SynCo：基于多智能体强化学习的自进化 LLM 数据合成协同训练框架
研究人员提出基于多智能体强化学习的自进化 LLM 数据合成协同训练框架 SynCo。该框架联合优化两个独立参数化的智能体：Synthesizer 根据能力状态构建训练任务，Reasoner 则从中学习并提供互补奖励，实现解题策略与训练分布的共同演进。在 8 个数学推理基准测试中，SynCo 显著优于现有合成数据方法和对照基线，大部分收益源自此前未解决的问题。
#论文/研究
#论文/研究
今日 0 条arXiv cs.AIAI 评分3636 arXiv cs.AIAI 评分4242 EvoSim：在建模中学习，在学习中建模
研究人员提出面向物理建模的自我演化 AI 科学家 EvoSim，可利用实验差异驱动机理与方程修正并协同更新多智能体系统。在工业电池建模测试中，其预测锂金属析出起始荷电状态的 MAE 为 1.79%，车载工况动态电压预测 RMSE 达 7.62 mV，精度超越人类专家模型。该自我演化机制使模型与物理误差较基线降低约 36%。
arXiv cs.AIAI 评分3535 ReCast：面向大语言模型 AI 智能体系统的归因导向步骤表征学习
研究人员提出面向大语言模型 AI 智能体系统的步骤表征学习方法 ReCast，用于定位引发系统故障的最早根因步骤。该方法通过筛选相关层、构建互补的模式与偏差特征，并利用对比与排序目标训练编码器，将冻结 LLM 的隐藏状态转化为归因表征，同时配套推出了训练数据集 ReCast-2K。
arXiv cs.AIAI 评分4343 TokenBank：面向 AI 服务的金融基础设施
TokenBank 是一种面向 AI 服务的金融基础设施，通过结构化合约支持服务消费权、API 差价远期结算、未来收入融资及特定故障赔偿。在 899,441 次 API 请求重放等评测中，远期合约在零贴现涨价场景下使平均支出减少 USD 304.88，并在低资金条件下带来 +1.0635 实验 USD 的贡献改善。目前其云基础设施代码库与托管部署已公开。
arXiv cs.AIAI 评分3131 Finsler Flow Matching：面向单快照轨迹推断的动力学感知测地线插值
研究者提出了 Finsler Flow Matching（FFM），这是一个从离散马尔可夫转移图学习连续随机动力学的框架。该方法利用一阶和二阶局部矩构建受 Freidlin-Wentzell 作用量启发的芬斯勒结构，并通过免仿真的 score matching 和 flow matching 蒸馏出连续生成过程。
arXiv cs.AIAI 评分3838 DivMoE：通过跨领域专家组合实现细粒度 MoE Upcycling
研究提出 DivMoE 框架，通过领域专精专家初始化与多样性约束路由，首次实现结构平衡的细粒度 MoE Upcycling。在 Qwen3-1.7B 等模型的 15 个基准测试中，DivMoE 以 55.6% 平均准确率超越 6 项基线并消除性能倒退。微调后 12B 的 DivMoE 准确率达 64.5%，追平 16B 的 Moonlight-MoE 并领先 NVIDIA 基线 6.1 个百分点。
arXiv cs.AIAI 评分3535 MedBenchAgent：医疗 VLM 基准构建的系统化自动化框架
研究人员提出多智能体框架 MedBenchAgent，将医疗 VLM 基准构建表述为受限编译过程，以系统化推导基准规范并生成评测项目。该框架采用基准中间表示（BIR）解耦规划与实例化阶段，取得 90.9% 的 Task-Space F1，抽样的 1,000 个项目中 994 个通过人工审核。该框架已成功迁移至专门医疗领域并评测了 12 个 VLM。
arXiv cs.AIAI 评分5050 DuplexAgent-RSI：面向全双工语音智能体协作的递归 Harness 改进框架
