PhysElite：LLM 距离解决奥赛级物理题还有多远？
研究团队发布 PhysElite，一个面向奥赛级物理推理的大规模双语多模态基准，包含 11,586 道奥赛级题目，每题配有图示、中英双语分步解答推导和最终答案。对 18 个开源与闭源 MLLM 的评测显示，最强模型答案准确率仅 33.7%，研究还通过步骤级过程评估诊断模型推理链中的失败环节。数据集已公开。
最新动态
arXiv cs.AIAI 评分3535 arXiv cs.AIAI 评分3838 Parason：揭示 LLM 推理中的子任务并行与试错并行
Parason 通过无上下文语法将 LLM 的串行推理轨迹转为结构化并行轨迹，并用 PA-GRPO 训练模型同时学习子任务并行与试错并行。分析显示试错并行占 DeepSeek-V4 在 HLE 推理步骤中可并行计算的 65.5%，且在难题上占比更高。在 AIME24 和 AIME25 上，Parason 平均加速约 1.7 倍并保持有竞争力的准确率。
arXiv cs.AIAI 评分4848 LLM 智能体交接中工作流约束的侵蚀：当"必须"变成"也许"
研究发现 LLM 智能体通过摘要、计划等中间产物交接任务时，上游已确立的判断会被侵蚀——原本"必须满足"的前置条件降级为下游可忽略的提醒。实验中所有权转移导致 76.7% 的阻断条件失效，多跳压缩达 97.2%；固定产物回放中恢复完整阻断描述可将识别率从 6.2% 提升至 99.2%，禁止动作从 85.2% 降至 0.0%。
arXiv cs.AIAI 评分2929 ParallelWorld：面向智能体具身推理的测试时扩展框架
针对智能体具身框架直接执行动作、不模拟替代动作序列后果的问题，研究者提出 ParallelWorld——一种自适应视界的测试时扩展框架，通过并行模拟与评估多条候选轨迹，由验证器评估中间状态转移、动态剪枝并引导扩展，再选择轨迹仅执行首个动作并随新观测重新规划。在 ESI-Bench 与 LIBERO-Pro 上，该方法分别提升了主动空间推理与语言条件操作的表现。
arXiv cs.AIAI 评分2222 ATHENA：面向电子健康记录临床预测的智能体神经架构搜索，实现跨医院知识迁移与计算效率提升
研究者提出 ATHENA，一个知识引导的智能体神经架构搜索框架，用于基于 Transformer 的 EHR 临床预测建模。该框架每家医院仅预训练一次权重共享 supernet，候选架构通过微调而非独立预训练评估，并由双层跨医院先验结合 SHAP 元回归与多智能体 LLM 搜索。
arXiv cs.AIAI 评分3131 ReguSim：评估 LLM 智能体在金融合规中的规则落地能力
研究者推出 ReguSim 金融合规环境和 ReguBench 目标标记监测基准，用于区分陈述推理、尝试动作、执行约束与监测证据四个环节。在 DeepSeek V4 Pro 和 Gemini 3.5 Flash 的交易智能体测试中，可见规则能减少但无法消除被拒动作，激励或人设设定会改变行为。监测环节中，简单结构化基线可持平或超过仅用提示词的 LLM。
arXiv cs.AIAI 评分3333 SafeBranch：面向具身智能体的分支对安全对齐框架
SafeBranch 通过环境回滚从智能体自身的不安全轨迹中定位安全关键步骤，构造仅在该步骤有差异的分支对进行安全对齐，训练后的智能体部署时无需 critic 参与。在 IS-Bench、SafetyALFRED 及未见任务和物体的分布外变体上，该方法提升了安全任务完成率，在未见物体变体上安全成功次数约为未训练基线的十倍。
arXiv cs.AIAI 评分2121 AI 模型设计与医生责任：责任如何影响 AI 的差异化使用
研究考察医疗责任如何重塑 AI 公司的模型设计决策与医生的 AI 使用决策。当 AI 错误对弱势患者群体影响更大时，医生可能整体减少 AI 使用，并在中等责任区间内更少对弱势患者使用 AI，该效应呈非单调变化。强制要求算法在不同患者群体间精度一致，反而可能因扭曲公司投资激励和医生均衡决策而同时损害两个群体。
arXiv cs.AIAI 评分4141 Bench2Robust：面向工具调用智能体的场景可控恢复框架
研究团队提出 Bench2Robust 框架，通过场景可控的可解性为现有基准加入需重试原路径、切换备用工具或判定无可行路径的任务，从而将恢复策略质量与故障随机性分离。
