L2G-SR：学习引导 LLM 符号回归
L2G-SR 是一个用学习到的结构验证器引导 LLM 符号回归搜索的框架，通过树编辑距离（TED）构建结构监督信号，在搜索时用验证器补充数值误差进行父代选择。在 LLM-SRBench 上，该框架在评测的多个 LLM 骨干和领域上取得数值拟合、方程级准确率和 TED 的 SOTA。
#论文/研究
arXiv cs.AIAI 评分2222 arXiv cs.CLAI 评分2424 Jev-as-a-Judge 用于 RAG 声明验证：非生成式验证器与前沿 LLM 的置信度门控级联
研究对比非生成式决策模型 Jev 与前沿 LLM Astra 在 LLM-AggreFact 的 495 条人工标注声明上的表现，两者在常规指标上仅差 -0.56 分，成本却相差 187 倍。
arXiv cs.AIAI 评分3434 IneqAgent：结合符号计算的 Lean 不等式证明智能体
IneqAgent 是一个将 LLM 推理与符号计算结合、在 Lean4 中证明不等式的智能体框架，采用引理级蒙特卡洛树搜索协调引理构造、目标重写与符号后端选择。
arXiv cs.CLAI 评分2828 Qwen3-8B 长程可靠性研究：上下文注入下重复识别、局部处理与计数器追踪的逐步评分
研究对 Qwen3-8B（非思考模式，20 个随机种子）在 400 步账本任务中逐步评分，发现重复识别错误在 episode 后期从每步 0.0019 升至 0.011，而计数器在 8,000 步中零错误。
arXiv cs.AIAI 评分2626 反事实邻域风险场 CNRF：面向视觉语言模型的证据驱动选择性安全
研究者提出反事实邻域风险场（CNRF），一种面向视觉语言模型的选择性安全框架，通过构建上下文匹配的良性-有害反事实对，将其表征差异作为风险方向，并将邻域支持度与风险分开估计，避免把陌生输入误判为有害。在三种 VLM 和五个多模态越狱家族上，CNRF 取得 86.06-89.30% 的宏平均防御成功率，同时保留可观的良性任务效用。
arXiv cs.CLAI 评分1818 MeddeX：结合 RAG 与 Gemini Vision 的 LLaMA-3 医学报告分析系统
MeddeX 将 QLoRA 微调的 LLaMA-3（8B）与 RAG 及多模态 Gemini Vision 层结合，为医学报告生成有证据支撑的摘要，支持文本 PDF、扫描件和放射影像。
arXiv cs.AIAI 评分2323 Verus 中的正确性反馈为何会抹除证据：阶段分离的完整性审计
在 12 个 Verus/Rust 任务、四个模型家族、匹配调用预算下，无反馈独立发现产生的认证见证产出率（59.0%）是 IntentShield 纠正反馈循环（27.1%）的两倍以上，差距主要来自反馈内容而非独立重启。
arXiv cs.CLAI 评分2222 基于大语言模型的实时聊天机器人恋爱诈骗阶段检测
研究团队开发了一款通过 Line Messaging API 运行的聊天机器人，利用大语言模型实时检测恋爱诈骗所处阶段。该机器人基于社会科学领域的七阶段理论划分诈骗进程，一旦识别出诈骗即通过大语言模型给出阶段解释与防范建议。该成果已被 TANET 2026 录用，可用于真实场景降低恋爱诈骗风险。
arXiv cs.AIAI 评分3232 AlphaDiana：面向智能体可验证推理任务的测量系统
AlphaDiana 是一个模块化测量系统，通过数据集、智能体、环境和评分器的接口，在保留 harness 原生控制循环的同时分别控制文件复用与记忆保留。研究用 3 个开源模型和 3 个开源 harness 在 5 个答案型基准上测试，发现 harness 并不能稳定提升推理准确率：在模型单独答错的问题上取得的增益，可能被其原本答对问题上的损失抵消。
arXiv cs.AIAI 评分3131 VISTA：为离散扩散模型加速 SMC 引导的值信息调度裁剪
VISTA 是一种免训练方法，可在固定预算下自动选择离散扩散模型的引导时间步，将稀疏引导建模为对理想全引导概率路径的近似，并用少量全引导预热生成的价值统计通过动态规划精确求解。
arXiv cs.CLAI 评分1515 巴西葡萄牙语金融新闻多类分类大规模数据集发布