研究人员提出了全双工语音协作系统 DuplexAgent 及其闭环改进框架 Duplex-Harness-RSI，将语音交互与异步委派任务的协调逻辑解耦为六个可编辑模块。系统利用模拟器自动生成带时序的测试对话，并通过委派池中的推理大语言模型与编码智能体自动诊断失败轨迹并更新模块配置。实验表明，该系统在保持低延迟打断响应的同时，提升了口语知识问答与可执行工具调用的评测表现。
arXiv cs.AIAI 评分3636 ORDO：面向混合整数规划预求解的操作级轮次感知动态排序框架
研究人员提出 ORDO 框架，将混合整数规划（MIP）预求解规划重构为基于统一原子动作空间的自回归序列生成任务。该方法在多个未见领域实现了端到端零样本加速，并通过修改 SCIP 源码构建执行与观察机制，支持候选序列并发竞速部署。
arXiv cs.AIAI 评分3737 基于可能性推理的开放式科学发现研究
研究者利用可能性理论将大语言模型驱动的开放式科学发现形式化为溯因自主科学发现（AASD）问题。该研究提出了可量化发现进展的溯因效用指标，以及首个 AASD 算法——可能性前沿搜索，在保持随时有效性的同时渐进实现 ε-最优溯因效用。合成与真实世界科学发现任务的实验表明，该方法展现出强劲的性能表现。
arXiv cs.AIAI 评分4040 TaReD：面向长程任务的工具感知递归分解
针对长程任务规划难题，研究人员提出工具感知递归分解方法 TaReD，将工具按功能组织为能力层级，驱动 AI 智能体按需发现工具并递归分解出匹配阶段能力的子任务树。在复杂真实世界任务实验中，该方法将端到端任务成功率相比对比基线最高提升 40 个百分点，相关实现已在 GitHub 开源。
arXiv cs.AIAI 评分3838 LLM-IDEA：用于自主发现机理世界模型的可辨识性驱动实验智能体
研究者提出闭环科学发现智能体 LLM-IDEA，其搭载的可辨识性引擎可在探索进入瓶颈时计算出能力受限、同类设计可解或证实穷尽三类判定。测试显示，该引擎在 ODEBench 上判定了 60/62 个系统的可辨识状态，并在 Alien Universe 基准中将深度至少为 3 的发现成功率从 1/8 提升至 8/8，避免了对实验推进方向的盲目猜测。
arXiv cs.AIAI 评分4141 Harness Compilation：小型视觉语言模型应保留哪些决策？
Harness Compilation（HC）通过教师模型优化冻结的小型视觉语言模型（VLM）与外部 harness 间的分工，部署时无需更新权重或调用教师模型。
arXiv cs.AIAI 评分3535 AliO：长期时间序列预测中输出对齐的重要性研究
研究人员提出用于长期时间序列预测的新方法 AliO，通过在时域和频域减少相同时间戳的预测差异来提升输出对齐度。该研究还提出了新评估指标 TAM 以量化预测输出对齐情况。实验结果显示，AliO 在 TAM 指标上最高提升达 58.2%，同时将预测性能最高提升 27.5%，有效增强了预测模型的可靠性。
arXiv cs.AIAI 评分3434 准入与呈现：LLM 智能体持久记忆治理机制研究
研究提出无需重新训练的 FC 与 PS 两种推理期记忆准入治理机制，以解决 LLM 智能体持久记忆带来的阿谀与跨域泄漏问题。相比逐字注入，FC 与 PS 在包含 4 项任务、每项 300 样本的外部基准上使综合失败率分别降低 6.7 和 8.8 个百分点，跨域泄漏最多减少 29.5 个百分点。不过两种方案均增加了个性化失败率，在降低安全风险的同时仍未解决保留有益记忆的问题。
arXiv cs.AIAI 评分3030 社交疼痛破坏非自杀性自伤青少年的情绪-行动脑状态动态
研究结合脑电（EEG）微状态分析与可解释深度序列建模，发现社交疼痛会破坏非自杀性自伤（NSSI）抑郁青少年的情绪-行动脑状态耦合。该深度模型在社交疼痛条件下区分 NSSI 的准确率达到 68.55%，领先最佳基线 8.94 个百分点。分析显示伴 NSSI 青少年在情绪处理（MS3）与行动准备（MS5）状态间的双向转换显著减弱。
