小路和你读 AI 论文第 1017 期：智能体记忆评估、量子电路优化与语言对防护安全的影响
本期解读三篇 AI 论文：一是引入 FEB-30 基准，直接检验智能体记忆操作的正确性；二是用大语言模型配合进化算法发现更高效的量子电路设计，显著降低门数和量子比特数；三是揭示语言差异对智能体防护系统安全性的影响。
#Agent
RadarAIAI 评分2222
RadarAIAI 评分6060 Anthropic 发布内部就业报告：智能体工时达人类 6 倍，初级技术岗招聘占比降至 9%
Anthropic 于 2026 年 10 月发布内部就业研究报告，基于就业记录、AI 使用遥测、员工调查、日历数据及 17 次深度访谈，分析深度应用 AI 后公司劳动力结构的变化。报告显示初级技术岗位招聘占比从 27% 降至 9%，智能体工时达到人类的 6 倍，员工转向管理智能体的「元工作」。报告提出四项核心发现。
RadarAIAI 评分1818 Hao AI Lab 推出 AI 侦探推理基准测试：100 个地址、10 名嫌疑人、12 小时破案
Hao AI Lab 发布 AI 侦探推理基准测试，每个案件设 100 个地址、10 名嫌疑人和 12 小时时限，要求指认凶手、动机与藏身之处。侦探团队分两个角色：Holmes 负责推理决策，可选 GPT6-Astra、Jev 或证据计数启发式方法；The Irregulars 负责搜索，使用 Jev 智能体或搜索启发式方法。
RadarAIAI 评分3838 Jev 集群与 GPT6-Astra 侦探破案对比：200 起维多利亚案件测试
Hao AI Lab 将 Jev 集群、GPT6-Astra 以及 GPT6-Astra 带领 Jev 集群三种组合送入维多利亚晚期伦敦，调查 200 起案件。结论是 Jev 集群能覆盖线索，但需要 GPT6-Astra 这样的推理型领导者来发现矛盾并深入挖掘。
RadarAIAI 评分3838 GPT6-Astra 与 Jev 智能体解谜表现对比
在 100 个较简单的解谜案例中，GPT6-Astra 带领 12 个 Jev 智能体解出 96 个，GPT6-Astra 单独解出 57 个，Jev 集群单独解出 38 个。这些案例中每个谎言都来自单个证人，而每个真实事实会出现两次，因此一个只统计线索的基于规则的领导者加上 Jev 集群能解出 97/100。
RadarAIAI 评分2020 GPT6-Astra 与 Jev 集群抗贿赂证人测试
Hao AI Lab 测试了 GPT6-Astra 与 Jev 集群在 100 个更难的案例中对抗被收买证人的表现。GPT6-Astra 加 Jev 集群得分 93，仅 GPT6-Astra 为 59，仅 Jev 集群为 42，基于规则的领导者加 Jev 集群仅 0–1。结论是面对有组织的谎言，需要一个会追问"是谁在说话"的推理型领导者。
RadarAIAI 评分2626 Hao AI Lab 提出智能体集群分工思路：快智能体跑腿，强推理者思考
Hao AI Lab 提出一种智能体集群分工思路：让快速智能体承担跑腿类任务，强推理者负责思考，即"一个天才，多个头脑"。该团队公开了全部 200 个案例的回放，以及相关代码和更多关于智能体集群行为的博弈案例研究。
RadarAIAI 评分3939 北大与三星论文提出 TORSI：慢推理模型离线教练快模型
北京大学与三星的论文提出 TORSI，让慢推理模型在局间研究快模型的失败并写出指令，供快模型在实时游戏中执行。在 RealtimeBench 的 180 个任务、6 类游戏中，两轮后 Jev 平均分从 13.51 升至 24.19，6 类游戏全部提升。
RadarAIAI 评分5858 论文记录一队 Gemini 4 智能体协作通关 Minecraft
Ethan Mollick 推荐了一篇关于一队 Gemini 4 智能体如何通关 Minecraft 的论文，论文链接为 https://arxiv.org/pdf/2610.22319。他表示这是一个通俗易懂的案例，部分原因是论文由 AI 撰写，展示了智能体之间为实现复杂目标而自发协调，以及它们的方法与人类有何不同。
Hacker NewsAI 评分5858 StarSkirmish v0.2 基准发布：让 LLM 写星际争霸机器人，GPT-6 Astra 居首
StarSkirmish 发布 v0.2 基准，让每个 LLM 在一小时内用 C++ 写一个 Protoss 机器人，再与人类编写的机器人对战，以平均胜率计分。
RadarAIAI 评分3434 Databricks 用领域知识注入提升 LLM 对 npm 二进制恶意包的检测
