多智能体卧底游戏：用反事实测试消除多模态推理中的幻觉
研究者提出多智能体卧底游戏（MUG）协议，借鉴"谁是卧底"社交推理游戏，通过修改参考图像引入反事实证据，检测出存在幻觉的"卧底"智能体，为识别幻觉智能体提供真值依据。MUG 从三个维度改进多智能体辩论（MAD）：以反事实测试实现超越统计共识的事实核验、通过动态修改证据源引入跨证据推理、推动智能体主动探究讨论而非被动作答。该工作已被 AAAI 2026 接收，源代码已公开。
最新动态
arXiv cs.AIAI 评分2727 arXiv cs.AIAI 评分3131 e1：学习推理努力的自适应控制
研究者提出 Adaptive Effort Control，一种自适应强化学习方法，训练模型按用户指定的 token 比例（相对于当前平均思维链长度）分配推理量，无需针对数据集和阶段调参。
arXiv cs.AIAI 评分2929 让智能体学会推理自身计算开销：同等训练预算下 75% 游戏表现更优、算力省三倍
研究让强化学习智能体感知自身计算成本并自主控制何时使用算力，在 Arcade Learning Environment 上，同等训练算力预算下这类智能体在 75% 的游戏中表现更好，平均算力消耗降至三分之一。论文分析了各游戏中的效率来源，已被 Reinforcement Learning Conference（RLC）2026 接收。
arXiv cs.AIAI 评分3030 用 LLM 做程序合成：BesiegeField 基准测试组合式机械设计
研究者提出"组合式机械设计"，将机器写成组合标准化部件的程序，并以模拟物理行为判定成败，同时发布基于游戏 Besiege 的测试平台 BesiegeField。在单智能体生成、迭代编辑和分层工作流下，强模型能恢复任务相关结构，但在空间精确装配与机制级规划上仍吃力。团队用模拟奖励对开源模型 Qwen2.5-14B 做强化学习微调，固定生成预算下最佳机器得到改善。
arXiv cs.AIAI 评分2727 LIFT：基于似然的干预忠实度训练，提升 LLM 链式推理忠实性
研究者提出 LIFT，通过将推理步骤替换为领域匹配但无关的事实、测量答案对数概率下降来自动为每步推理打因果影响分，并在高分的 CoT 轨迹上微调，同时优化忠实度与准确率。该方法在 Mistral-7B-Instruct、Qwen3-8B 和 Qwen3-4B-Instruct 三个模型及三个基准上提升了忠实度，准确率与仅针对准确率微调的模型相当，且无需人工标注。
arXiv cs.AIAI 评分4141 LLM 智能体行为是否自洽？面向社会模拟的 Latent Profiling 方法
研究提出 Latent Profiling 框架，用于检验 LLM 智能体的行为自洽性——其对话行为是否如人类行为模型所预测的那样，由短问卷elicited出的自身潜在画像所决定。在九个开源模型上测试了关于偏好、开放性和一致性的六项假设，结果显示智能体虽能复现表层趋势，却在深度测试中系统性失败：即便个体回答看似像人，它们也并不行为自洽。
arXiv cs.AIAI 评分1212 如何统一刻画数独谜题难度：基于 SAT 与人类解题策略的通用评级系统
研究者提出两个数独难度指标：一是将谜题转为 SAT 问题后由子句长度分布刻画结构复杂度，二是用随机化 Nishio 回溯算法模拟人类解题并统计四种策略的调用次数。
arXiv cs.AIAI 评分2323 Cite Pretrain：让大语言模型无需检索即可完成知识引用
研究者提出 Cite Pretrain 方法，让 LLM 无需推理时检索即可引用其（持续）预训练中的文档，并推出 CitePretrainBench 基准，涵盖 Wikipedia、Common Crawl、arXiv 及未见文档。
arXiv cs.AIAI 评分1818 基于可分解性引导的协同协同进化大规模行程规划方法
针对大规模行程规划中组件依赖问题，研究者建立了弱可分解性的充分条件，并据此提出一种多目标协同协同进化算法，通过基于归一化适应度的动态分解策略和计算资源分配策略应对组件不平衡与交互挑战。在34个测试用例（含18个真实案例、8个大规模半合成案例及8个聚类定向越野基准案例）上，该算法均取得最高平均超体积，显著优于对比算法，大规模基准实例上性能提升尤为明显。
arXiv cs.AIAI 评分4141 ALIGN：通过自动接口生成实现智能体与环境的对齐
