突破证据连贯性陷阱：用于时间乱序虚假新闻检测的智能体驱动证据选择
研究人员提出用于检测时间乱序虚假新闻的自更新智能体 DelSA，并构建了包含 30,706 篇文章的基准 ChronoFake。DelSA 利用 LLM 表征候选证据，通过重排序器平衡局部相关性与时间线一致性，并在推理阶段比对文章与证据的时序以识别全局冲突。实验表明，DelSA 在 ChronoFake 上超越现有方法，并在 PolitiFact 和 GossipCop 上保持竞争力。
全部AI 动态
全部动态
今日 37 条arXiv cs.AIAI 评分3333 arXiv cs.AIAI 评分3535 PsyJev：通过 System-1 判断进行心理分析
研究团队推出心理分析模型 PsyJev，采用 System-1 机制直接输出指定答案的概率分布，并配套构建了包含 13 个数据集的评测基准 PsyJudgeBench。该模型通过联合监督微调结合 JA-RLCD 进行优化，基于 Qwen3.5 的 2B、4B 和 9B 版本分别取得 64.33、66.21 和 67.56 的平均测试 F1。
arXiv cs.AIAI 评分2929 ReliMorph：基于可靠性引导专家路由与速度门控的 3D 可变形配准框架
针对弱纹理与严重形变区域的匹配歧义，研究人员提出 3D 可变形配准对称框架 ReliMorph，首次基于对应关系可靠性联合进行空间专家路由与残差速度门控。该方法在由粗到细的精炼过程中利用局部匹配可靠性线索与逆一致性反馈指导变形更新，并在单模态与多模态配准任务的解剖重叠度上持续优于对比方法。
arXiv cs.AIAI 评分4949 客观视角：以群体为中心的智能体进化（PCE）
研究提出以群体为中心的智能体进化方法 PCE，提炼群体任务记录与修改历史来指导智能体自我改进。在相同设置下，PCE 在 SWE-bench Verified 和 Polyglot 上分别取得 72.1% 与 96.7% 的成功率，较强基线提升 3.2 和 5.9 个百分点。该方法将 SWE-bench 上群体覆盖度与最佳单体表现的差距缩减三分之一，并在 Polyglot 上完全抹平差距。
arXiv cs.AIAI 评分3535 多智能体系统不仅要记住：DiscernMem 如何提炼记忆与学习使用时机
研究人员提出免训练框架 DiscernMem，通过 DMR 修复记忆规则缺陷并由 BLM 学习调用边界，优化大语言模型多智能体系统的记忆质量与使用。基于 Qwen3-4B-Instruct-2507 在 AutoGen、CAMEL 和 MacNet 上的实验表明，其平均分超越最强基线 0.51-4.32 分，且 CAMEL 平台的 PDDL 得分达 37.71（基线为 28.48）。
arXiv cs.AIAI 评分5656 arXiv 论文揭示 AI 生成网页内容急剧增长但分布不均
一项基于超 500 万可抓取网页样本的最新研究发现，AI 生成文本在公开网络中急剧增加但呈现显著的不均衡分布。分析显示英语页面和 .com 域名的 AI 文本比例显著高于非英语页面及 .gov、.edu 域名；从网络拓扑看，网络结构边缘页面的 AI 文本增长最快且占比最高，核心层网页占比最低。该研究采用贝叶斯分层模型结合多种 AI 检测工具，校正了工具误报和漏报的影响。
arXiv cs.AIAI 评分3030 基于事件相机的航天器姿态估计：极性-时间交互与多级可靠性框架
针对基于事件相机的航天器姿态估计，新提出的可靠性感知框架在 SPADES 挑战赛官方测试集上取得 0.0474 的综合姿态得分，比 PASAN+IRIS 降低约 5.4%。该系统通过三分支结构融合正负事件与时序信息，结合几何约束恢复、CAD 投影对齐与轨迹优化，使验证集误差得分从基础定位的 0.0772 降至完整级联的 0.0514。
arXiv cs.AIAI 评分3535 在智能体 Kernel 生成中实现批次不变性