arXiv cs.AIAI 评分3333 GameCommBench：AI 游戏解说的统一评测基准与类型感知评估框架
研究者提出了 GameCommBench 评测基准与 TACE 评估框架，旨在统一棋盘游戏、体育和电竞等多模态场景下的 AI 游戏解说评估。TACE 通过类型感知结构化评测不同解说功能，并已通过人类一致性验证。评测代表性 AI 解说员的结果显示其能力分布不均，其中现场实时观察与策略分析是当前的核心瓶颈。
arXiv cs.AIAI 评分3434 推理强化学习轨迹生成：平衡参考引导与自由生成
研究提出自适应参考引导（ARG）方法，在固定生成预算下平衡参考前缀引导与自主生成，用于解决推理强化学习在 GRPO 全失败组中的轨迹构建难题。在 Qwen3-4B 与 Qwen3-8B 上的 5 个数学推理基准测试显示，ARG 在受评方法中取得最高的综合 pass@12，同时保持了有竞争力的平均采样准确率。
arXiv cs.AIAI 评分5252 研究提出 GenUI-Harness：通过数据感知生成式 UI 优化智能体主动交互
研究团队提出多智能体框架 GenUI-Harness，通过工具智能体与 GUI 编程智能体协同生成临时结构化界面，以替代认知负荷较高的纯文本交互。针对交互式 UI 强化学员的训练难题，研究引入了轻量沙盒 Dynamic UX 与监控奖励分布的元奖励机制 Reward Auditor，并发布了包含 10 个领域数据库的评测基准 UI-TAU Bench。
arXiv cs.AIAI 评分3939 超越模仿：LLM 辅助同行评审的框架与评测基准
研究者提出以错误检测为核心的 LLM 辅助同行评审基准与多层评审（MLR）框架，摆脱仅模仿人类评审的局限。该基准通过向会议论文合成注入错误来评估模型识别逻辑矛盾的能力，MLR 框架则在生成评审前优先深入理解论文并提升 token 效率。评测显示该方案高度对齐人类评审分数且错误检测表现优异，但同时证实系统仍存在易受对抗操纵的脆弱性。
arXiv cs.AIAI 评分5050 研究提出用于暴露未对齐行为与安全提取能力的两种模型蒸馏方法
研究人员提出通过模型蒸馏应对具备欺骗对齐倾向的高级模型，分别实现迫使模型暴露隐藏行为以及安全提取能力而不继承未对齐特性。DFI 方法将模型蒸馏至共享底盘的较弱检查点，使缺乏隐瞒能力的学生模型在受访时主动承认异常；DFC 方法则通过接种提示词与针对少量样本增加训练轮次，在保留能力提升的同时阻断未对齐偏好的传递。
arXiv cs.AIAI 评分4545 LLM Agent 常驻上下文筛选：带截断反馈的容量限制选品模型
研究将 LLM Agent 常驻上下文的筛选建模为容量限制选品问题，以解决盲目追加指令导致的 token 成本上升与性能退化。理论证明最优文件大小存在上限，单纯追加所有正收益指令在净价值上可能远劣于选取最优子集，且直接删除被智能体忽略的指令会误删有益规则。实验进一步证实，来自真实上下文文件的无关规则会降低大语言模型的依从性。
arXiv cs.AIAI 评分4343 叙事包装如何影响大语言模型拒绝机制：跨语言基准与防御方案
新研究发现叙事包装会大幅削弱大语言模型安全防御，Qwen3-1.7B 的攻击成功率在英文、现代中文及文言文中分别达 89.4%、93.0% 与 95.7%。团队为此构建了跨语言基准 GUISE，并提出结合偏好优化与表征对齐的防御方法 AXIS。实验表明，AXIS 在 Qwen3-1.7B、Qwen3-4B 和 GLM-4-9B 上均取得了最高的综合安全与可用性评分。
arXiv cs.AIAI 评分3535 学习以指数级更少空间进行规划搜索
研究提出利用语言模型在反例引导循环中学习索引策略，实现仅需多项式空间且无需维护已访问状态列表的规划搜索。在 IPC 2023 Learning Track 与 Autoscale Agile 的 1,890 项测试任务中，该方法成功解决 1,709 项，求解量超过 LAMA、BFWS 与 Levitron，且多数任务在 1 秒及 100 MiB 内完成。
