianceAgent：架构、记忆与在加拿大及魁北克语境下的评测

    研究人员提出了多智能体框架 COMPASS 的法律合规子智能体 ComplianceAgent，利用 LLM 根据固定量规对文本进行合规打分并基于参考法律语料库做出判断。当得分达到或低于临界阈值时，该智能体会触发自愈重写、合规标签、可解释性报告以及转交人工审核的纠错链。在包含加拿大联邦、魁北克省及三河市等 13 部法律文书和 15 篇标注文本的测试中，该智能体成功区分了所有合规与非合规文本。

  12. arXiv cs.AI41

    建模真实科研轨迹：科研构思图视角

    研究人员提出科研进展图（RPG），通过带时间索引和推理标注的认知转换连接不同研究状态，用于表征真实且完整的研究轨迹。对比 35 个基于 LLM 的科研 Agent 发现，现有 Agent 均无法完整记录改变的状态、证据及背后的推理链条。RPG 推动 Agent 从生成静态科研想法转向预测下一研究状态，并将构思过程作为完整轨迹进行评估和训练。

  13. arXiv cs.AI42

    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。

  14. arXiv cs.AI36

    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。

  15. arXiv cs.AI34

    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。

  16. arXiv cs.AI41

    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。

  18. arXiv cs.AI41

    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。

  19. arXiv cs.AI42

    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。

  20. arXiv cs.AI37

    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。

  21. arXiv cs.AI56

    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。

  23. arXiv cs.AI34

    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。

  24. arXiv cs.AI35

    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。

  25. arXiv cs.AI59

    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。

  27. arXiv cs.AI38

    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。

  28. arXiv cs.AI31

    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。

  32. Microsoft Research82

    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。

10月21日周三
  7. NVIDIA Blog62

    Google Cloud 与 NVIDIA 宣布 Vera Rubin 云基础设施 A5X 实例下月全面可用

    Google Cloud 与 NVIDIA 宣布基于 NVIDIA Vera Rubin 架构的 A5X 实例将于下月正式全面可用，面向大规模强化学习和智能体推理负载，并计划拓展至欧洲。

    推荐理由：原文给出了 Rubin NVL72 机架在云端的软硬件集成与多站点部署规划，有助于读者了解前沿强化学习所需的工程算力演进。

  8. NVIDIA Blog73

    NVIDIA 扩展本地 AI 硬件与软件生态：发布 DGX Spark 64GB 并推出多款本地模型支持

    NVIDIA 在 GTC Berlin 集中展示本地 AI 硬件全线进展，涵盖面向 PC 智能体的 RTX Spark、面向开发者的 DGX Spark 以及面向企业的 DGX Station。

    推荐理由：原文公布了面向个人与企业的多档本地算力方案与适配模型，有助于开发者评估将智能体完整下沉至本地运行的技术可行性。