针对机器学习会议的作者在环智能体可复现性审查研究
研究人员提出了一种作者在环的协作审查框架，将作者声明作为 AI 智能体调查与评估的明确输入，结合结构化检查清单与 GitHub 两阶段工作流，连接智能体复验、作者澄清修改与人类评审审核。该系统已在某会议的 36 篇论文及 133 个实验图表中完成部署，经人类审核后提出 20 个 issue，并在后续检查中支持关闭了全部 issue。
#Agent
#Agent
今日 3 条arXiv cs.AIAI 评分3838 arXiv cs.AIAI 评分3434 从自然语言意图到可执行控制：面向多组件信息物理系统的分层反馈引导 LLM 规划
研究者提出了一个分层反馈框架，利用不同类型的反馈信息引导 LLM 为多组件信息物理系统（CPS）生成可执行计划。该方案让 LLM 同时生成结构化任务计划与信号时序逻辑（STL）约束并修正矛盾，在执行控制合成失败时提取违规约束等诊断信息以引导重新规划。在 7 个异构多组件 CPS 场景的实验中，结合 GPT-5 的规划与可行控制执行成功率达到 87.9%。
arXiv cs.AIAI 评分4343 PRIME：实现大语言模型智能体中可验证且基于证据的推理
研究人员提出了 PRIME 框架，用于规范大语言模型智能体在审核记录时的推理过程。PRIME 在检查前预设证据路径，并通过独立程序记录检查结果，直接拒绝缺乏依据的结论，同时引导智能体或自行执行检查以得出更强的结论。在 480 项公开记录任务测试中，基线智能体在 26.7% 的任务中给出了无根据结论，而 PRIME 为零，并将合理结论的平均得分从 30.1 分提升至满分 59.2 分。
arXiv cs.AIAI 评分2626 基于智能体的农业生态模型决策规则敏感性分析
研究团队针对高分辨率农业生态建模平台 MAELIA，提出了一种基于随机森林监督的 HSIC-ANOVA 敏感性分析方法。该方法将决策规则编码为包含类别与数值变量的分层设计空间，能够原生在树结构上对主效应和交互作用进行排序。应用于氮淋溶、土壤有机碳变化和产量预测等模拟时，该方法可提供具备可解释性的决策分析。
arXiv cs.AIAI 评分4040 ECHOES：结合递归历史压缩与特权策略内蒸馏的长程 GUI 智能体框架
研究团队提出长程 GUI 智能体框架 ECHOES，采用 CTA（压缩-思考-行动）格式递归更新文本历史状态，并通过特权多图教师模型进行 token 级策略内蒸馏。配套的 PMF Gap 引导强化学习动态平衡蒸馏与任务奖励，同时构建了诊断基准 ECHOESBMK。部署时不保留历史截图即可在 4 个 GUI 基准上实现高表现与低推理成本，且支持零样本规划迁移。
arXiv cs.AIAI 评分5050 研究提出 SAI 协议：通过类型化 MCP 覆盖实现对 LLM 智能体的持久人类控制
研究团队提出 SAI（结构化权威注入）协议，通过类型化且经过 Schema 校验的 MCP 工具调用，解决 LLM 智能体在长周期规划中人类干预指令语义模糊与效力衰减的问题。
arXiv quant-phAI 评分3333 利用量子电路可验证结构通过 AI 智能体实现更高效编译
研究人员提出一种利用 AI 智能体优化量子电路编译的新范式，通过将瓶颈子程序约束为经典可验证结构，并结合模糊测试等方式实现近似电路合成的高效认证。该方法适用于惯性约束核聚变中的库仑算符模拟瓶颈 $1/\sqrt{x}$ 计算、Reed-Solomon 码解码，以及二次量子化化学模拟中的量子查找表与受控 Givens 旋转。
arXiv cs.LGAI 评分3535 Heuresis 基准：评测并增强智能体因果发现能力
研究人员推出匿名模拟数据集基准 Heuresis，用于评测 LLM 智能体在因果发现中纠正算法错误并深入挖掘数据的能力。在测试中，GPT-6.1 Sol 在全部六个数据集族上均超越了最佳可选算法，在难度最高的数据集上邻接 F1 分数提升 14%，Claude Opus 5.5 提升 7.4%。相关代码和数据将公开发布。