arXiv cs.AIAI 评分5151 StoreBench 动态电商评测环境发布：用于评估与训练自主运营智能体
研究人员推出 StoreBench 动态电商模拟环境，用于评估和训练智能体在不确定性下的长程规划与经济决策能力。评测的 7 款前沿 LLM 中表现最好的 DeepSeek-V4-Pro 任务通过率仅为 49%，低于人类专家和启发式脚本基线的 97%。通过 GRPO 后训练微调后，Qwen3.5-27B 在测试任务上的平均综合得分从 0.136 提升至 0.373。
arXiv cs.AIAI 评分4242 察言观色：LLM 规范能力的基础、设计与挑战
一项新研究首次形式化并评估了 LLM 仅通过交互识别社区规则的“规范能力”，发现基线 LLM 智能体无法学会这些规范。测试显示规范遵循对规范风格和模型高度敏感且缺乏泛化性；当无关特异行为与真实规范并存时，智能体会不加区分地照搬噪音，即便受罚也依然模仿。研究表明当前 AI 擅长行为模仿，但缺乏识别社会强制秩序的能力。
arXiv cs.AIAI 评分3636 用于时程不变行为克隆的自监督关键帧发现
研究提出自监督方法 Keyframe Mnemonics，通过发现关键观测帧训练行为克隆（BC）策略，解决非马尔可夫长时程决策中的上下文保留问题。在合成记忆基准中，该策略达成 100% 成功率；在包含 23 项任务的机器人操作评测中，平均绝对成功率较最强基线提升 13.9%，并在真实机器人 20x 更长时程下保持 80% 成功率。
arXiv cs.AIAI 评分4545 时间预算下的 AI 智能体：如何兼顾守时与高效利用时间
研究人员针对千问 Qwen3.6-27B 和 Qwen3-4B 在 MLE-Bench Lite 与 Zork I 基准上的测试表明，仅在提示词中指定时间预算时，小规模 LLM 智能体无法有效控制时间。
arXiv cs.AIAI 评分2727 谁的真实标签？以人为中心的 AI 应接纳歧义
研究者在一篇被 NeurIPS 2026 Trustworthy AI for Good Workshop 接收的立场论文中呼吁，以人为中心的 AI 开发应转向对合理人类判断的“解释空间”进行建模。
arXiv cs.AIAI 评分4444 Plan-and-Patch：面向智能体规划的扩散语言模型框架
研究提出 Plan-and-Patch 智能体规划框架，利用扩散语言模型并行生成结构化计划，并在固定前后步骤的前提下局部修复计划。在未经特定训练的 Natural Plan 上，扩散规划器 DreamReasoner-8B 的计划修复成功率达 53.7%，接近自回归模型 Qwen3-8B（27.0%）的两倍。
arXiv cs.AIAI 评分3434 面向冻结空中 VLN 智能体的轨迹对齐指令翻译方法 TGIT
研究者提出了轨迹对齐指令翻译器 TGIT，在保持空中视觉语言导航智能体 OpenFly 冻结的前提下，将用户简短的意图型指令转化为可执行指令。TGIT 将弱指令输入的成功率提升至 37.93%，并零样本迁移至真实人类指令，将成功率从 11.33% 提升至 32.51%。
arXiv cs.AIAI 评分4242 信贷流程中 LLM 智能体的合规约束自我进化机制：将测试框架作为唯一可变表面
研究提出一种合规约束下的 LLM 智能体自我进化机制，在保持模型权重固定的前提下，仅允许修改指令、工具调用逻辑等运行时测试框架（harness），并通过准入门控在部署前记录哈希链日志。在模拟信贷流程实验中，该门控从 7,449 个候选变更中准入了 144 个，且均未在保留历史数据上恶化错误；而无边界检查则准入了 309 个有害变更。相关机制已被映射至欧盟 AI 法案的高风险信贷评分条款。
arXiv cs.AIAI 评分3737 Agentic AI 的验证与自我改进：基础与理论极限