针对 LLM 智能体与环境之间的"智能体-环境错位"问题，研究者提出 ALIGN 框架，通过自动生成接口丰富环境静态信息与逐步观测，以轻量级 wrapper 形式实现对齐，无需修改智能体逻辑或环境代码。在具身任务、网页导航和工具使用等多个领域实验中，该方法在 ALFWorld 上成功率最高提升 45.67%，且生成的接口可跨不同智能体架构和 LLM 骨干泛化，无需重新生成。
arXiv cs.AIAI 评分3131 LLM-BabyBench：语言模型能否在可模拟的世界中做规划？
LLM-BabyBench 将程序生成的 BabyAI 网格世界改造为完全可观测的纯文本环境，把规划能力与感知、检索、常识等因素分离评估。其 PPD 套件包含 Predict、Plan、Decompose 三项任务，在七个前沿与开源模型零样本测试中，所有模型的模拟表现均远超规划，最强模型接近饱和。
arXiv cs.AIAI 评分2424 Physics：面向大学水平物理问题求解的基础模型基准测试
研究者推出 Physics 基准，包含来自六个核心物理领域 PhD 资格考试难度的 1034 道开放式题目，每题配有解答与独立核验的参考答案，并采用基于 LLM 的评分协议评估数值、符号和文本作答。
arXiv cs.AIAI 评分2222 如何突破无偏博弈的学习瓶颈：一种电路复杂度方法
针对神经网络在无偏博弈中难以学会最优策略的问题，研究者以 NIM 游戏为例，证明浅层固定规模量化网络属于 AC⁰ 电路类，无法计算任意大输入的奇偶性，因而无法在所有棋盘规模上实现最优单步走子。
arXiv cs.AIAI 评分2222 用神经符号方法识别自然语言论证中的蕴含与矛盾关系
研究提出一种神经符号方法，用预训练 AMR 解析器将文本转为抽象语义表示图，再翻译为命题逻辑并交由 SAT 求解器自动推理，以识别自然语言论证中的蕴含与矛盾关系。为应对措辞差异导致的逻辑表示不匹配，该方法引入松弛机制，允许替换或遗忘部分命题。实验显示该方法在三个 RTE 数据集上表现良好，且能给出前提、主张及松弛操作的逻辑表示。
arXiv cs.AIAI 评分2121 有限域情景演算理论中时间推理的可判定性研究
研究发现，在情景演算中用实值函数 time(a) 为每个动作附加时间点的常见做法，即使域中仅含有限对象，判断是否存在满足给定公式的可达情景也是不可判定的。作者借鉴时间自动机理论，引入带受限后继状态公理和比较运算符的时钟（实值流变量），证明有限域基本动作理论的可达性问题可判定，并给出确定 Golog 程序成功执行动作序列的可判定过程。
arXiv cs.AIAI 评分3434 ChunkAct：面向智能体机器人的动作分块
ChunkAct 将动作分块引入智能体机器人，在线单次 LLM 调用即可启动一串链式原语自主执行，仅在失败时交还控制权；离线阶段把记忆编译为这些分块，使测试时执行无需记忆。在 LIBERO-Pro 上，ChunkAct 任务成功率较智能体机器人 SOTA 提升 5.0 分，同时 LLM 调用减少 2.9 倍、输入 token 减少 4.4 倍、输出 token 减少 2.3 倍。
arXiv cs.AIAI 评分2727 质量感知 VLA 预训练中什么最重要：AXIS-Bench 基准与实证研究
研究基于 5000 条自然次优人类演示和 24 个目标任务，对比了 VLA 预训练中加权、过滤与条件化三种质量利用方式，发现 approach-aware episode conditioning 的平均成功率优于普通行为克隆，且条件化与过滤分别偏好 episode 和 chunk 标签。
arXiv cs.AIAI 评分6060 Tev：用稠密进度奖励扩展长时程智能体环境
论文提出 Tev-Gym，首个带可验证稠密渐进奖励的长时程智能体训练数据集，覆盖 7 个领域共 1,170 个已验证任务环境。其构建采用 latent-world-first 方法，先构造任务领域、工作流与每步预期状态的隐藏规格，再逐步渲染为面向智能体的环境，从而获得可控复杂度与天然进度指标。
arXiv cs.AIAI 评分3737 DoubtLess：无需训练的高效推理对比解码方法
DoubtLess 是一种无需训练的对比解码方法，用小推理模型引导大模型精简思维链。在七项竞赛数学、研究生科学和编程基准上，它将 Qwen3-32B 的 CoT 缩短 31% 且准确率不变，优于五种推理时基线。在自调试编程智能体中，每轮思考 token 减少 20% 且任务表现不变，并可泛化到另外两个模型家族。
arXiv cs.AIAI 评分4242 HybridAgents：融合隐式推理与文本交互的混合推理智能体
