GeoSkill：面向地理空间智能体的经验驱动分层技能学习框架
该论文已被作者 Han Luo 因数值错误撤稿。GeoSkill 是一个面向地理空间智能体的经验驱动分层技能学习框架，包含分层技能库（HSB）与协作式轨迹驱动技能修订（CTSR）机制，前者蒸馏任务规划经验与工具使用约束，后者由 Judge、Critic、Refiner 协同定位并修正技能缺陷。在 EarthBench 和 ThinkGeo 上的实验显示其可提升端到端任务准确率与工具执行可靠性。
#Agent
arXiv cs.AIAI 评分88 arXiv cs.AIAI 评分3838 智能体知道自己成功了吗？从内部表征校准智能体置信度
研究提出 Latent Trajectory Dynamics（LTD）与 Action Representation Probe（ARP）两种方法，从模型内部表征预测多轮智能体任务能否成功。在 Bash、SQL、Python 三个交互基准和 Qwen14B、Qwen7B、DeepSeek6.7B 三个模型上，两方法均优于表层生成与序列校准基线，且无需改动提示词或多轮采样，实现零开销可靠性监控。
arXiv cs.AIAI 评分3030 Logos：如何让插件式智能体的可逆性保证跨进程成立
论文将插件式智能体的时空可组合性演算从单进程限制放宽到组件与记录可任意分配到多进程，给出四个充分条件并用定理1证明可逆性保证跨进程成立。基于该定理构建的 Logos 采用 ROS 式的对等进程与名称路由形式，插件即进程，路由表可重建，恢复所需的会话状态存于无归属的追加式记录中。
arXiv cs.AIAI 评分2222 RetailAgent：自条件多模态 LLM 交易智能体中的结构化不利择时
研究提出 RetailAgent 框架，让 LLM 观察匿名化日内股价历史与允许状态，在收益揭晓前反复选择做多或空仓。在剔除整体做多比例后，做多与空仓区间的收益对比显示，跨模态、周期、状态与模型族均存在持续的负向择时。打乱已保存的动作序列会显著削弱该效应，说明动作与后续收益的对齐驱动了负分；将自撰记忆注入决策会进一步加剧策略持续性。
arXiv cs.AIAI 评分3535 LoopArena：把模型作为循环工程的运行时控制器进行基准测试
研究者推出 LoopArena，用于评测一个模型作为 Controller 指导独立固定 coding agent（Worker）完成长时任务的能力，分三类设置：Type I 含 160 道低成本控制选择题、Type II 为 80 个任务切片、Type III 为对应的 80 个完整任务。
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。
arXiv cs.AIAI 评分3232 LLM 智能体为何过早定型：诊断过早承诺问题
研究提出"表征承诺"指标，通过重复运行中同一步骤的隐藏状态相似度衡量 LLM 智能体行为何时稳定。在 Llama-3.1-70B 运行 ReAct 于 HotpotQA 上，第 4 步相似度越高，整条轨迹变异性越低（r = -0.35），该模式在另外两个模型和 StrategyQA 上复现。
arXiv cs.AIAI 评分2222 Reward as an Agent：用智能体奖励框架与 DynDiff-GRPO 扩展具身世界模型强化学习
研究提出 Reward as an Agent 智能体奖励框架，主动评估生成行为以提供稳健奖励信号，缓解分布偏移下的 reward hacking。配合 DynDiff-GRPO 的 Dynamic-Aware Rollout Diversification 扩展动作空间探索，两者结合在多个开源世界模型上取得显著准确率提升，表明更广探索在可靠验证基础上可成功扩展。
arXiv cs.AIAI 评分4444 将搜索与推理解耦：面向 LLM 智能体的厂商无关接地架构
研究者提出 Decoupled Search Grounding（DSG），通过 MCP 兼容网关把搜索接地移出推理模型，将供应商路由、来源感知上下文渲染、检索深度控制与缓存变为可调接口。在 SimpleQA 上 DSG 准确率 86.1%（原生搜索 87.7%），搜索成本降低 91%，热缓存命中率 99.4%、延迟降低 68%；在电商 QIU 负载上准确率持平原生搜索，搜索成本降低超 98%。
arXiv cs.AIAI 评分5454 PseudoBench：衡量智能体自动科研如何助推伪科学
arXiv 论文提出 PseudoBench，一个评估智能体自动科研系统能否识别并抵制伪科学叙事的对抗性基准，包含五个领域的 200 组伪科学论断与证据配对，覆盖从实验到写作的端到端研究流程。
arXiv cs.AIAI 评分3232 面向商业环境的 Business World Model（BWM）概念与架构
论文提出 Business World Model（BWM），一种面向商业与组织环境的世界模型，将状态、动态和可行动作与业务实体及其属性和关系绑定。其参考设计与开源实现中，LLM 智能体负责解读自然语言业务目标并解释结果，确定性、元数据驱动的仿真引擎整合机器学习模型、业务规则和动作空间完成全部计算。媒体订阅业务的流失案例研究显示，系统能在收入约束下推荐满足流失率降低目标的方案。
arXiv cs.AIAI 评分2929 CoMIC：面向 Web 云边系统长程 LLM 智能体的协同记忆与洞察循环
CoMIC 是一个无需更新参数的云边协同框架，让边缘侧轻量 LLM 智能体通过"边缘执行、云端反思"完成长程任务。云端 LLM 评审器异步评估经 Web 网关上传的轨迹，筛选可复用经验并按语义子目标标识符向所有边缘智能体循环分发跨智能体指导。在五个长程基准上，弱边缘智能体在标准记忆智能体完全失败的任务上取得非零成功率，任务进度优于标准智能体与纯本地执行，同时降低上下文消耗。
arXiv cs.AIAI 评分3131 TADDLE：检测 LLM 生成同行评审缺陷的工具增强智能体
TADDLE 是一个工具增强智能体，用于检测 LLM 生成同行评审中的缺陷，并配套发布了首个专家标注基准。该基准包含 50 篇 ICLR 2025 论文的 1,800 条评审，由 18 位领域专家按六类缺陷（另加无缺陷标签）进行多标签标注。
arXiv cs.AIAI 评分2929 A-LEMS：面向智能体 AI 系统的目标级能耗核算框架
研究者提出 A-LEMS 跨层框架，将 AI 能耗核算单位重新定义为"每成功目标能耗"（EpG），即包含失败与重试的全部工作流能耗除以成功完成的目标数。
arXiv cs.AIAI 评分1818 基于论证的老年人个性化故事生成：一种反思式混合 AI 架构
一项研究提出反思式故事生成智能体，整合知识图谱、用户建模与论证理论，为老年人定制叙事。Phase II 中 55 位老年人对 330 次评估里仅 30.6% 识别出预期目的；Phase III 显示完整系统人物设定落地率为 67.6%，高于无论证方案引导的 57.9%，但差异不显著。零样本论证挖掘与人工共识标注仅中等一致，定位为审查辅助而非验证器。
arXiv cs.AIAI 评分2929 VPR：面向智能体推理的可验证过程奖励框架
研究者提出可验证过程奖励（VPR）训练框架，将任务求解器改造为动作级过程验证器，为中间动作提供密集奖励，实现细粒度信用分配。VPR 在 Sokoban、Sudoku、Minesweeper 三种环境中实例化，训练的 Qwen3-4B 全面超越 outcome-reward GRPO 和 VinePPO；在数学数据与三个游戏环境联合训练时取得最高平均通用推理性能。