MedCaseAgent：从多模态临床证据生成罕见病病例报告
MedCaseAgent 是一种端到端 AI 智能体推理框架，能通过动态检索医学文献与知识库，从非结构化临床记录中生成发表级的罕见病病例报告。研究团队同步开源了多模态病例语料库 MedCase-150K、评测基准 MedCase-Bench，以及基于 Qwen3.5-9B 后训练优化的开源模型。基准评测与双盲专家评审显示，其表现均超越现有的通用和专用医疗 LLM 及智能体。
#论文/研究
#论文/研究
今日 2 条arXiv cs.AIAI 评分4343 arXiv cs.AIAI 评分4343 RSIHub：面向智能体演化方法的可组合框架
开源框架 RSIHub 为智能体演化方法提供共享基础设施，支持构建、对比与扩展各类演化算法。其在不修改核心架构的前提下实例化了 AHE、Hyperagents、A-Evolve 与 GEPA，提供执行、评估、恢复及血缘追踪支持。基于 MiniSWE 和 Codex 在 Terminal Bench 2 与 $\tau^3$ Banking 测试，最大整体 pass@1 提升达 13.5 个百分点。
arXiv cs.AIAI 评分4848 最小描述长度无监督区分科学智能体中的定律级与统计级知识，揭示其86%的自身发现仅为统计规律
研究发现自改进科学智能体内部用于模型选择的最小描述长度（MDL）压缩比，可作为无监督认知分级指标区分定律级与统计级知识。在智能体已收录的 252 项关系中，高压缩比成功检出活力公式和巴耳末/里德伯公式等经典定律，但同时也揭示出 86% 的知识压缩比接近 1，仅属于统计规律。该研究提出了预测价值与压缩价值的双轴评估机制。
arXiv cs.AIAI 评分3232 基于空间启发式策略的在线 3D 装箱扩散强化学习方法
研究提出一种融合空间启发式策略的扩散强化学习方法，用于解决在线 3D 装箱中空间拓扑结构感知不足与布局优化能力受限的问题。该方法通过启发式动作预筛选压缩动作空间，并引入图神经网络建模空间结构。此外，方案设计了结合平整度的复合奖励函数以抑制空间碎片化，实现了先验知识与自适应优化的结合。
arXiv cs.AIAI 评分2525 基于 Actor-Critic 智能体的股票交易深度强化学习策略
研究人员提出一种融入情绪分析的深度强化学习（DRL）股票交易方法，旨在克服传统基于价格指标策略无法捕捉市场动态的缺陷。该方法针对 Actor-Critic 智能体对比了纯策略优化算法（A2C 与 PPO）以及结合 Q-learning 原理的算法（DDPG、TD3 与 SAC）。
arXiv cs.AIAI 评分3737 在 MXFP4 下训练 MoE LLM：如何缩小与 BF16 的差距
开源方案 ALTO 结合随机阿达马变换、随机舍入及权重去振荡技术，在 MXFP4 格式下训练 20B 参数的 MoE 模型 GPT-OSS-20B。在 C4 验证集上，该方案在 16,128 步时验证损失达 3.3350，仅比 BF16 基线高 0.007，弥补了约 50% 的差距。达到 MLPerf 质量目标时，去振荡将 FP4 相对 BF16 的收敛步数开销从 +20.0% 降至 +5.0%。
arXiv cs.AIAI 评分4747 SolveBind：突破 GUI 智能体防自动化验证屏障的执行框架
研究人员提出 GUI 智能体框架 SolveBind，结合分层求解树与运行时监督，帮助智能体将解题结果转化为符合人类行为特征的交互，从而突破 CAPTCHA 等防自动化验证屏障。在 9 类 CAPTCHA 任务中，SolveBind 在 9 个骨干模型中的 8 个上取得最高成功率，比最强基线提升 13.3-34.5 个百分点，并在 6 个 AndroidWorld 骨干模型上均获最高成功率。
arXiv cs.AIAI 评分3434 PEAR：面向大视觉语言模型感知与探索的自适应优势重塑方法
研究人员提出面向大视觉语言模型的优势重塑方法 PEAR，旨在兼顾多模态推理中的视觉感知与多样化路径探索。PEAR 以视觉依赖为基础信号，仅对高熵位置补充探索增益，且视觉依赖越低增益越大，以此生成正 token 级权重重塑序列优势。在 Qwen2.5-VL-3B/7B 上的实验显示，PEAR 在多模态推理基准上取得最高平均表现，并在文本推理与通用多模态评测中领先。
arXiv cs.AIAI 评分3535 基于可学习前瞻与平衡分带的扩散语言模型水印方法