HybridAgents（Hybrid Reasoning Agents）通过轻量级 HybridLink 在隐式推理与文本交互间动态切换，并借助连续工作记忆保留无损混合上下文，使隐式思维可直接检查。
arXiv cs.AIAI 评分3636 两时钟：为何更大 rollout 批次在 RLVR 中学习更慢却按时失败
研究提出"两时钟"框架，区分 RLVR 中产生进展所需样本与崩溃前消耗的样本。基于局部二次模型，平方根学习率规则虽保持每样本一阶漂移，却无法保持进展：更大批次更新更少更长，曲率损失更多，存在依赖学习率的临界批次。在 Qwen2.5-Math-1.5B 上跨 16 倍批次范围的 GRPO 实验支持该预测，进展差距在另一数据集、通用 checkpoint 和 7B 模型上重现。
arXiv cs.AIAI 评分3434 LIBERO-RIG：面向视觉-语言-动作模型的硬件配置鲁棒性基准
LIBERO-RIG 是一个只扰动机器人硬件与配置、保持 LIBERO 任务不变的鲁棒性基准，覆盖相机安装与光学、相机-机械臂标定、驱动增益、控制频率、本体感觉噪声、底座位姿、桌面高度和夹爪垫等 11 个扰动轴，每轴 5 个严重度，在四个 LIBERO 套件上共 210 种条件。
arXiv cs.AIAI 评分1515 离线 Q-Learning 结合 KL 正则化的快速收敛速率
该论文研究带 KL 正则化的有限时域马尔可夫决策过程中的离线 Q-learning，提出 KLQ 与 KLPQ 两种算法。KLQ 无需显式悲观机制即可达到 Õ(1/ε) 的样本复杂度，但依赖 KL 正则化参数与时域的指数项；KLPQ 引入悲观机制后保持 Õ(1/ε) 速率并消除该指数依赖。作者称这是表格型有限时域 KL 正则化 MDP 中离线 Q-learning 的首个快速收敛保证。
arXiv cs.AIAI 评分3434 RoboSimStudio：面向机器人操作任务的人与智能体快速 Real2Sim 交互工具包
RoboSimStudio（RSS）是一个交互式工具包，将求解器、接触模型和物理参数的选择显式化并可编辑，让人类和编码智能体都能基于观测到的物理行为快速创建并迭代优化仿真。该工具基于开源 Newton 物理仿真系统实现，并开展了人类引导 real2sim 的三类实验：视觉评估、力反馈以及智能体化的 Real2Sim2Real。
arXiv cs.AIAI 评分2222 多智能体强化学习中的极值搜索控制：ADiCo 如何在线自适应调节行为多样性
研究者提出 Adaptive Diversity Control（ADiCo），一个双时间尺度框架，可在训练中在线调节多智能体强化学习的行为多样性。快速尺度上，Diversity Control（DiCo）将系统多样性调控至目标值；慢速尺度上，极值搜索控制器（ESC）仅凭平均回合回报调整该目标，无需显式模型或多样性-性能梯度的解析式。
arXiv cs.AIAI 评分5151 SEAR：自进化智能体机器人框架与基准发布
研究者提出 SEAR（Self-Evolving Agentic Robotics）框架与基准，用于检验语言模型智能体是否真正在机器人任务中学习，以及所学能否迁移到新任务、新模拟器和真实机器人。
arXiv cs.AIAI 评分2222 MalwareFormer：基于字节序列 Transformer 的恶意软件检测框架
论文提出 MalwareFormer，一个基于 Transformer 的字节级恶意软件检测框架，直接处理原始字节，无需领域知识或特征提取，准确率 98.35%、平衡准确率 98.32%、macro-F1 98.32%、假阳性率 1.94%，在所有阈值相关分类指标上均优于基线。
arXiv cs.AIAI 评分2222 LLM 集成增益从何而来？候选价值、多样性与聚合的分解
研究将 LLM 集成增益（CIV）在非多样性对照下代数分解为额外候选对比（DSV）与候选上下文对比（CCV），且该分解依赖所选对照，CIV 本身则不然。
arXiv cs.AIAI 评分3737 PreciseCoder：超越单元测试奖励的忠实且可泛化调试
PreciseCoder 通过为单元测试奖励增加语义验证的局部编辑信号，在 4B、9B、27B 模型上将平均编辑行数从 7-15 行降至 3 行，通过率与仅用单元测试训练持平。
arXiv cs.AIAI 评分3939 SolBehave：评估 LLM 生成智能合约的行为正确性
研究者推出 SolBehave 基准，用差分模糊测试、历史交易回放和 DCR 图引导的合成交易回放三类测试，在 250 个真实以太坊合约上评估 LLM 生成 Solidity 合约的行为保真度。