arXiv cs.LGAI 评分3535 AlphaBet：用于 LLM 事件预测智能体的强化学习框架
研究人员提出智能体强化学习框架 AlphaBet，训练单一 LLM 策略在事件解决前的多个日期自主搜索证据、推理并报告概率。基于 GLM-4.5-Air 测试，AlphaBet 将 Forecast-Dojo 的 Brier score 从 0.731 降至 0.626，FutureX 则从 0.612 降至 0.528。
arXiv cs.LGAI 评分4545 WebMix：利用混合超网络实现 Web AI 智能体跨界面组合适配
研究者提出 WebMix 混合超网络框架，通过组合预训练的低秩适配器（LoRA）让 Web AI 智能体适应未见过的网页界面，无需在目标界面上进行梯度更新。该方案通过侦察智能体探索目标界面生成手册，并由轻量路由预测混合系数完成组合。
arXiv cs.LGAI 评分3535 预测 On-Policy 自蒸馏中特权信息的有效性
研究在 3 个多轮智能体基准与 3 种不同规模和推理模式的学生模型上评估了 16 种特权信息（PI）配置，发现信息密集轨迹和更强生成源能带来更大增益，而思考模型获益相对不稳定。
arXiv cs.LGAI 评分4141 Lean4AgenticRL：通过可验证多级过程奖励提升智能体强化学习
研究人员提出 Lean4AgenticRL 框架，将多级过程奖励整合至 Lean4 形式化机制中，配合工作流阶段归一化的 GRPO 算法提升智能体强化学习效果。
arXiv cs.LGAI 评分3535 LLM 何时适合作为校准智能体？面向受限工程模拟器校准的物理标注提示法
研究表明将 LLM 作为工程模拟器校准智能体具有显著的前期语义优势，物理提示的首个提议在 25 次试验中有 23 次优化了初始设计，运行 5 次后的中位数校准误差比无物理信息的对照组低 21.9 倍。
橘鸦AI早报AI 评分3838 橘鸦AI早报：Anthropic 设立公益基金，OpenAI 现 3 个新模型 ID
Anthropic 宣布设立全资公益基金 Anthropic Public Benefit Fund，计划在股东批准后先投入公司 5% 的股份。同时，OpenAI API 短暂出现 aurora-red-alpha 等 3 个新模型 ID，消息称疑似正在 Arena 测试图像生成。此外，Hugging Face 联合创始人 Thomas Wolf 估算开源模型累计训练算力已近 10 亿美元。
橘鸦AI早报AI 评分3333 橘鸦 AI 早报：拟增列 23 项 AI 技术进出口管制目录，Kimi 推出 Ultra 会员
有关部门公开征求意见，拟将大模型、Agent、算力集群等 23 项 AI 技术增列入出口管制目录并实施出口前临时登记。OpenAI 推出 ChatGPT Slides 并优化 Codex 缓存以提升有效用量；Kimi 新增最高档 Ultra 会员，月费 1399 元并提供 28 倍 Agent 额度。
AWS Machine Learning Blog精选AI 评分6262 基于 Amazon Bedrock AgentCore 构建面向生产环境的 AI Agent 评估框架
AWS 团队基于 Amazon Bedrock AgentCore 提出了覆盖全生命周期的九阶段 AI Agent 评估框架，用于解决多智能体系统在企业生产环境中静默失效与指标幻觉等质量问题。
推荐理由：原文详细拆解了企业级多智能体从开发门禁到生产监控的九阶段质检落地路径，为复杂 Agent 系统的工程质量保障提供了可参考的架构范式。
OpenAI NewsAI 评分2929 Stack Overflow for Agents 借助 ChatGPT 插件实现注册量翻三倍