研究者构建了约 16 万篇巴西葡萄牙语金融新闻语料库，并基于多语言语义嵌入对比了余弦相似度、KNN 和 FAISS 三种相似度方法。在人工标注子集上 KNN 表现最佳，准确率 47.3%、F1 31.9%；在 LLM 标注子集上准确率约 50% 但 F1 降至近 20%，显示标签不平衡与弱标注噪声的负面影响。
arXiv cs.AIAI 评分3030 基准饱和后如何评估模型能力：任务转录仍保留能力信号
研究探讨基准分数饱和后能否用任务转录评估模型能力，通过历史基准与模型发布回溯模拟饱和场景，测试仅访问已饱和基准中正确解答转录的协议能否预测未饱和留出项上的能力。结果显示饱和转录仍保留超出基准准确率的能力信息，其中成对评判表现最佳，预测误差比仅用饱和基准分数的基线降低 5.3 倍，但预测能力在分布偏移下并不总能泛化，例如会低估 2025 年初首批推理模型的能力。
arXiv cs.CLAI 评分2222 PRISM：基于特权同级图引导的多智能体拓扑设计
PRISM 通过特权信息学习，从同一执行验证图语料中恢复每个查询的偏好信号：教师模型经零初始化低秩分支读取一个部署时不可用的同级图，学生在自己采样的轨迹上匹配其逐决策目标。在六个基准上，PRISM 优于所有评估过的拓扑设计基线，匹配教师对照实验支持了特权查询信息的贡献。代码已开源。
arXiv cs.CLAI 评分2020 DeepUnfolding-Agent：一个经典-量子自适应控制 API
DeepUnfolding-Agent 是一个基于 FastAPI 的 schema 驱动平台，将深度展开自适应控制以外部软件服务形式提供，使控制器逻辑与任务训练脚本解耦。
arXiv cs.AIAI 评分3939 RealtimeBench：在实时运行的游戏环境中评测与训练 LLM 智能体
研究者推出 RealtimeBench，包含六类游戏共 180 个任务，在游戏持续运行、推理耗时的情况下评测 LLM 智能体。配对评测显示，GPT-6.1-sol 在游戏暂停时优于更快的 Jev，但游戏持续运行时反被 Jev 超越。
arXiv cs.MAAI 评分2222 从迁移到校准：让 AI 智能体对齐部署需求
论文提出面向部署目标的智能体校准框架，主张校准应让智能体满足目标环境需求，而非模仿来源或追求通用最优。框架定义三类标准族（基础能力与可操作性、技术与专业精度、用户上下文），并用版本化映射区分需保留、转换、新增或淘汰的需求。作者强调这是方法论提案，仅含部分调和的试点证据，确认性验证与超 80% 零样本任务上下文接受目标仍未完成。
arXiv cs.MAAI 评分4949 SoK：交易智能体还是市场崩盘推手？拆解学术金融 LLM 交易方案的鲁棒性与安全失效
研究者提出 FARSIGHT 系统化框架，从市场压力鲁棒性和源操纵、智能体被攻陷等安全维度评估金融 LLM 交易智能体，并对照已发布代码核查论文评级。在 15 个学术方案中，无一在任何鲁棒性指标上获得满分，7 个开源方案的代码中无一在 LLM 之外强制执行止损或仓位限制，4 个缺失论文或文档所述的组件，2 个在宿主机上运行模型生成的代码。
arXiv cs.MAAI 评分2222 意志引导：面向人与机器的操作语义
研究提出"意志引导的多智能体原子事务"抽象规范语言，并构建一条从规范到 GLP 基础编程语言的抽象级联，包含 CVA、vGLP 和 GLP 三层，逐层证明其正确性。
arXiv cs.MAAI 评分2222 LLM-as-an-Investigator：面向稳健交互式问题诊断的证据优先智能体推理方法
研究者提出 LLM-as-an-Investigator 证据优先方法，并实现 Solution Investigator Agent（SIA），通过共享调查状态协调 Diagnostic Reasoner、Hypothesis Investigator 和 Counterfactual Investigator 三种推理行为，减少过早锁定错误假设。
arXiv cs.MAAI 评分2525 TeraAgent：可模拟 5000 亿智能体的分布式智能体仿真引擎
TeraAgent 是一款分布式智能体仿真引擎，可在 84,096 个 CPU 核心上模拟 5000 亿个智能体，规模达当前最先进平台 BioDynaMo 的 292 倍。它通过定制序列化机制与 delta 编码降低跨服务器数据传输，序列化中位加速 110x、反序列化 37x，单核智能体更新速率是 Biocellion 的 8 倍，原位可视化性能提升 39x。
