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。
#Agent
arXiv cs.AIAI 评分3232 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。
arXiv cs.AIAI 评分3636 RewardHarness：自进化智能体式后训练框架
RewardHarness 是一个免训练、自进化的智能体奖励框架，将奖励建模重构为上下文演化而非权重优化，仅用 100 条偏好演示即可迭代演化工具与技能库。它仅使用 EditReward 偏好数据 0.05% 的规模，在 EditReward-Bench K=2/3/4 和 GenAI-Bench 上达到 47.4% 平均准确率，超过 GPT-5 达 5.3 个百分点。
arXiv cs.AIAI 评分2424 MemQ：将 Q-Learning 融入基于溯源 DAG 的自演化记忆智能体
MemQ 将 TD(λ) 资格迹应用于记忆 Q 值，通过记录记忆创建时检索来源的溯源 DAG 反向传播信用，信用权重按 (γλ)^d 随 DAG 深度 d 衰减。
arXiv cs.AIAI 评分2424 FlowAgent：将工具链重构为连续流以演化智能体推理
针对现有工具调用逐步式范式缺乏全局视角、长程误差累积且难以泛化到未见工具的问题，研究者提出 FlowAgent，将工具链重构为语义空间内的连续轨迹生成，并利用条件流匹配生成连续隐轨迹以提供全局规划视角。
arXiv cs.AIAI 评分4141 VibeServe：AI 智能体能否构建定制化 LLM 服务系统？
VibeServe 是首个端到端生成完整 LLM 服务栈的智能体循环，通过外层循环规划系统设计搜索、内层循环实现候选方案并验证正确性与性能。在标准场景下，它在 Llama-3.1-8B 上追平 vLLM 和 SGLang，并在四块 AMD MI300A 上为 397B MoE 模型实现调优 SGLang 2.3 倍的 goodput。
arXiv cs.AIAI 评分2929 Agentic Architect：面向架构设计探索与优化的智能体 AI 框架
Agentic Architect 是一个用于智能体 CPU 微架构设计空间探索与优化的框架，将 LLM 驱动的代码演化与周期精确仿真和硬件成本建模结合，在性能、面积和功耗之间权衡。
arXiv cs.AIAI 评分3737 通过多智能体可解释性检测多智能体合谋
研究者提出 NARCBench 基准与五种探测技术，通过聚合各智能体的欺骗分数在群体层面识别多智能体合谋，并在 Qwen3-32B、Llama-3.1-70B、DeepSeek-R1 32B、GPT-OSS-20B 四个开源权重模型和六种探针架构上评估。
arXiv cs.AIAI 评分2929 LLM 智能体评审的分数与覆盖度为何脱钩：一项基于 960 场会话的研究
研究通过 15 项任务、两组模型配对共 960 场会话发现，基于人格设定的 LLM 智能体评审在 Turing 式验证中与人类评分者难以区分。评审质量分数随评审团规模呈对数增长，而新问题发现量呈次线性幂律增长，分数饱和速度约为发现速度的两倍。这一脱钩源于评审团多样性：Big Five 人格条件让智能体探查不同质量维度，消融实验证实结构化人格设定而非简单提示词才是产生该缩放特性的必要条件。
arXiv cs.AIAI 评分4040 简单基线在代码进化任务上与复杂流水线打平
研究提出两个简单基线，在数学边界搜索、智能体脚手架设计、启发式组合优化算法和机器学习竞赛等任务上与流行代码进化流水线对比，结果基线在所有领域均持平或更优。数学边界任务中，搜索空间比搜索算法更关键，扩大搜索空间可提升所有流水线表现；提示词中的领域知识会显著影响搜索效率，可能高估流水线的样本效率。
arXiv cs.AIAI 评分4444 Risky-Bench：评估真实生活辅助场景中智能体安全风险
研究者提出 Risky-Bench，一个面向生活辅助场景的智能体安全评估框架，从领域无关安全原则推导上下文相关安全准则，并在分层攻击面上通过真实任务执行探测风险。该框架覆盖外卖、到店协助和在线旅行预订场景，在 750 个任务上评估七个 SOTA 智能体，攻击成功率介于 25% 至 60%，暴露出威胁模型特定漏洞、攻击面相关风险集中及显式推理的模型依赖效应。代码与数据已公开。
arXiv cs.AIAI 评分3434 ReCreate：通过经验驱动推理与创建领域智能体
ReCreate 是一个经验驱动的领域智能体创建与进化框架，通过 agent-as-optimizer 范式让优化器智能体检查执行经验，迭代改进任务智能体的提示词、工作流、工具和记忆。在覆盖四个领域的十三项评测中，ReCreate 持续优于人工设计智能体及现有自动化智能体生成与自进化基线，即使从最小种子脚手架起步也能进化。
arXiv cs.AIAI 评分2727 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。
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2929 知识图谱即文件：工具创建与工具使用协同演化的 Agent Harness
研究者提出直接知识图谱交互（DKGI），让语言模型 Agent 直接在完整的节点与边文件上编写 Python 代码创建图谱访问工具，并将执行与 shell 搜索、文件检查交错进行。