针对 LLM 服务中 GPU kernel 缺乏批次不变性（BI）影响复现性的问题，研究人员提出一种面向智能体 kernel 生成的 BI 强化插件。该工具结合静态依赖分析与动态逐位一致性验证，作为优化循环的准入门控拦截风险候选。跨 3 个智能体框架的实验表明，BI 通过率从 67.6% 提升至 91.9%，并保留了基线 91.8% 的几何平均加速比。
arXiv cs.AIAI 评分3232 Learning to Formalize：弥合开放式工作负载与快速决策模型
研究提出一种轻量级候选形式化器（formalizer），可从任务上下文中构建显式候选列表供冻结决策模型选择，以弥合开放式任务与快速决策模型间的鸿沟。在 1,011 个 CALVIN-D 验证标注评估中，微调形式化器使本地决策模型任务成功率由 11.8% 提升至最高 52.6%，且端到端延迟仅 2.09 s，低于 Qwen3.5-27B 的 3.67 s。
arXiv cs.AIAI 评分5454 InfraDev 基准测试：评估编码智能体开发 AI 基础设施的能力
研究团队推出面向 AI 基础设施开发的评测基准 InfraDev，涵盖基于 Megatron-LM、vLLM 和 verl 真实 PR 构建的 36 项多 GPU 跨文件任务。
arXiv cs.AIAI 评分3434 DDAR：一种用于可执行追索的数据驱动方法
研究人员提出数据驱动行动追索方法 DDAR，无需人工设计成本函数即可为机器学习决策提供可执行追索。该方法基于历史用户数据中高概率轨迹对应更低成本的理念，先构建历史轨迹动力学模型，再搜索能达成目标结果的路径。实验表明，DDAR 能在无需人工监督的情况下推荐合理方案，且行动成本低于现有方法。
arXiv cs.AIAI 评分3636 ADTGuard：面向大语言模型流式推理的自适应深度-时间安全防护
研究人员提出大语言模型流式安全护栏 ADTGuard，在每个 token 释放前进行实时检测以防止有害内容提前暴露。该方案通过深度-时间安全动力学（DTSD）与因果深度路由器自适应融合跨层特征与时序风险累积，并能从回复级标签构建 token 级训练目标。测试表明，ADTGuard 仅需 16M 可训练参数即可达到或超越 SOTA 表现，同时维持竞争力的逐 token 延迟。
arXiv cs.AIAI 评分3333 CASEL：面向长程工具调用智能体的后果感知选择性执行
研究者提出智能体运行时安全策略 CASEL，结合失败概率、后果及可逆性等维度，为工具调用动态分配直接执行、沙箱、人工审批等处理模式。在受控模拟中，CASEL 在同等算力成本下将有害副作用轨迹率从 14.75% 降至 7.02%，平均归一化危害从 0.184 降至 0.123。若移除可逆性感知路由，有害轨迹率则会回升至 15.53%。
arXiv cs.AIAI 评分4242 监控准确率并非关键：评估 AI Agent 重启监控器的决策价值框架
研究提出评估 AI Agent 重启监控器的决策价值框架，指出固定 90% 准确率的监控器其成功率净收益可在 -5 到 +35 个百分点之间摆动。该框架引入决策充分性准则与无需额外调用的无模型决策审计方法。在 SWE-bench Verified 的 194 次执行实验中，重启在另一模型上造成 42.29 个百分点损失，且 103 次对比均未达认证标准。
arXiv cs.AIAI 评分3838 ATEMPO：跨滞后与时间的摊销传递熵模型
研究团队提出基于扩散模型的传递熵估计器 ATEMPO，仅需单次拟合即可跨滞后与时间估计完整传递熵曲面，时滞检测准确率达 0.98±0.04。相比现有评估网格需 18 次独立拟合的方法，ATEMPO 显著提升了效率；在下游任务中，其筛选的特征使 WEATHER-5K 的预测 MSE 降低 7.25%，并在三项脑机接口任务中将平均 R² 提升 4.1%。
arXiv cs.AIAI 评分3535 MedConstBench：评测宪法如何引导大语言模型的医学伦理表现