Stack Overflow for Agents 借助其 ChatGPT 插件将注册量提升至三倍，并推动 AI 智能体创建量实现最高 10 倍增长。该产品由两位工程师借助 Codex 在数周内开发上线。
Google Research精选AI 评分7070 Google 提出自主湿实验框架 VERID，推进 AI 智能体闭环生物设计
Google Research 推出 VERID 框架与闭环实验体系，使 AI 智能体能够依托实验室数字孪生在湿实验中执行自动化协议并迭代分子设计。VERID 通过实时 3D 状态追踪与快速虚拟干运行拦截物理冲突，并在 DNA 适体与从头蛋白质结合剂设计中实现自主闭环，将部分折叠计算加速 8 倍以上。整个工作流结合了模拟验证与人类监督，以保障生物实验的安全性和可复现性。
推荐理由：原文提出了连接计算智能体与湿实验机器人的数字孪生框架，展示了闭环实验如何修正生物分子设计的物理偏差。
AWS Machine Learning Blog精选AI 评分7171 Reflection AI 发布开源权重智能体编码模型 Beam 并提供 AWS 部署方案
Reflection AI 推出用于智能体编码的开源权重模型 Beam，具备 501B 总参数和 23B 激活参数，支持 100 万 token 上下文。该稀疏 MoE 模型权重在 Hugging Face 基于 Apache 2.0 协议开源，提供 BF16、FP8 和 NVFP4 版本。
推荐理由：原文给出了超大参数 MoE 编码模型的规格细节与分层部署路径，便于开发者评估大模型落地成本。
arXiv cs.AIAI 评分4040 FedSkillGit：基于版本控制的联邦技能演化框架
研究人员提出基于版本控制的联邦技能演化框架 FedSkillGit，通过提交补丁（commits）替代全量技能文档上传，以保护大语言模型智能体的私有数据。客户端提交经过双阶段隐私过滤的规则补丁与本地经验，服务端去重合并后生成候选技能，经客户端验证集评分提升后发布。在 3 个数据集与 3 个语言模型族上的实验显示，其性能超越 SOTA 基准最高达 22%。
arXiv cs.AIAI 评分3636 ARGUS：用于高可靠用户模拟的日程驱动框架
研究人员提出神经符号框架 ARGUS，通过符号操作维护动态日程栈来跟踪用户目标状态，将状态跟踪与自然语言生成严格解耦以保证交互合规。为降低部署成本，该方案采用评估器引导的 SFT 与带密集单步奖励的在线 RL 将模型蒸馏至更紧凑尺寸。在 $\tau^3$-Bench 与 MultiWOZ 上的评测验证了其优势，代码与数据即将开源。
arXiv cs.AIAI 评分3535 DocPilot：面向长视觉文档理解的交互式智能体编排与训练框架
研究人员提出长视觉文档理解智能体框架 DocPilot，通过页面级导航、细粒度证据定位、局部视觉检查与代码数值推理实现多模态理解。该框架采用课程智能体训练，可将复杂文档处理能力迁移至小型模型。评测显示其在前沿 VLM 上表现提升显著，4B 参数的 DocPilot-4B 性能可抗衡更大规模模型，相关代码已开源。
arXiv cs.AIAI 评分3030 基于想象的多智能体约束强化学习方法 CA-MAMBA
研究提出在多智能体世界模型中预测成本的方法 CA-MAMBA，将大部分受约束的策略更新转移至想象中进行。在 SMAC 中位数配置下，更强的无模型基线所需交互量是 CA-MAMBA 的 10 到 20 倍；在相同预算下，CA-MAMBA 在 MAMuJoCo 上取得的奖励达基线的 2.8 到 12 倍。测试显示该模型能将无视成本的学习者成本降低一半以上，并满足严格的连续控制限制。
arXiv cs.AIAI 评分3535 用于多智能体聚合的偏见控制与注入方法
研究人员提出一种用于大语言模型多智能体推理的测试期聚合框架，通过偏见控制与注入解决智能体分歧时的决策信任问题。该框架无需验证数据或模型强弱先验知识，通过风格归一化控制偏见以改善初始答案选择，并通过将聚合智能体的初始答案置于少数派来注入偏见以引出决策不稳定性作为可靠性信号。在 3 个数学推理基准和 4 种异构大语言模型组合上，该方法平均准确率和 token 效率均优于同类非预言机聚合方法。