Databricks 提出在推理阶段注入领域知识，提升 LLM 对 npm 包内嵌二进制恶意载荷的检测能力。其扫描器自 2025 年 11 月起收集样本，在 11,413 个经 OSV 核验的包版本中，3.8%（432 个）捆绑二进制，这类包无法得出明确恶意结论的比例为 14.4%，是纯源码包 6.2% 的两倍多。团队用五种 .node 载荷测试九款模型，并设计能力画像作为加权条件编码恶意技术。
RadarAIAI 评分5858 Redwood Research 发布 Screwtape 管线，通过对抗性转录编辑测试监视器盲点
Redwood Research 推出 Screwtape 管线，把攻击插入真实 agent 转录并反复编辑，直到仅看动作的监视器不再识别。团队在 94 份转录上运行 252 次，得到 35 个逃逸自家 Opus 4.8 与 Gemini 3.1 Pro 监视器的攻击，其中 6 个也逃逸了某前沿开发者的留出监视器并经人工复核确认。
RadarAIAI 评分6969 Google DeepMind 四个 Gemini 4 Argon 智能体 27 小时从零击败 Minecraft 末影龙
Google DeepMind 展示四个 Gemini 4 Argon 智能体在共享的 Minecraft 世界中从零击败末影龙，全程无人类帮助，耗时 27 小时。智能体在只用代码和文本的沙盒中编写了 2,783 个程序，通过聊天分工、共享笔记并共同调试错误。
Redwood ResearchAI 评分5858 Redwood Research 发布 Screwtape：用对抗性轨迹改写对监控器做红队测试
Redwood Research 提出 Screwtape，一条把真实智能体轨迹改写成攻击、并反复迭代直到绕过只看动作的监控器的流程，配套论文已公开。
Databricks BlogAI 评分3434 Databricks 如何用领域知识注入提升 LLM 对 npm 二进制恶意包的检测
Databricks 针对 npm 恶意包中占比 3.8%（432 个包版本）的捆绑二进制样本，提出在推理阶段注入预计算静态证据的"能力画像"方案，而非微调模型权重。在 9 个模型上测试显示，含二进制包无法得出明确恶意结论的比例为 14.4%，是纯源码包 6.2% 的两倍以上。
arXiv cs.AIAI 评分3434 SWE-Nexus：从测试执行自动组合软件工程任务
SWE-Nexus 是一个全自动流水线，通过测试执行构建仓库级实现任务，由四个构建智能体筛选测试、适配追踪与评估协议并生成行为规范。其基准包含来自 105 个仓库、六种编程语言的 600 个任务（116 个原子任务、484 个组合任务），在三种智能体脚手架下评测 12 个模型，最佳配置单次尝试解决 37.8% 的任务。
arXiv cs.AIAI 评分2727 KV-streams：面向智能体强化学习的高效上下文压缩策略
研究者提出 KV-streams，一种与任意压缩策略兼容的即插即用方法，通过将 KV cache 向前流式传递而非每次压缩后清空，在三种压缩策略下实现 2.6 至 5 倍的训练墙钟加速。流式 KV cache 还可充当循环状态，携带已从上下文中消失的信息，且仅靠 RL 即可让该行为涌现。
arXiv cs.AIAI 评分3838 DroneCATS 基准：多模态 LLM 作为通用视觉-语言-动作智能体控制无人机
研究者提出 DroneCATS 基准，让 MLLM 通过四类动作直接控制无人机，覆盖目标可见性、目标运动、场景与模拟器变化，并扩展至真实无人机、多无人机及"指挥官+子智能体"套件，评测了十款从前沿到小型开源的 MLLM。
arXiv cs.AIAI 评分3434 规范驱动开发（SDD）的应然与实然：基于 Reddit 讨论、21 位从业者访谈与 SpecMine 语料库的研究
一项研究通过 Reddit 讨论、21 位从业者访谈（含 8 位工具开发者）和 SpecMine 语料库（73,030 个 GitHub 仓库的 470,795 个 spec 文件）考察了规范驱动开发（SDD）的实际使用情况。
arXiv cs.AIAI 评分3939 不重新生成，而是调试：面向加速器内核修复的领域专用智能体
针对 GPU、NPU 等加速器内核生成中大量"近失"候选被丢弃的问题，研究者提出领域专用调试智能体，通过检索模式、诊断插桩、反作弊检测与收敛保护实现自主修复。其 Debug Pass@1 达 66.7%，高于重新生成的平均 Pass@1 25.9% 和 Pass@3 40.7%，且每次成功消耗的 token 比三次重新生成少 92.8%。
arXiv cs.AIAI 评分2727 MemSyco-Bench：评测 Agent 记忆引发的谄媚问题