arXiv cs.AIAI 评分2525 Emotion2Skill：用模型内部情绪信号实现自适应技能选择与进化
Emotion2Skill 框架提取 LLM 内部情绪向量，并将其用于技能选择与技能进化，通过追踪情绪表征变化识别有问题的技能调用以做针对性改进。在两个骨干模型上它优于七个基线，Qwen3-8B 上 WebShop 成功率超 Trace2Skill 3.1 个百分点、ALFWorld 平均成功率超 5.7 个百分点。相同情绪向量无需重新提取即可迁移到 MATH 和 MBPP，代码已开源。
arXiv cs.AIAI 评分3131 阅读不等于推理：视觉-文本压缩中的智能体策略鸿沟与 CAPS 框架
针对视觉-文本压缩导致智能体能力下降的问题，研究者提出两阶段跨模态智能体策略自蒸馏框架 CAPS，用同一模型更强的文本历史策略监督其视觉历史策略。在 SearchQA 上，CAPS 以 3B 和 7B 骨干分别比 AgentOCR 提升 5.0 和 3.4 个百分点；在完整历史 ALFWorld 上分别提升 15.6 和 14.5 个百分点。
arXiv cs.AIAI 评分3434 对齐的幻觉：检测协作对话中的隐藏分歧
研究提出"对齐的幻觉（IoA）"概念，指协作对话表面达成一致、参与者却在目标或执行计划上仍有分歧，18 场真实会议研究证实其普遍存在。团队构建 IoA-Suite 数据集与评测协议，最佳模型仅达 49.5% F1，瓶颈在于对话未暴露的私有上下文；基于此训练的 IoA-Prober-8B 达到 51.8% F1，在 18 场真实会议中每场平均发现 2.89 处参与者确认未曾说出的隐藏分歧。
arXiv cs.AIAI 评分2727 SkillEval：将 AI 智能体技能质量拆解为可解释信号
研究者提出 SkillEval，一个面向文档级技能的可解释评估框架，通过固定且可检查的评分方向为每项属性生成可解释分数，并测量和降低无关文档特征的影响。在受控质量测试中，SkillEval 能可靠区分不同质量的技能，其分数与下游任务表现密切相关，可提前预示技能有效性。该框架还可用于诊断文档弱点并指导针对性修订，从而提升目标属性与下游任务通过率。
arXiv cs.AIAI 评分3737 OctoLong：用跨仓库代码上下文做中期训练提升长上下文建模
研究团队提出 OctoLong，一套结合 AST 解析器、语言服务器后端与包管理器递归检索代码引用的上下文工程流水线，可构建长达数百万 token 的依赖丰富代码上下文。
arXiv cs.AIAI 评分3232 ContinualSkillBench：LLM 智能体真能持续进化技能吗？
研究者提出 ContinualSkillBench，一个面向上下文持续技能学习的动态评测框架，覆盖五个领域、每域 100 个按难度排序且可技能迁移的任务。实验显示顺序执行通常提升表现，但增益因模型和领域差异明显；保留上下文与反馈而不维护技能库，平均表现与显式技能库几乎持平，显式技能仅在需要可复用流程或精确输出的任务上有选择性优势。
arXiv cs.AIAI 评分3232 REALGUARD：通过潜在推理实现可靠、高效、可审计的 LLM 安全防护
REALGUARD 是一个通过潜在推理将安全推理与理由生成解耦的 LLM 安全防护框架，在训练中用连续潜在推理逐步替代显式理由，并单独训练轻量审计解码器按需生成解释。
arXiv cs.AIAI 评分2222 大语言模型如何辅助偏微分方程工作流：一篇综述
一篇综述梳理了 LLM 辅助偏微分方程（PDE）研究在发现、求解与优化三个阶段的进展，考察 LLM 如何结合物理知识、数值方法与计算反馈来构建模型、实现求解流程并指导设计与控制。文章还回顾了评估科学有效性、计算性能与工作流可靠性的现有基准与评测实践，并提出面向特定 PDE 问题的数学与物理推理、通过领域专用与多模态后训练构建可迁移专业知识、以及将主动实验设计与科学验证相结合三个挑战方向。
arXiv cs.AIAI 评分2424 替代值替换能否保留 PHI 可检测性：一项多检测器等价性研究
研究提出"可检测性保留"指标，在去标识化实际替换的文本片段上比较检测器对替代值与原始值的识别率。在 7 种语言的 7 个临床与通用 PII 基准（1,750 篇文档、5,333 个替换片段、11 个检测器）上，掩码片段召回率从 75.8% 降至 74.6%，变化 90% CI 为 [-1.62, -0.82] 个百分点，后验概率 > 0.99 落在 ±2 点内。