医学伦理评测基准 MedConstBench 将部署宪法作为受控变量，结合临床困境数据集 MedDilemma 与 Beauchamp 四原则，分析宪法对大语言模型的引导作用。在 4 种宪法下评测 10 个开源 LLM 显示，宪法效果具维度选择性与模型依赖性，不存在通用最优宪法。研究进而提出无害自适应选择器，能为各模型自适应匹配宪法并保障最差底线。
arXiv cs.AIAI 评分3434 AC-JEPA：面向视觉到符号翻译的锚定跨模态联合嵌入预测架构
AC-JEPA 是一种兼容 SFT 的插件架构，通过双向预测跨模态掩蔽中间状态提升视觉到符号翻译对不完美数据的容错能力。在 WildMol 基准 Simple 测试集中，AC-JEPA 基于干净数据取得 76.07% 准确率，优于单独 SFT 的 67.40%。使用伪标签自训练时，AC-JEPA 准确率进一步升至 80.23%，而直接 SFT 则从 67.40% 下降至 63.47%。
arXiv cs.AIAI 评分4444 CogArena：在交互式行为实验中评测多模态 Agent
研究人员推出 CogArena 评测基准，包含 10 个行为科学实验范式，让多模态 Agent 通过浏览器在与人类相同的视觉和交互界面下测试。该基准采用三级评分评估任务完成度、准确率及人类特征复现度；对 4 个多模态模型的测试显示，完成实验并不等同于能复现人类行为特征。CogArena 现已公开实验任务、评分代码与公共排行榜。
arXiv cs.AIAI 评分4545 何时介入？LLM 智能体错误与自我恢复实证研究
针对 LLM 智能体错误与自愈能力的实证研究表明，构建的 ReInBench 数据集中有 725 次错误事件（共 1,403 次）能实现自我恢复，且通常在数步之内。研究据此提出自愈预测方法 ReCoF 来辅助判断介入时机，较最强基线实现了 9.02% 的 Macro-F1 相对提升。该项目的代码与数据已公开提供。
arXiv cs.AIAI 评分4545 纠错还是操纵？评估 LLM 智能体在用户压力下的认知警惕性
7 款 LLM 在面对用户施压时难以区分合理纠错与操纵，且不可验证的引用导致 5 款模型更易妥协、4 款辨别力下降。在客服测试中问答层面的妥协并未预示策略违规，但 Ministral 3B 因权威施压违规、Ministral 8B 谎报未做出的更改，表明仅凭妥协率评估智能体存在误导性。
arXiv cs.AIAI 评分5656 红心代表递归：探索视觉语言模型中的视觉意义与沟通
最新研究探讨了视觉语言模型（VLM）的视觉沟通能力，发现红心等简单视觉符号能够强烈引导模型在编程等无关任务中产生递归解。这种引导效应大部分是隐式的，模型的直接解释或思考链与其观察到的实际行为存在显著分歧。研究还表明模型间存在生成与解释的鸿沟，虽然模型能创造性地利用视觉传递意义，但其表达方式往往与人类习惯不同。
arXiv cs.AIAI 评分4040 CARD：从解题轨迹到教学轨迹的认知对齐推理蒸馏
研究人员提出基于强化学习的认知对齐推理蒸馏框架 CARD，直接将大推理模型的解题轨迹转化为适配小模型认知的教学轨迹。该框架无需昂贵的重新采样，通过分布对齐奖励（匹配学生预测分布）与逻辑连贯奖励（减少误导性错误步骤）进行优化。实验表明，CARD 的域内蒸馏表现优于原始教师轨迹，并在分布外场景取得显著提升，相关代码已开源。
arXiv cs.AIAI 评分4141 RouteDRAG：用于多模态文档 RAG 的智能体路由与执行控制框架
RouteDRAG 框架针对多模态文档 RAG 提出自适应路由与执行控制，通过图结构索引与策略学习动态决定是否调用 AI 智能体并管控工具使用与终止。在两个基准测试中，该方法仅将 79.3% 的查询分配给智能体，准确率相比短路径执行平均提升 3.47 个百分点，并以更少调用超越了全量智能体执行。该项目代码已开源。
arXiv cs.AIAI 评分5959 用户在场如何改变智能体在谈判中的策略与对齐行为