研究者提出 MemSyco-Bench，一个评测 Agent 系统中记忆诱发谄媚行为的基准，覆盖五项任务：判断 Agent 能否拒绝将记忆当作事实证据、遵守记忆的适用范围、解决记忆与客观证据的冲突、跟踪记忆更新，以及用有效记忆做个性化。现有记忆基准只关注记忆是否正确存储、检索或更新，忽略了检索到的记忆如何影响下游推理与决策。相关资源已向社区开放。
arXiv cs.AIAI 评分3232 MIRAGE：面向 Web 智能体的隐蔽视觉提示注入漏洞检测框架
研究者提出 MIRAGE，一种视觉间接提示注入框架，可在仅控制广告位等受限区域的第三方威胁模型下劫持 Web 智能体的下一步动作。该方法用扩散模型生成感知上自然的对抗图像，并结合曲率感知对抗扩散引导与稀疏暗像素残差扰动优化攻击效果。在 SeeAct 和 OpenClaw 上的评测显示其攻击有效、真实且隐蔽。
arXiv cs.AIAI 评分3737 SecureClaw：双边界架构让 LLM 智能体重获控制权
SecureClaw 是一种双边界架构，在可信执行器中强制授权，并将原始敏感数据隔离在 LLM 运行时之外。敏感读取经可信网关替换为引用 ID，写操作遵循 PREVIEW→COMMIT 协议，仅可信执行器可执行经策略授权的请求。
arXiv cs.AIAI 评分2727 基于语言的智能体控制（LBAC）：用类型系统约束 AI 智能体行为
论文提出语言智能体控制（LBAC），一种将编程语言与语言安全技术引入智能体控制的新编程模型，要求智能体生成在脚手架代码上下文中类型良好的程序，不安全程序在执行前即被类型检查器拒绝。该模型保留表达能力，智能体可执行任意无副作用计算并递归调用子智能体，子智能体在相同或更严格策略下保留完整工具访问权限。论文通过文件系统能力实现 I/O 沙箱、数据溯源和信息流控制三个案例研究进行演示。
arXiv cs.AIAI 评分2626 FinPILOT：面向 RL 交易智能体的推理时策略优化框架
FinPILOT 是一个受 MPC 启发的插件式推理时策略优化框架，利用多步价格预测器在每步决策前优化预训练策略，无需改动原始 RL 训练流程。在 DJ30 股票与外汇数据上，用 PPO、SAC、A2C、TD3、DDPG 五种预训练策略测试 30 种设置，28 种提升总回报、27 种提升 Sharpe 比率。预测误差越小，FinPILOT 的性能提升幅度与一致性越高。
arXiv cs.AIAI 评分3434 CoPE：让语言智能体的行动与预测协同进化
CoPE 通过在多步动作序列上增加预测性监督，让语言智能体的行动与预测能力在共享骨干网络中协同进化，推理时仍逐步行动、无额外开销。
arXiv cs.AIAI 评分4444 编码智能体的报告遗漏了什么：CTXGAP 测量执行上下文与报告之间的任务状态差距
CTXGAP 测量研究发现，编码智能体在按需回答任务状态问题时准确率达 93.6%，但仅读报告的监督者只能恢复 52.0%，与全上下文读者的 92.7% 相差 40.7 个百分点。在 30 个已验证修复的最终检查点上差距仍有 34.8 个百分点，完整终端回滚可将恢复率提升至 73.6%，但仍不及全上下文。该研究将基于报告的任务状态可恢复性确立为一项补充评估维度。
arXiv cs.AIAI 评分2727 异步对进化策略在长程 LLM 智能体任务上几乎无代价
研究提出有界陈旧度异步进化策略（bounded-staleness asynchronous ES），在 WebShop 上系统改变策略滞后程度与陈旧适应度测量比例，并设计两项压力测试探测极端陈旧情形。结果显示自然异步几乎与同步 ES 表现持平，即便全部适应度测量均陈旧，评估精度下降仍很小，表明 ES 无需显式离策略校正即可容忍显著策略陈旧，支持其用于长程 LLM 智能体的异步后训练。
arXiv cs.AIAI 评分4747 多智能体协作的全局一致性：当每个 Agent 都对、团队却错了
论文提出"全局一致性"问题：AI 智能体各自做出局部有效决策，联合结果却无效，根源是共享状态缺失而非智能不足。其 Observation-Aliasing Impossibility Theorem 给出精确边界——若 k 个不可区分世界需要两两不相交的动作，随机化最坏情况成功率上限为 1/k，更多推理、角色、消息或采样都无法弥补。
arXiv cs.AIAI 评分3030 CompMat-Bench：面向计算材料科学的 AI 智能体基准测试