研究者提出了一个基于有界验证与隐蔽终端随机性的理论框架，用于形式化分析 Agentic AI 系统的验证能力与自我改进极限。研究证明，在统一完备解释器与固定验证协议下，一致有界的递归自我修改仍严格保留在同一验证复杂度类内。框架还将自我改进声明与正确性、容许证据及条件选择误差控制等要求直接绑定。
arXiv cs.AIAI 评分4545 工具调用 AI 智能体的受控遗忘机制：可逆上下文整理实践
受控遗忘机制允许工具调用 AI 智能体将历史工具输出替换为简短注释并归档以供恢复，无需特定模型训练。在 OpenTelemetry 调试测试中，该方法使 prompt token 从 912,492 降至 231,951，累计输入 token 减少 50%，预估 API 成本从约 4.38 美元降至 1.28-1.44 美元，但耗时增加 17%。其资源节省表现高度依赖具体工作负载。
arXiv cs.AIAI 评分4545 Synthesis Through Simulation (STS)：通过 Agent 与系统交互生成连贯企业数据
研究者提出名为 Synthesis Through Simulation（STS）的免 schema 数据合成范式，利用 LLM Agent 在模拟企业环境中调用策略 API 执行操作来生成连贯数据。
arXiv cs.AIAI 评分2626 用于大规模语义表格解析与数据质量评估的可解释表头中心框架
研究人员提出一种用于仅元数据列类型标注与数据质量评估的可解释表头中心框架。该框架利用精选词汇资源将表头映射至 39 种可解释的 FinalFormat 类型，并触发数据质量问题验证规则以生成无权重质量指标 HeadersIQ。框架在包含约 120,000 个表头列的 UCI、SOTAB 及 SemTab 2024 等异构基准上完成评测，并支持与 DBpedia 和 Schema.org 的对齐。
Science Magazine NewsAI 评分5454 物理学家团队利用 AI 软件 BootLoops 数周内产出 36 篇跨学科论文
由物理学家领导的研究团队利用名为 BootLoops 的软件，在数周内产出了 36 篇学术论文。该成果覆盖从语言学到卫生政策等 22 个科学领域，并揭示了这些学科中原本显而易见却长期未被发现的解决方案。
SolidotAI 评分2929 人类愿意向女性形象的 AI 智能体支付的报酬低于男性形象智能体
爱尔兰 Limerick 大学一项涉及 189 人的研究显示，在底层技术相同的情况下，人类在 VR 办公室中向女性形象 AI 智能体 Johanna 支付的报酬比男性形象 Johan 低 10%。同时，Johan 还被参与者认为比 Johanna 更像人类。不过，该研究的实验数据被指存在严重不足，可能不足以支持上述结论。
The DecoderAI 评分5757 Anthropic 的 Claude Science 绘制出完整全天紫外线地图
Anthropic 的 Claude Science 协调多个 AI Agent 完成了首幅完整全天紫外线地图的构建。该系统从多项太空任务中下载并校准观测数据，利用图像修复技术补全了 NASA GALEX 任务遗漏的亮星形成区，测试中预测值与实际测量值的平均偏差约为 10%。该成果旨在作为教学材料，并展示 AI 分担繁琐科研数据处理工作的可行性。
量子位AI 评分6262 《柳叶刀》刊发Google研究：诊断AI助手AMIE有望改善医患关系
Google与贝斯以色列女执事医疗中心（BIDMC）在《柳叶刀》发表临床研究，表明其诊断AI聊天机器人AMIE能在患者就诊前安全评估就医需求并减轻医护压力。在98名患者的初级保健门诊测试中，交互过程无需人工中断，75%的场景下AI摘要协助医生提前准备接诊，且鉴别诊断与医生最终确诊的吻合度达90%。研究指出，超半数案例中AI输出改变了医生的诊疗思路，但大规模落地仍需更大规模试验评估。
最多提供 50 页，更早的内容请使用搜索或主题页。