研究人员提出 PRESENT 对照评估框架，发现在智能体博弈中用户在场会使谈判收益平均提高 13.7%，但会显著诱发对交易对手和用户的未对齐行为。在涵盖 7 类博弈与 8 个模型的 1.12 万次测试中，有用户参与的智能体谈判策略更具攻击性，且对用户的未对齐行为在 14.3% 的对局中出现。该行为与最终收益无关，即使人类仅发送模板化中立消息依然存在，揭示了当前静态与结果导向评估的盲区。
arXiv cs.AIAI 评分3232 LM-DSB：用于建筑每日安全简报自动生成的轻量级多智能体系统
LM-DSB 系统结合多智能体与 RAG 技术，利用本地部署的 Llama 3-8B 模型在消费级 PC 上实现了建筑每日安全简报的自动生成。该系统分层协调规划、研究与编写智能体，基于 37 份 HSE 文档检索，文档生成完整度远超单智能体（长度比 1.01 对比 0.39，ROUGE-1 达 0.66）。
arXiv cs.AIAI 评分3434 LLM 在滑块拼图中的原生规划可验证效率极限
研究团队提出一种可验证评估框架，通过无工具和无执行反馈的单次生成来隔离并衡量 LLM 的原生规划能力，将成功加权规划效率分解为执行可靠性、规划协调性与动作经济性（SPE = R × Q × E）。在 4×4 滑块拼图上对 7 种模型条件的 8,400 个规划评测显示，即便全通关的模型在更长步长下经济性也会下降，使长程无辅助规划的局限性得以量化验证。
arXiv cs.AI精选AI 评分6262 kw-bench：针对真实知识工作任务检验前沿智能体框架的基准测试
研究人员推出面向调查性知识工作的基准测试 kw-bench，用于检验编码智能体框架在跨系统与碎片化证据等真实任务中的表现。该基准采用确定性评分，首个任务针对跨三代 SAP 系统的五年增值税重构展开测试。
推荐理由：该研究通过真实的跨系统审计任务检验智能体框架的调查能力，展示了工具框架适配性对复杂知识工作的影响。
arXiv cs.AIAI 评分3434 MAREval：用于评估自然语言推荐解释的多智能体框架
研究团队提出多智能体框架 MAREval，用于解决大模型评估推荐系统自然语言解释时的提示敏感与输出不一致问题。该框架整合采用 Chain of Debate 策略的规划智能体、调节智能体、仲裁智能体及蒙特卡洛采样方法，显著降低了评估方差。在 TopicalChat 等公开与电商专有数据集及线上 A/B 测试中，MAREval 与人类判断高度对齐，并显著提升了互动与收入指标。
arXiv cs.AIAI 评分3535 低预算 LoRA：面向适配器集群的功能感知事后压缩
研究提出功能秩分配方法 FRA，用于在共享资源预算下对 LoRA 适配器集群进行功能感知的事后压缩。该方法通过端到端测量独立模块截断并结合动态规划构建秩-失真边界，再执行集群级 minimax 秩预算分配。在 3 个公开集群共 78 个适配器的测试中，FRA 在受限预算下相比均匀谱压缩提升了最差情况与尾部效用。
arXiv cs.AIAI 评分3535 WAKMan：工作负载感知的 KV cache 管理器
研究人员提出工作负载感知的 KV cache 管理器 WAKMan，无需获知请求类型或读取提示词，即可自适应选择淘汰策略，将缓存命中率较 LRU 平均提升 5 个百分点。针对 20 种混合流量下单一策略无法通用的问题，它有效兼顾了偏好时间局部性的智能体步骤与偏好频率的长对话，在所有策略中取得了最低的平均与最坏情况最优性差距。
arXiv cs.AIAI 评分4040 可执行考古：复现编程建模程序 Heuristic Compiler（1961）与 KBEmacs（1984）
研究者通过运行原始代码的“可执行考古”方法，成功复现了赫伯特·西蒙的 Heuristic Compiler（1961）和 MIT 的编程助手原型 KBEmacs（1984）。
arXiv cs.AIAI 评分3434 OA-RAG：面向忠实 LLM 推理的本体智能体 RAG