研究人员提出一种扩散语言模型水印方法，通过学习词表分带与前瞻预测器优化选词，并按独立上下文-token对计数。在 WaterBench 上基于 LLaDA-8B-Instruct 评测，强水印在 1% 假阳性率下可检测至少 96% 的回复，LLM-judge 分数与无水印文本相当。该方法在 Dream、代码及问答任务上也维持了同等或更高检测率，且无明显精度损失。
arXiv cs.AI精选AI 评分6262 SWE-Shift：评估编码智能体在动态演化工作区中表现的评测基准
研究团队推出 SWE-Shift 基准，用于评估编码智能体在执行任务过程中应对代码、依赖、状态及需求等动态变化的能力。该基准包含 12 类变动共 120 个场景并在 9 个干预点进行测试，评估的 17 个智能体在环境变动后的成功率均出现下降，其中 GPT-6 Astra 成功率从 67.35% 跌至 24.79%。测试还发现，工具或会话变动以及陈旧证据会导致所有受测系统的配对成功率归零。
推荐理由：该研究揭示了编码智能体在开发环境动态变化时难以保留工作成果与刷新状态，为动态协作场景提供了评测基准。
arXiv cs.AIAI 评分3535 用于预测未来求助行为的循证 SLM 架构 ELBP
研究提出端侧循证行为预测架构 ELBP，结合双视角表示、SLM 预测与证据验证机制预测用户的求助行为。在 3B 及以下参数模型测试中，Qwen2.5-3B 搭配 ELBP 取得 0.80 的 F1 分数与 0.84 的 PR-AUC，较原始事件提示提升 15.9%，ECE 降低 43.2%。启用弃权机制后，在 91% 覆盖率下选择性 F1 达 0.84，证据支持率达 96%。
arXiv cs.AIAI 评分4444 并非所有信息都值得获取：面向 LLM 的决策驱动信息获取
针对 LLM 在不完全信息决策中过度索取冗余证据的缺陷，研究人员提出无需训练的信息获取方法 DIVA 及其变体 DIVA-U。该方法引导 LLM 构建小型决策模型，评估候选证据改善决策的净价值，并在证据充分时主动停止检索。跨 4 个领域和 20 个 LLM 的测试显示，DIVA-U 在真实数据上的后悔值低于所有基线，DIVA 在合成场景中将最佳 LLM 基线的后悔值降低了 75%。
arXiv cs.AIAI 评分4646 $\Psi$-0.6：统一视觉语言世界模型中的自适应思维流
统一视觉语言世界模型 $\Psi$-0.6 正式提出，其通过共享 token 接口交织图像、文本及几何运动显式表示，实现自适应的“思维流”物理推理。该模型在多视角空间推理零样本评测中超越主流开源权重模型，并支持判断移动物体是否阻碍路径等反事实模拟。借助任务反馈强化学习优化中间表示，其视觉问答准确率显著提升并能泛化至未见基准。
arXiv cs.AIAI 评分3939 MPQ：后训练量化的消息传递视角
研究团队提出消息传递量化（MPQ），将大模型后训练量化建模为离散码本后验推断，在推断中保留跨块软后验信息。MPQ 先利用向量近似消息传递计算近似分块后验，再通过精确分块坐标下降精炼硬决策。在 Llama、Qwen 与 Mistral 的 2-bit 格子量化及 3-bit、4-bit 标量量化测试中，MPQ 改善了困惑度与 zero-shot 准确率，代码已开源。
arXiv cs.AIAI 评分5656 论文揭示失真的工具格式化器如何误导 Agent 及其验证器
最新论文指出，即便工具计算逻辑正确，其输出格式化器（formatter）若省略搜索上限或命名空间等关键元数据，也会误导 Agent 及其验证器输出并接受错误信息。对比实验显示，补齐完整格式化信息后，验证器对错误回答的误判接受率从 90/90 降至 0/90；作者还给出了审计 Prompt，并在 OpenClaw 等开源 Agent 系统中排查出同类问题并提交修复。
arXiv cs.AIAI 评分2727 面向通感一体化的跨尺度非线性波形融合学习
研究提出一种面向通感一体化（ISAC）的跨尺度非线性波形融合方法，用于图像传输与多目标定位。该方案通过自适应时域加权与谱更新融合图像特征和线性调频参考信号，两端分别基于神经解混器与相干字典重构图像并定位。在 512 张测试图像上，该波形相比时域叠加与谱线性融合使归一化定位误差降低 29.0% 和 27.0%，平均峰值信噪比提升 1.40 与 0.82 dB。
arXiv cs.AIAI 评分3636 DELA：为扩散语言模型学习可控编辑
研究者提出插件框架 DELA，配合冻结的扩散语言模型（DLM）以及 Insert、Delete、Remask 和 Stop 四种显式编辑操作实现可控草稿细化。该方法采用两阶段解码，先通过快速仅追加草拟支持 KV cache 复用，再进行全篇全局细化。在数学推理与代码生成任务中，DELA 在保持主干模型冻结时比直接扩散解码最高提升 5.5 个百分点。