arXiv cs.AIAI 评分4646 Mallea：通过编程智能体构建、操控与记忆世界的代码世界模型系统
研究者提出了 Mallea 系统，可通过文本构建、操控并记忆由代码世界模型驱动的世界。系统由编程智能体根据提示词联合规划物体结构、属性与可执行规则，支持用户操作实时干预或通过文本请求修改属性与扩展能力，并保持未受影响的状态不变。物体纹理记忆会保留并调整白盒定义物体的外观，配合生成式渲染器将当前结构与记忆外观融合生成后续观察。
arXiv cs.AIAI 评分4141 Diviner：Meta 推出面向大规模基础设施的智能体根因分析系统
Meta 运行了一款面向大规模基础设施根因分析（RCA）的智能体系统 Diviner，旨在解决通用语言模型智能体在排障时上下文过时、误读查询及缺乏依据等问题。该系统基于四阶段可靠性生命周期构建，涵盖 Encode（整合历史事件与技能图谱）、Execute（由自适应 Lead 与上下文隔离的 worker 协同排查）、Evaluate 及 Adapt（经重放与负责人审批后迭代运维知识）。
arXiv cs.AIAI 评分3636 医疗 LLM 智能体上报可靠性审计：工作流状态失败的扰动控制评测基准
研究人员构建了包含 400 个医疗工作流情境的基准测试，用于评估医疗 LLM 智能体在证据缺失或冲突时的上报可靠性。评测显示 5 种 1.7B 至 9.7B 开源权重配置在常规准确率达 0.97 的情况下，会遗漏 32% 至 97% 的必要上报。工作流感知控制器能将遗漏上报率降至 0.12 至 0.24，但在词汇压力测试中泛化能力仍受限。
arXiv cs.AIAI 评分4343 AutoOnboarder：自主引导 LLM Agent 的新系统
研究人员提出自主系统 AutoOnboarder，通过智能代码 Agent 监督并迭代调整基础模型、提示词及 harness 源码，解决 Agentic LLM 接入 harness 时的推理能力损失问题。
arXiv cs.AIAI 评分5757 多方聊天中谁能取消智能体的承诺：多模型承诺权限管理研究
最新研究针对多方协作场景评估了六个主流模型对智能体承诺取消权限的遵守情况，发现模型普遍存在未授权取消和越权执行的问题。测试显示较小模型常在承诺取消后仍强行执行，较大模型则极易轻信旁观者指令而撤销既定承诺。研究提出由智能体自行维护承诺账本并配合简要释放规则，成功阻断了绝大多数越权错误，将 gpt-6-luna 的严格准确率从 49% 提升至 83%，相关代码与评测数据均已开源。
arXiv cs.AIAI 评分3434 AgentEval：有状态 AI 智能体的证据有界评估系统
阿里研究人员提出 AgentEval 系统，通过在工具执行、状态与事件捕获及案例维护中绑定可执行的评估记录，实现对有状态 AI 智能体义务履行情况的证据有界评估。
arXiv cs.AIAI 评分4242 MemScope：通过局部代码修复演进 AI 智能体记忆架构
研究者提出 MemScope 框架，利用 Patch Agent 结合执行轨迹、运行时记忆状态和代码进行局部在位编辑，实现 AI 智能体记忆架构的定向演进。
arXiv cs.AIAI 评分3838 All-in-One Memory：面向记忆智能体的过程奖励强化学习框架
新提出的 All-in-One Memory（AiO-Mem）将记忆智能体的检索、写入与停止决策统一在共享证据状态与奖励空间中进行评估。该方案将异构历史编译为可溯源多视图事件，利用监督微调和轨迹级 DPO 训练过程奖励模型，并采用 PA-DAPO 算法优化记忆策略。在长上下文记忆基准测试中，AiO-Mem 的回答准确率持续超越静态记忆系统与强化学习记忆智能体。