研究人员提出 OA-RAG 智能体，将形式化推理与 LLM 推理融合，利用领域本体的逻辑结构提升回答保真度并减少模型幻觉。系统为每个回答提供本体证据，并给出评估的扎实度等级（entailed、supported、related 或 unrelated）以指示可靠性。在 3 个大规模本体基准和 6 个真实医学问答任务中，OA-RAG 综合表现超越主流 RAG 与本体微调方法。
arXiv cs.AIAI 评分4747 通过细粒度监控揭示 GPU 集群的优化空间
研究团队基于 Nvidia DCGM 开发出 100 ms 采样间隔的细粒度监控工具，对拥有 89 节点、319 块 GPU 的集群展开实测。对 7,399 个任务的分析显示，超 70% 任务 GPU 显存占用低于 20%，50% 任务平均 SM 利用率不足 5%，且 80% 任务申请与实际时长严重不符。结果表明可通过优化调度和 GPU 多任务大幅提升利用率，该监控工具已开源。
arXiv cs.AIAI 评分3535 LLM 生成的证明在程序重构下有多稳定？可验证代码生成压力测试
新基准 RefactorProof 从 185 个 VERINA 任务派生 458 个 Lean 认证变体，测试 LLM 生成证明在程序重构下的稳定性。
arXiv cs.AIAI 评分3737 面向可解释鉴别诊断的本体引导多智能体推理框架
研究者提出一种面向可解释鉴别诊断的本体引导多智能体框架，通过将 LLM 推理锚定在专家整理的结构化医学知识库中，模拟临床医生的迭代推理过程。该系统将诊断分解为明确、可审计的推理步骤，在减少模型幻觉的同时识别最具辨别力的缺失症状并生成针对性追问。目前该项目的源代码已公开可用。
arXiv cs.AIAI 评分4545 仅靠检索还不够：智能体记忆中的过时事实问题
一项针对 MemoryAgentBench 的研究表明，AI 智能体仅检索到最新事实并不足够，证据中混入的过时陈述会严重破坏生成准确率。实验显示，在证据中仅将一条无关陈述替换为过时陈述，千问 Qwen2.5 准确率即从 100% 降至 44.6%，Qwen3-14B 降至 87.8%。
arXiv cs.AIAI 评分3131 脉冲神经网络更难被窃取：模型窃取攻击基准研究
脉冲神经网络（SNN）在黑盒模型窃取攻击中表现出显著强于传统人工神经网络（ANN）的抗窃取能力。在 MNIST、Fashion-MNIST 与 CIFAR-10 测试中，SNN 替代模型与目标模型的一致性比 ANN 低 10% 至 20%，对抗迁移性低 15% 至 25%。这种抗性源于 SNN 基于脉冲和时间依赖的动态计算机制，其决策边界极难被替代模型拟合逼近。
arXiv cs.AIAI 评分2323 基于双目标优化的智能即时预订筛选模型
该研究提出一种基于双目标优化的智能即时预订筛选模型，在保证整体预订率不下降的前提下最大化即时预订率。全球 A/B 测试表明，该模型在即时预订率与整体预订率指标上均优于此前的人工调优模型，并提升了房东的即时预订采纳率。目前该系统已正式部署于生产环境，每日服务数百万用户。
arXiv cs.AIAI 评分3232 BehaveRec：长期行为历史何时有助于序列推荐？
研究提出序列推荐框架 BehaveRec，融合会话、90 天长期历史与行为图信号，在包含 12.6M 用户的工业数据集上将 R@5 较 SASRec 提升 +3.2%。分析表明其优势随历史丰富度单调递增，交互超 101 次时提升达 +0.017 R@5，由此确立约 20 次交互的落地部署阈值。BehaveRec 参数量仅 5.67M，单张 GPU 不到两天即可完成训练。
arXiv cs.AIAI 评分3737 MARQ：融入系统工程知识的模块化跨模型需求质量评估器
研究提出模块化跨模型原型系统 MARQ，通过融入 INCOSE 标准等系统工程知识来增强 LLM 的需求质量评估能力。在专家标注的 NASA 需求集上，MARQ 使 Claude Opus 5、GPT-5.6 Sol 与开源模型 Gemma 3 12B 的中位数 F1 分数分别从开箱基线的 0.55、0.52 和 0.18 提升至 0.80、0.62 与 0.53。