arXiv cs.MAAI 评分1212 不透明机器人在异步下的宽容聚集问题研究
该研究在 LUMI 模型下探讨了移动故障模型中不透明机器人的宽容聚集问题，证明 (2,1)-移动系统中使用 2 色灯无法实现宽容聚集，并给出使用 3 色灯的最优解。针对 (N,f)-移动系统提出两种确定性算法：一种使用 7 色灯、时间复杂度 O(N)，另一种使用 26 色灯、时间复杂度 O(max{ℓ,f})，首次实现时间复杂度分析，可应对不透明可见性与异步调度。
arXiv cs.MAAI 评分6262 Praxist：把实验产物转化为可追溯的解法谱系
论文提出 Praxist，一个以谱系为中心的代际系统，把可复现产物与评测结果转成带类型的证据图、分道前沿和议程，让后续尝试继承已验证机制与未决问题。
arXiv cs.MAAI 评分3434 MasDrift：跨多智能体架构的授权保持基准测试
研究者推出 MasDrift 基准，包含 8 个领域的 600 个良性生产力任务，用于评测多智能体系统在委派任务时能否保留原始授权边界。测试显示，集中式层级架构任务完成率达 93.9–98.6%，高于对等网络的 85.7–87.0%，但未授权操作占比 2.7–19.8%，远高于后者的 0.6–0.8%，且差距随层级加深而扩大。
arXiv cs.MAAI 评分5858 多 LLM 系统在 200 至 1000 轮交互中出现稳健的语义坍缩
arXiv 论文《Multi-LLM Systems Exhibit Robust Semantic Collapse》指出，多 LLM 交互系统会出现语义坍缩，即在词汇表面存在差异的情况下语义表示系统性收敛，且无需重新训练或更新权重。
arXiv cs.MAAI 评分2626 ORACLE-SWE：量化关键信息信号对 SWE 智能体的贡献
研究提出 ORACLE-SWE，量化 Reproduction Test、Regression Test、Edit Location、Execution Context、API Usage 等 oracle 与智能体提取信号对仓库级 SWE 任务成功率的贡献，并测量智能体实际找到的信号与 oracle 信号之间的差距。
arXiv cs.MAAI 评分1818 面向网络化多智能体强化学习的分布式可扩展耦合策略算法 DSCP
针对奖励相互依赖、策略相互耦合的网络化多智能体强化学习（NMARL），研究者提出分布式可扩展耦合策略（DSCP）算法，引入"邻居平均 Q 函数"并推导出耦合策略梯度的新表达式。
arXiv cs.MAAI 评分2929 训练 LLM 智能体与多智能体系统的纠偏能力
针对 LLM 智能体与多智能体系统执行中偏离总体目标的"目标漂移"问题，研究者提出一个在旁监督执行的 steering agent，通过低成本快路径判断何时干预、高成本慢路径决定如何干预。两条路径用强化学习联合训练，结合成对排序目标与 GRPO。在信息检索类搜索任务上，该方法对单智能体和多智能体系统均提升了性能与效率，且能泛化到域外任务、迁移到未见过的执行器，并支持无需重训的可控干预频率。
arXiv cs.MAAI 评分2020 多智能体系统中时序目标的理性策略学习
研究针对动态未知的随机多智能体系统，提出将每个智能体的概率时序目标（用 PLTL_f 描述）转化为奖励自动机，并在 Nash 均衡、子博弈完美均衡等解概念约束下求解理性综合问题。方法基于表格型 Nash-Q 学习，给出条件收敛保证，并用同时有限样本置信界验证满足性、以近似最佳响应检查评估策略稳定性。在 8 个一般和并发随机博弈上完成实证验证。
arXiv cs.MAAI 评分2222 通过顺序拍卖实现去中心化 LLM 工作流
研究者提出一种去中心化市场框架，让自利智能体通过顺序拍卖协作求解多步任务。研究对比 Mirror Descent、Thompson Sampling、Bayes-Optimal 和 PPO 四种竞价算法在 1st-Price。
arXiv cs.MAAI 评分1818 基于可达性控制障碍函数的抢占式通信鲁棒多智能体追逃