arXiv cs.AIAI 评分4242 SearchMaster：面向搜索智能体的有据可依、受调控自博弈框架
SearchMaster 是一个自博弈框架，让共享 LLM 策略在本地搜索环境中自行生成、求解并验证搜索任务，无需人工标注 QA 对或专家演示。
arXiv cs.AIAI 评分1010 CockpitHAT：面向具身多智能体座舱的依赖图驱动分层归因框架
该论文已被作者 Wei Wang 因公司合规要求撤回。原研究提出 CockpitHAT 分层归因框架，用交互 DAG 的依赖距离阈值替代位置窗口，并结合多通道证据与安全提升机制。
arXiv cs.AIAI 评分2929 LaCache：面向 LLM 服务的鲁棒语义缓存
LaCache 是一种面向 LLM 服务的语义缓存重设计，将完整性校验从查询转移到响应，额外检查查询前 k 个推测解码 token 的缓存命中，从而可证明地防御缓存碰撞攻击。分析证明其能以高概率检测产生语义不同响应的攻击，跨多种 LLM 和基准的评测显示攻击命中率降至接近零，同时保留超过 90% 的正常缓存效用。该工作入选 NeurIPS 2026。
arXiv cs.AIAI 评分2929 面向细粒度遗忘：多模态大语言模型的属性级遗忘学习
研究者提出属性级 MLLM 遗忘任务并构建 AMU-Bench，覆盖长文本、数字和短文本目标及多种遗忘比例与题型。针对目标属性与保留属性共享身份和视觉证据导致的残留泄漏问题，提出免训练框架 CLRP，通过因果定位与保留感知投影实现选择性遗忘。
arXiv cs.AIAI 评分2424 LEMUR：用偏好反馈的多目标强化学习实现对齐
LEMUR 是一个从多个人类偏好反馈中交互式学习最优多目标策略的框架，可同时学习策略与多个目标专属奖励模型，让智能体在学习过程中平衡相互竞争的目标。该方法在多种多目标基准任务上性能优于基线，为无需预定义奖励函数的多目标决策任务提供了新方向。
arXiv cs.AIAI 评分3131 MIND：面向 LLM 智能体的轻量意图感知信息瓶颈记忆注入防御
针对记忆增强 LLM 智能体易受记忆注入攻击的问题，研究者提出轻量防御框架 MIND，用意图感知信息瓶颈从初始意图与逐轮行为中提取紧凑的意图—行为表示，再由轻量检测器识别恶意记忆。在 ReAct-StrategyQA 上，MIND 将平均 ASR-r 和 ASR-a 分别降低 58.1% 和 53.5%，同时平均准确率与延迟与未防御智能体持平。
arXiv cs.AIAI 评分3030 SKILL-KD：面向 LLM 智能体的对比技能蒸馏
SKILL-KD 是一个对比技能蒸馏框架，将技能作为不同能力智能体之间的显式蒸馏介质：给定学生智能体的失败轨迹与教师在同一任务上的轨迹，把二者可操作的差异蒸馏为文本技能补丁，通过重跑学生智能体验证并在仍失败时迭代优化。
arXiv cs.AIAI 评分4242 指令微调语言模型无法从其能描述的分布中采样
研究发现指令微调模型并不从分布中采样，而是坍缩为单一输出：同一 persona 在同一问题上，公开民调基准中超过半数条目返回相同答案，内部概率也集中于单一选项。
arXiv cs.AIAI 评分2222 Agent-UCT：用树上的置信上界优化成本感知的智能体工作流
AgentUCT 将剩余评估成本的经济模型引入 UCT 选择，并用查询前缀记账连接搜索决策与可复用执行状态，在有限固定奖励树上证明了累积质量遗憾的 O(log T) 上界。
arXiv cs.AIAI 评分6060 PRO-LONG：用程序化记忆实现长程推理
论文提出 PRO-LONG，一个面向 LLM 智能体长程探索场景的最小上下文管理框架，通过保留完整结构化交互日志并用程序化工具高效检索历史来化解信息保留与检索难度之间的取舍。
arXiv cs.AIAI 评分3030 OAT：仅用成功轨迹的无监督 LLM 智能体失败归因方法
研究者提出 OAT，将 LLM 智能体失败归因建模为基于神经受控微分方程的单类学习，仅用 100 条成功轨迹训练，在推理时按每步偏离成功动态的程度打分定位错误步骤。该方法比基于提示词的基线快 200–5000 倍，在域内和分布外数据集上 F1 分别高出 +20% 和 +7%，且无需失败轨迹的步级标注。该工作已被 NeurIPS 2026 接收。
arXiv cs.AIAI 评分3131 LLM 规划能力研究：ACPBbench-Hard 上揭示两种不同的规划能力