arXiv cs.AIAI 评分4848 Kolab：长流程工作中人机协作评测基准
研究人员推出人机协作评测数据集 Kolab，包含来自 40 个职业的 50 位专业人士在长流程任务中与 AI 智能体协作的 115+ 小时屏幕录像及质量评估。该基准用于评测智能体预测专家对其产出的采纳情况，以及评估协作满意度和产出质量的能力。测试发现，前沿模型普遍高估协作效果且难以区分协作质量高低，更长的工作流上下文也未能稳定改善预测。
arXiv cs.AIAI 评分4141 部分可观测环境下 LLM 规划承诺研究
研究探讨了 LLM 规划智能体在部分可观测环境下，对长计划（激进）或仅基于已观测状态（保守）进行规划承诺的权衡表现。在 3 个 LLM 及 2 个领域的测试中，两种策略准确率相当：保守方法失败尝试更少但消耗更多 API 调用，激进方法调用更少却在先验不可靠时极易失败。团队进一步提出了支持超参数调节的混合策略，以平衡规划的安全性与效率。
arXiv cs.AIAI 评分3737 MemComposer：通过强化学习为 LLM 智能体组装记忆
研究人员提出 MemComposer，通过基于 GRPO 的 ExPO 框架利用任务成功反馈优化记忆组装策略，联合判断记忆候选的筛选、数量与排列顺序。在三个 $\tau^2$-bench 领域及两个冻结执行器测试中，该方法超越最强基线，并将平均记忆 token 消耗分别降低 16.9% 和 4.9%。该策略还能直接迁移至未见领域、执行器与记忆库。
arXiv cs.AIAI 评分5555 Probe-and-Resume：何时以及如何评估智能体执行
研究人员提出面向终端计算机使用环境的 Probe-and-Resume 评估机制，仅在智能体认为任务完成时调用评论家并允许其在分叉环境中执行探测操作，若未通过则恢复执行。实验显示传统 MCTS 的评论家在中间状态很难提供有效判断，而该机制在 Terminal-Bench 2.1 上比传统评论家 MCTS 成功率提升 8.4 个百分点，以不到一半的成本接近同底座 Codex CLI 的成功率。
arXiv cs.AIAI 评分5050 Sci$\Pi$vot：评测科学自动研究 AI 智能体关键时刻的 PI 级判断力
研究人员构建了评测科学判断力的基准 Sci$\Pi$vot，包含基于资深研究员在 6 个月内跨 6 个科学领域、26 个项目中干预纠偏所记录的 248 个案例。
arXiv cs.AIAI 评分4040 OmicsBench：面向研究级生物信息学的长流程多轮 AI 智能体评测基准
研究人员推出面向 AI 智能体的长流程多轮生物信息学评测基准 OmicsBench，包含 97 个任务、共 662 个基于有向无环图关联的子任务。在 3 个测试框架下对 12 个模型的评估显示，无上下文反馈时平均得分仅 0.43 至 0.57，最慢的智能体单任务平均耗时达 3.6 小时。配套的无监督失败模式发现流程还揭示了智能体自作主张应用统计过滤或凭记忆作答等缺陷。
arXiv cs.AI精选AI 评分7575 Athanor：用于自主后训练研究的智能体原生系统
研究团队推出 Athanor 系统，支持多智能体在真实 GPU 环境下自主完成大语言模型的后训练研究。在 104 小时的实验中，4 个 Claude Opus 5.5 智能体在未获指导的情况下，将 Qwen3-4B-Base 在保留测试集上的得分从 9.2 提升至 48.2，成绩比肩官方 Qwen3-4B-Instruct-2507。
推荐理由：该研究验证了多智能体自主协作开展端到端后训练的可行性，展示了算法调优与模型合并在全自动流程中的实际效果。
arXiv cs.AIAI 评分3434 学习何时撤回：微调语言智能体的课程覆盖度与规则级失效
研究人员在合成环境 NAQD-Env 中基于 Qwen2.5-3B-Instruct 进行了 LoRA 监督微调，以评估工具调用语言智能体在证据变更或权限撤销时的选择性撤回能力。