arXiv cs.AIAI 评分4646 JevProbe：揭示真实世界 Jev 应用中的程序决策劫持
研究者提出 JevProbe，首个自动化评估 Jev Program Decision Hijacking（JPDH）的框架，追踪攻击者从可达上下文到程序决策再到下游安全后果的影响链。
arXiv cs.AIAI 评分1515 多智能体系统中刻画智能体异质性的对称性研究
研究针对有限时域 POSG 提出"策略评估对称性"概念：当完整策略评估与某变换可交换时，该变换即为对称性，其智能体轨道定义了结构化的智能体类型，且分类不依赖具体策略或初始状态分布。研究证明逐分量环境自同构必为策略评估对称性，但逆命题不成立；在协作 Dec-POMDP 中，即使共享同一奖励，智能体也可属于不同结构类型。
arXiv cs.AIAI 评分2626 Urbex：面向城市级 3D 场景的智能体空间定位框架
Urbex 是一个智能体视觉语言框架，将城市级 3D 定位重构为主动空间搜索，让 VLM 智能体查询地标、缩放局部区域、渲染斜视图并输出定位边界框。该框架在 CityRefer 上通过强化学习优化工具使用策略，取得最佳 Hit@1 和 IoU，无需候选框与真值框，且显著快于最强的城市级排序基线。在 STPLS3D-Refer 上的零样本结果进一步显示跨场景鲁棒性提升。
arXiv cs.AIAI 评分3535 Orchestra：面向长时程机器人操作的多模态指令跟随智能体框架
Orchestra 是一个将任务规划与执行管理从动作生成中分离的智能体框架，可把多模态指令拆解为有序子任务并跟踪执行进度。在九个 RMBench 任务上平均成功率达 68.22%，比 Mem-0 高出 26.22 个百分点；在 RMBench-Compose 上平均成功长度（ASL）为 7.35 个子任务，是 HarnessVLA 的 2.46 倍。
arXiv cs.AIAI 评分2222 SimInter：基于访谈式画像增强的证据锚定用户模拟，用于对话推荐系统
SimInter 通过两个 LLM 智能体之间的合成访谈，结合用户统计画像与历史对话证据，挖掘决策风格、方面级偏好和领域专长等隐式行为特征，并在画像增强前由审计智能体逐轮标记潜在的编造与刻板印象。
arXiv cs.AIAI 评分3636 JevGPT：自主研究中的快思考与慢思考
JevGPT 是一个面向自主研究的双系统架构，将快速证据处理与审慎研究规划相结合：System Two 设定证据目标并整合发现，System One 定位支撑、评估相关性并引导进一步检查，独立来源判断并行运行。在固定语料问答和文档排序实验中，JevGPT 取得领先任务表现，完成更快、成本低于同等有效的研究智能体，并在研究循环中覆盖更多支撑文档。
arXiv cs.AIAI 评分4242 加密技能可被解码后成为针对 LLM 智能体的新型安全攻击
研究者提出 Ciphered Skill Injection（CSI），将恶意指令编码后嵌入第三方技能文件，让 LLM 智能体自行解码并执行。在八个模型、139 组注入任务上，Caesar 及分层变体的攻击成功率最高分别达 47.5% 和 40.3%，且成功解码并不必然导致攻击成功，分层效果因模型而异。测试的技能扫描器几乎无法识别此类注入技能。
arXiv cs.AIAI 评分3030 可验证智能体保险（VAI）：用智能合约与验证器为 AI 智能体行为兜底
研究者提出可验证智能体保险（VAI），让智能体提供方把程序化策略承诺写入不可篡改账本的智能合约并附资金托管，用户发现违规后可请验证器审查智能体执行轨迹，验证通过即从托管资金获赔。该框架已在以太坊 layer-2 网络端到端实现，在三个主流智能体基准上对含违规的运行检出率为 42.2%；若让智能体显式输出用户授权与安全相关结构化对象，检出率可升至 83.0%。
arXiv cs.AIAI 评分4141 TextualRL：面向上下文管理的文本强化学习框架
TextualRL 是一个无梯度的强化学习框架，以同一任务同一上下文下的一组 rollout 而非单条轨迹作为策略评判单元，通过 Groupwise Policy Critique 与 Cross-Group Policy Update 生成有界文本补丁，并由留出验证奖励决定是否采纳。
arXiv cs.AIAI 评分2727 Fan Out 还是 Relay？面向 LLM 智能体查询孤岛数据表的归属感知路由
针对 LLM 协调器查询多归属方数据表时 fan-out 与 relay 两种策略的取舍，研究在 PeopleJoin 和 BIRD 的 13 个设置、3 个模型族上发现，数据归属而非查询形态决定哪种策略更优：fan-out 在单归属方可答问题上 12 个设置更准，但在涉及两个归属方表连接时最多只答对 4.3%。
arXiv cs.AIAI 评分2727 APT：面向文本生成图像的自反馈智能体后训练框架
APT 是一个全自动后训练框架，通过协调三个智能体构建评测集、诊断模型能力短板，并按自适应提示词分布生成强化学习数据，让模型当前表现决定下一轮训练任务，形成递归自我改进式反馈闭环。针对无用户指定评测场景的通用设置，该研究还开发了可生成广泛多样评测集的评测工具。实验表明 APT 在多个基座模型、benchmark 和生成架构上均适用，具备模型无关、benchmark 无关、架构无关且全自动的特性。