研究者推出 CompMat-Bench，一个源自近期计算材料研究、包含 94 项任务的 AI 智能体基准，通过预先复现研究步骤来评估智能体准备输入与分析输出的能力，从而避免评测时运行昂贵模拟。基于三个 LLM 的智能体在单任务完整指导下通过率为 66.0-90.4%，更长工作流与减少指导会以不同方式限制不同智能体表现，失败多归因于科学错误而非软件使用错误。
arXiv cs.AIAI 评分3131 从模拟公民到模拟审议：LLM 智能体在代表性与交互上的挑战
研究用全国调查、受控审议实验和真实审议民调评估六款 LLM 能否模拟公众审议，发现智能体常产生过度集中的意见，无法可靠复现人口统计差异。在模拟审议中智能体虽会交换论点并频繁改变立场，但在看不到彼此发言时也会出现类似变化，而仅重述初始立场则大幅减少立场变动。
arXiv cs.AIAI 评分4040 Agent Gym：通过人在回路反馈持续评估与进化 LLM 智能体的框架
研究团队提出 Agent Gym，一个模块化、领域无关的框架，可将任意现有 LLM 智能体包裹进持续评估与进化循环，无需修改智能体源码即可在部署后修正行为。框架包含 Act、Evaluate、Investigate、Correct、Learn、Observe 六项可组合能力，核心技术为带 21 个条件算子和三级动作的确定性-LLM 混合修正引擎，以及三层调查架构。
arXiv cs.AIAI 评分3232 EvoFlux：面向小型智能体的可执行工具工作流推理时进化
EvoFlux 是一种推理时搜索方法，通过对工具调用与依赖的结构化图进行进化循环来修复工具计划，并利用真实工具服务器的执行错误指导替换工具、修正参数、插入缺失步骤和删除冗余步骤。
arXiv cs.AIAI 评分3737 SkillDAG：面向 LLM 大规模技能选择的自演化类型化技能图
SkillDAG 将类型化技能图作为 LLM 智能体可调用的接口，通过 search 返回向量匹配、类型化边邻居与冲突信号，并用 propose-then-commit 协议在执行中注册有执行依据的边。
arXiv cs.AIAI 评分3434 Harness-Bench：跨模型与真实工作流评估 Agent Harness
研究者推出 Harness-Bench，一个在真实 Agent 工作流中评估配置级 harness 效应的诊断基准，包含 106 个沙箱离线任务，在共享任务环境、预算和评测协议下对比多种模型后端与代表性 harness 配置。
arXiv cs.AIAI 评分4141 Life-Harness：不改模型权重，用运行时框架适配确定性 LLM 智能体
研究者提出 Life-Harness，一种生命周期感知的运行时框架，在不改变模型权重和评测环境的前提下提升冻结 LLM 智能体的表现。它从训练轨迹中把反复出现的交互失败转化为可复用干预，覆盖环境契约、流程技能、动作实现和轨迹调控。
arXiv cs.AIAI 评分6666 ERA：用 LLM 引导树搜索自动生成多病原体疾病预测模型
研究团队前瞻性评估了自主系统 ERA，它用大语言模型引导的树搜索迭代生成、评估并优化可执行的预测软件。在 2025-26 美国呼吸道季的实时评测中，ERA 为流感、COVID-19 和 RSV 生成了方法多样的模型，其集成模型在 CDC 季后官方评估中排名第一，并在三种病原体上均超过 CDC 的黄金标准预测集成。
arXiv cs.CLAI 评分6060 把任意地球观测任务变成递归自我改进：智能体自主构建遥感模型
arXiv 论文提出把任意可验证的地球观测任务拆成 harness 与 verifier 两部分，由通用编码智能体据此自行构建并递归改进 EO 模型。在覆盖光学、SAR 和多光谱时间序列的六个 EO 基准上，智能体构建的模型全部超过当前最优水平，其中土地覆盖制图仅用 11% 的训练标签。作者认为这确立了人类设计 harness 与 verifier、智能体构建模型的新范式。
arXiv cs.AIAI 评分4040 语言模型智能体的自编程执行（SPE）与 Spell 语言
论文提出自编程执行（SPE），让模型补全本身充当编排程序，harness 只负责求值而不施加固定编排策略。为此作者设计了可自我编辑并重新求值的 Lisp 方言 Spell，使模型调用等副作用表达式在重求值时不重放。未经 SPE 或 Spell 训练的前沿模型可在上下文内学会 Spell 并完成挑战性智能体任务，代码已开源，论文被 NeurIPS 2026 接收。
arXiv cs.CLAI 评分3030 BLOOM-WILT：用 Logit Tilting 实现自动化 LLM 审计中的行为诱发
BLOOM-WILT 是一套无需训练、仅依赖目标模型 next-token 分布的 LLM 审计流水线，通过多轮修正对话策略并混合诱发提示与无提示的 next-token 分布，来诱发罕见的多轮行为实例。