研究在 ACPBench-Hard 上评估多个 LLM 系列，结合多维项目反应理论发现 LLM 规划表现由两种潜在能力主导：操作推理（评估局部动作适用性与即时状态转移）和结构枚举（推理目标可达性与地标结构）。操作推理随模型规模扩大和推理链变长而提升，结构枚举则相对不敏感。作者据此提出应转向能力层面的 LLM 规划评估。
arXiv cs.AIAI 评分5454 PASB 基准：自我改进个人智能体的持久谄媚现象评测
论文提出持久谄媚概念并发布 Personal Agent Sycophancy Benchmark（PASB），包含 1,600 个任务，在 Hermes-Agent 和 OpenClaw 两个智能体框架、十六个模型上运行。
arXiv cs.AIAI 评分3636 Long-Horizon-Terminal-Bench：用密集奖励评分测试智能体在长时程终端任务上的极限
研究者推出 Long-Horizon-Terminal-Bench，一个包含 46 个长时程任务的终端基准，覆盖实验复现、软件工程、多模态分析、交互式游戏和科学计算等九大类别，每个任务被拆解为细粒度评分子任务以提供密集中间奖励和部分得分。
arXiv cs.AIAI 评分3535 LLM 如何发展出语言：面向高效多智能体推理的符号化通信
研究者提出 Communicative Language Symbolism Routing（CLSR），让多个 LLM 智能体自主发明、演化并共享紧凑的 Language Symbolism Frameworks（LSFs），由无隐变量路由器按查询自适应选择与组合这些符号语言，以优化准确率与 token 成本的权衡。
arXiv cs.AIAI 评分2323 PASS：面向 LLM 推理模型过程监督强化学习的优势信号塑造
PASS（Process Advantage Signal Shaping）是一种面向 GRPO 的优势构建流程，通过奖励通道归一化与融合、信号定义分块累积以及按剩余分块数归一化，把过程监督的局部反馈转化为策略优势。
arXiv cs.AIAI 评分2929 微服务 RCA 基准的汇总排行榜遗漏了什么：对方法比较范围与来源的审计
一项审计在 OpenRCA、RCAEval 和 PetShop 三个基准家族上复现 16 种方法的官方实现，发现汇总排行榜的领先结论取决于其未公布的子系统间差距：15 个领先幅度超过该差距的比较中 14 个在所有子系统成立，8 个低于该差距的比较中 6 个发生反转。
arXiv cs.AIAI 评分3232 MedEvoEval：通过模拟临床情景评估医生智能体的持续进化
MedEvoEval 是一个基于动作门控模拟门诊情景的可执行纵向评估框架，将病例转化为患者、检查和管理者角色视图，通过结构化轨迹关联观察、动作、输出与经验回写。
arXiv cs.AIAI 评分2222 图世界模型中的 rollout 误差如何传播与抑制
研究系统分析了 Graph World Models（GWM）中 rollout 误差的传播机制，针对固定边与动态边两种情形推导出拓扑感知的误差界，刻画了图结构、学习动力学与演化边的作用。
arXiv cs.AIAI 评分2929 SGPO：用策略引导策略优化替代轨迹模仿，提升 LLM 推理能力
研究者提出 Strategy-Guided Policy Optimization（SGPO），用可复用的策略蒸馏替代实例级轨迹模仿，从强模型回答中提取结构化策略描述，并为每个问题构建自主与策略引导两条轨迹进行直接对比。
arXiv cs.AIAI 评分2727 Litmus：面向 AI 系统评估的零标签、代码驱动指标规范方法
Litmus 是一个零标签系统，通过从源代码中提取评估意图并配合针对性追问，为 AI 流水线设计评估与监控指标，再将答案转化为各阶段指标组合的约束条件。在三个真实代码定义的流水线上对比 AutoMetrics 和三个 DynamicRubric 基线，Litmus 在同等规模下覆盖更广的关注点、跨越更多阶段，并实现近零冗余的指标组合。
arXiv cs.AIAI 评分3636 Plans Fade Fast：为何上下文管理是 LLM 智能体的承重结构
研究提出 replay pairing 方法，固定动作-观察轨迹，对比有无计划交换时的动作前隐藏状态，发现 Llama-3.1-70B 在 ALFWorld 上计划后第一个动作到第二个动作的平均对比度下降 4.1 倍，Llama-3.1-8B 下降 5.6 倍。