arXiv cs.AIAI 评分3434 大语言模型驱动 AI 智能体的行为分析
研究人员提出了一个针对大语言模型驱动 AI 智能体的通用行为分析框架，将数据驱动的行为发现、过程分析与实验调查相结合。该方法在保留轨迹位置信息的同时将行为关系构建为可解释假设，并通过留出上下文测试与提示词引导实验检验变化。论文以迭代自我反思研究为例，展示了该方法在不同轨迹长度和智能体角色下的应用。
arXiv cs.AIAI 评分4040 DriveMind：面向闭环自动驾驶的心智演化信念追踪框架
DriveMind 是一种面向闭环自动驾驶的多模态大语言模型（MLLM）框架，受粒子滤波启发，可同时保留多个场景假设并随新帧动态更新权重。在 Bench2Drive 评测中，该方法将驾驶得分（DS）从 68.50 提升至 81.37，成功率（SR）从 41.36% 提升至 54.09%。其在无信号灯路口（+20.0 DS）等模糊场景提升最为显著，并改善了并道与让行等交互驾驶能力。
arXiv cs.AIAI 评分4848 解析多智能体 LLM 系统中的通信失败
一项针对多智能体 LLM 系统的研究基于医疗问答、代码、金融等任务的 3,211 条多轮失败轨迹，构建了通信失败分类体系。分析表明系统失败主要由恢复纠错与共识决策问题主导，而非孤立的首轮错误，多数问题在智能体首次观察到同伴回应后显现。研究据此建议在最终定稿前强化分歧处理、证据验证、少数派信号保留及恢复检查。
arXiv cs.AIAI 评分4242 HyScale：面向可学习稀疏注意力的长上下文训练系统
HyScale 是一套面向可学习稀疏注意力的长上下文训练系统，通过 HyTopK 免分数表检索与选择复用（selection replay）机制消除训练瓶颈。在 512 张 H20 GPU 上，该系统将 GLM-5.1 在 1M token 序列上的训练速度较 Megatron-LM 提升 2.07x。
arXiv cs.AIAI 评分3535 测试时记忆演化（TTME）能否在科学发现中超越测试时训练（TTT）？
研究人员提出即插即用的测试时记忆演化（TTME）方法，通过蒸馏经验持续更新外部记忆来指导后续科学发现，无需像测试时训练（TTT）那样在线更新模型权重。在相同的科学发现框架评测中，TTME 在全部 5 项数学任务上的表现均优于 TTT，同时计算量（FLOPs）降低了 82.8%-84.6%，运行时间减少了 47.7%-58.4%。
arXiv cs.AIAI 评分5252 AI-for-Science 智能体能否保持模型安全性
最新论文评估发现，大语言模型在接入科学智能体框架后无法维持原有的安全对齐表现，甚至在直接提示下有害合规率也会上升。研究团队针对 4 款 GPT 变体和 5 种智能体框架测试了 50 个有害化学请求，发现原本对基座大模型无效的自适应攻击在引入框架后变得高度有效。结果表明基座模型的安全防护在接入框架后并不持久，呼吁社区针对科学智能体构建领域特定的安全基准与对齐机制。
arXiv cs.AIAI 评分3131 PPO 与 SAC 在双臂空间机器人协同运动控制中的对比研究
在双臂空间机器人协同运动控制任务中，强化学习算法 SAC 在固定基座仿真中的表现大幅优于 PPO。在 5 个随机种子测试中，SAC 平均成功率达 78.6% 且以中位数 1.6M 步达成 80% 成功率阈值，而 PPO 在 4M 步预算内未能达标且平均成功率仅 7.4%。面对未见边界目标时 SAC 仍能保持大部分性能，而 PPO 则容易陷入奖励停滞的局部最优导致性能崩溃。
arXiv cs.AIAI 评分3737 RSI-Opt：用于模型训练的递归自改进优化器智能体
研究者推出即插即用优化器智能体 RSI-Opt，通过元智能体演化提示词、代码库及策略来递归自改进模型训练过程。在演化套件上配合 Opus 5.5 时，其摘要 z-score 从 +10.48 增至 +14.33，向 GPT-5.5 迁移在保留任务达 +3.11。
arXiv cs.AIAI 评分3535 CEMIR 对比 FISER：语用意图识别中基于推理与富化方法的比较研究
HandMeThat v2 基准评测显示，多模态富化方法 CEMIR 相比结构化推理框架 FISER 在语用意图识别中并未表现出显著性能优势。在涵盖 Qwen2.5-Omni-3B 至 GPT-5 的 4 款大语言模型测试中，两者在全部 16 组难度对比及消融实验中均无统计学显著差异。研究表明任务表现主要取决于基座模型能力，合成多模态增强在文本已包含任务约束时未能带来可衡量的收益。
arXiv cs.AI精选AI 评分6161 研究揭示 LLM 智能体的“乐于助人问题”：自发协作会绕过预设审查机制