该研究提出一种统一控制/通信策略，让每个智能体基于最后收到的邻居状态计算可达集，并用控制障碍函数求解安全控制输入，在通信间歇下保证智能体间避碰，前提是通信陈旧度有界。智能体依据不确定性与运动学风险指标决定何时抢占式发送自身状态。仿真显示，抢占式通信相比周期性和事件触发基线减少 77.5% 消息量，且零碰撞。
arXiv cs.MAAI 评分4444 多智能体 LLM 讨论中的隐藏信念崩塌：被相信却未被说出的错误答案
一项 arXiv 研究用十智能体事实讨论测试 LLM 群体纠错假设：无攻击者时仅 0.6% 的良性智能体最终接受错误答案，加入 1 个对抗智能体后升至 44.8%，3 个则达 60.5%。
arXiv cs.MAAI 评分2222 策略博弈中的奖励学习：主动逆强化学习实现 Stackelberg 博弈奖励识别
研究提出"策略可识别性"概念，证明仅从固定策略对学习无法在策略层面识别奖励，与专家样本数 K 无关。
arXiv cs.MAAI 评分2626 Agent Status Protocol (ASP)：面向多智能体系统状态上报的轻量级规范
论文提出 Agent Status Protocol (ASP) 0.1 版，让异构 AI 智能体通过 HTTP POST 推送 JSON 事件向状态服务器上报运行状态，观察方则经 SSE 接收聚合后的状态更新。
arXiv cs.MAAI 评分2222 多智能体聚合的偏见控制与注入
针对 LLM 多智能体推理中因多数压力和回答风格偏好等非语义偏见导致的决策分歧，研究者提出一种测试时聚合框架：通过为每个不同答案呈现一条风格归一化的推理轨迹实现偏见控制，并将各聚合智能体初选答案置于少数派以注入偏见。
arXiv cs.MAAI 评分3232 Diviner：面向大规模基础设施、由人类治理自适应调整的智能体根因分析系统
Meta 提出智能体根因分析系统 Diviner，围绕 Encode、Execute、Evaluate、Adapt 四阶段可靠性生命周期运行，用经过审核的事件语料和服务负责人经验构建带版本范围的技能、工作流、类型化工具与事件知识图谱。
arXiv cs.MAAI 评分2626 语言模型集成如何无标签估计可靠性：陪审团而非选民
研究者提出将语言模型集成视为陪审团，通过专家间一致与分歧模式，用EM算法在无标签条件下估计各专家可靠性，其决策规则等价于对专家答案分布的log-odds加权线性评分。在1560题基准上，9个最大3B参数的专家集成表现与使用标签拟合权重的融合规则相当，监督未带来统计显著优势，同时优于匹配自洽性的最佳单模型和最强的无标签替代方案。
arXiv cs.CYAI 评分2323 从 Replika 用户讨论看伴侣 AI 的伦理设计：一项基于 14,081 条评论的研究
研究分析 Reddit 上关于伴侣 AI 应用 Replika 的 14,081 条评论，发现功能错误（bug）会给用户带来情感代价、削弱亲密感，凸显伴侣 AI 需要更具韧性的设计系统。作者据此提出"Intimate AI"这一术语，并给出一个结合用户反馈与伦理 AI 开发的专家系统设计框架。
arXiv cs.MAAI 评分7171 Athanor：面向自主后训练研究的智能体原生系统
研究者提出 Athanor，一个在真实 GPU 上运行的智能体原生自主后训练研究系统（AutoPostTrain），让智能体自行读取数据集与评测结果、构建训练数据、修改训练算法并调参。
arXiv cs.CYAI 评分3232 CABAL：用多智能体模拟追踪同行评审中串通投标的影响
研究者提出 CABAL 多智能体模拟框架，在固定会议环境下用 LLM 驱动的评审智能体分别执行诚实或串通策略，研究评审分配诚信问题。实验显示串通投标使目标论文被捕获率提升一倍以上，被分配的串通者给目标论文打分比诚实共同评审者高约两分，而会议整体影响相对有限。现有投标阶段检测器仅提供有限的串通证据。
arXiv cs.MAAI 评分3737 RRI：用对抗式元提示演化实现递归奖励改进
针对开放式专家任务中模型自写评分标准易被 solver 钻空子的问题，研究者提出 RRI（Recursive Reward Improvement），用奖励黑客对抗者监督奖励：先让对抗者写出钻评分标准空子的无用答案，再让同一模型在不看评分标准的情况下写诚实答案，经最多两步修复使诚实答案胜出。