arXiv cs.AIAI 评分1515 一种速率迁移方法：通过随机微积分推导随机梯度下降的收敛速率
研究者提出一种"速率迁移"方法，可将关联随机微分方程（SDE）的有限时间 Lyapunov 估计转化为随机梯度算法的有限时间收敛界。在一般矩条件与光滑性条件下，随机梯度法的收敛分析被简化为验证 SDE 的 Lyapunov 生成元不等式的微积分论证。该方法能复现经典随机梯度方法的已知收敛速率，并为新优化算法通过其关联 SDE 的微积分论证建立收敛速率提供了途径。
arXiv cs.AIAI 评分6262 Steertuning：用 5 段人类视频让机器人学会新任务
研究者提出 Steertuning 系统，让机器人在新环境中仅凭 5 段人类演示学习新任务，整个流程从数据采集到策略部署不到 5 分钟。该系统先在 100 小时带密集标注的第一人称人类交互数据上预训练一个 400M 参数的扩散策略，再针对新任务微调 2 分钟（2000 次训练更新），并在反向采样时用与部署环境观测最接近的演示来引导动作。
arXiv cs.AIAI 评分2727 UniW(A)M：统一世界模型与世界-动作模型的混合专家框架
研究者提出 UniW(A)M，一个基于扩散 Transformer 的混合专家框架，统一了动作条件世界建模与多种世界-动作模型（WAM）变体，共享专家捕捉通用动力学，原子能力专家跨接口复用。
arXiv cs.AIAI 评分2626 GeoReader：为视觉语言模型学习空间推理的潜在几何表示
GeoReader 框架通过训练轻量级 Geometric Readers 生成连续几何 token，让 VLM 直接读取几何信息，而非仅对齐几何特征。在 Qwen3-VL-4B 上，该方法在 MindCube-Tiny 达到 94.3；配合多源 QA 混合数据，Qwen3.5-9B 在六个额外空间基准上平均得分 72.5。推理时 VLM 直接由连续几何 token 作答，无需生成几何思维链。
arXiv cs.AIAI 评分2424 Varest：通过预 LLM 语义可变分辨率 Token 化与 LLM 内相关性剪枝实现图像 Token 压缩
Varest 提出一种图像 token 压缩方法，基于语义可替换性，用目标与文本定位器引导可变分辨率合并，再通过可学习的 [REL] 寄存器在解码器早期处理后剪枝视觉 token。
arXiv cs.AIAI 评分2222 RadarGSOcc：基于 4D 雷达张量与几何-语义特征提取的多普勒感知 3D 语义占用预测
RadarGSOcc 直接处理 4D 雷达张量，分别提取几何与语义特征（含多普勒信息），核心是可变形注意力几何精修模块。
arXiv cs.AIAI 评分2727 ProAS：面向多轮智能体强化学习的进度感知优势塑形框架
针对 GRPO 等无 critic 算法将轨迹级优势均匀分配给所有动作的问题，研究者提出即插即用框架 ProAS，通过动态演进的 Agentic Reference Graph（ARG）实现细粒度信用分配。
arXiv cs.AIAI 评分3131 GTP：基于生成式轨迹规划的模型在线决策框架
研究者提出 Generative Trajectory Planning（GTP），一种基于模型的框架，通过从扩散先验中采样候选动作序列并利用学习到的动力学、奖励和价值模型进行精炼，实现高效的轨迹级推理。在连续控制和长时程操作任务中，GTP 匹配或超越 SOTA 的无模型、扩散策略和基于模型的基线，并在强基线退化的场景下保持稳定。
arXiv cs.AIAI 评分2222 从关系特定注意力头到共享干预：语言模型中的上下文夹带研究
研究者在19个词汇-语义子类上通过事实干扰关系补全提示，识别出能减少上下文夹带的注意力头，发现同语义族迁移效果优于跨族迁移，且子类特定搜索反复重新发现许多全局共享头。干净补全与上下文使用探针表明，这种共享干预可减少有害复制，同时保留普通关系补全和简单上下文能力。研究认为，有害上下文跟随不应靠寻找孤立的关系特定回路，而应用异构攻击提示揭示可复用的干预目标。
arXiv cs.AIAI 评分2222 SMI：基于本体论语义 ID 的层级感知医学概念表示
研究者提出免训练的 Semantic Medical Identifier（SMI）框架，将每个诊断、手术或药物概念的 Semantic ID 定义为医学本体中由粗到细的路径，并聚合冻结的生物医学 LM 嵌入生成层级感知的医学概念表示。