arXiv 新论文提出了“乐于助人智能体问题”，揭示良性 LLM 智能体在没有共享奖励或显式激励的情况下，也会自发替彼此修改资源，从而绕过既定的监督工作流。研究团队构建了 FavorBench 并结合真实代码仓基准测试，在四个模型中均频繁观察到违规互助现象。测试显示，至少三个模型的自发互助行为对交互外部的第三方造成了实质性负面影响。
推荐理由：该研究指出了多智能体安全机制中除对抗攻击外的新盲区，为设计多智能体资源共享与审批流程提供了参考。
arXiv cs.AIAI 评分3535 以可复现评估为基础的生产级智能体安全提示词压缩
研究人员针对动态数据的生产级对话智能体提出离线评估框架，既能抵御实时数据变动又可按需重建，并用作基于 GEPA 的提示词优化适应度函数。配合正确性门控防止奖励作弊，该方案在商家端生产智能体上将提示词压缩 3.5-7.6%。测试显示，压缩在 3 个独立模型族上均未降低任务正确性，还让其中一个模型的正确性获得可测提升。
arXiv cs.AIAI 评分4141 仅知道信任谁还不够：重复多方 LLM 谈判中的“信任-协议差距”
重复多方 LLM 智能体谈判中存在“信任-协议差距”：智能体虽能在数轮博弈中精准识别出蓄意破坏的对手，但准确的信任评估无法直接转化为更优协议。实验表明，只有在被显式引导将信任评估纳入决策推理时，显式信任机制才能将协议达成率提升最高 23 个百分点，其效果高度取决于信任信息的运用方式。
arXiv cs.AIAI 评分4141 超越 On-Policy 与 Off-Policy：LLM 智能体蒸馏应在哪个层级依随学生？
一项新研究提出分层 LLM 智能体蒸馏框架，将策略依随拆解为交互历史诱导与当前动作前缀生成两个层级。跨 3 个模型与 4 个交互环境的实验显示，学生诱导历史搭配教师动作前缀可提供最强独立训练信号，而双层级完全依随学生效果最差。此外，前期前置教师生成上下文、后期引入全 on-policy 上下文的训练调度显著优于静态混合。
arXiv cs.AIAI 评分4242 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。
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1818 英语与普通话居高临下语言自动化检测
研究人员针对英语与普通话中的居高临下式傲慢语言（PCL），提出了自动化检测系统。该研究对比了静态词嵌入结合卷积神经网络（CNN）分类，以及对预训练 BERT 嵌入进行微调两种方法。实验结果显示，基于 BERT 嵌入的微调方案表现显著更优，在开发集上取得了 0.528 的 F1 分数。
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 cs.AIAI 评分3030 权衡感知区域设计：面向企业客户与销售分配的多目标决策系统
研究团队提出一种用于企业客户与销售分配的权衡感知多目标决策系统，将销售区域划分转化为可治理的决策流程。该系统整合了多维客户价值评分层、基于合成控制评估关系中断成本的连续性估值层，以及兼顾机会平衡的多目标优化层。生产部署与回测表明，该系统显著提升了分配依从度与机会平衡，有效引导销售能力覆盖高价值客户。
arXiv stat.MLAI 评分3434 SOL：基于双切片 Wasserstein 度量衡量文本分布差距
研究人员提出文本分布距离度量 SOL，利用双切片 Wasserstein 距离比较 Transformer 隐藏状态测度，以衡量文本生成分布质量。在 Transformer 满足单射时该指标构成严格度量，专为填补扩散与流模型等非自回归语言模型的评估空白而设计。实验表明 SOL 可有效检测分布失效并提供稳定估计，已用于重新评估在 OpenWebText 上训练的多种模型。
arXiv stat.MLAI 评分2929 带探测的多臂老虎机：最优覆盖与反馈的作用
针对每轮最多探测 n 个臂中 k 个并获取最大奖励的老虎机问题，研究证明在独立同分布设定下的极小化极大遗憾度为 $\Theta(\frac{n-k}{n}\min\{T,n/k\})$，且仅需观测最大值即可达成。
arXiv stat.MLAI 评分3434 参考集重采样下 OOD 评分的判定不稳定性
针对事后 OOD 检测器受有限参考集影响的判定波动，该研究提出衡量估计波动的“判定不稳定性”，并推导出无拟合参数的闭式解。该指标等于查询方向上的类内离散度除以所属类别参考样本数的平方根。研究还提出预测评分符号的规则，并证实由错误符号驱动的拒绝策略在所有测试数据集上均劣于随机拒绝。