MFG：多轮反馈引导的分子优化
研究者提出多轮反馈引导（MFG）分子优化框架，用强化学习训练 LLM 基于前几轮反馈逐步优化分子，并引入反馈向量与反馈对齐奖励函数。该方法应用于多目标分子优化模型 GeLLM³O，在十项任务上，GeLLM³O-MFG 取得最高平均相似度约束成功率 81.50%，高于基座模型 GeLLM³O 的 70.81%。
#数据/训练
arXiv cs.AIAI 评分2222 arXiv cs.AIAI 评分3838 自进化智能体 Harness：固定模型权重下的脚手架自我演化框架
研究提出 Harness 自进化框架，在保持模型权重不变的前提下，对智能体的提示词、记忆、工作流和可执行组件等软件脚手架进行修订，并让被接受的修订跨运行持久化。
arXiv cs.AIAI 评分2424 无需训练即可从奖励模型提取 token 级奖励：P2T 方法提升 LLM 推理能力
研究者提出 P2T，一种无需训练的方法，通过一阶泰勒近似估计每个 token 对过程奖励的影响，仅需一次前向和反向传播即可提取 token 级奖励信号。在 MathVista 上，P2T 使 Qwen2.5-VL-7B-Instruct 比结果奖励高出 +4.9%；在 AIME24 上，Qwen2.5-Math-7B 高出 +11.5%。代码将开源发布。
arXiv cs.AIAI 评分4141 个人智能体的 Grounding Awareness：记忆强不等于分得清已确认与未确认安排
论文提出 Grounding Awareness，即智能体在选取动作时区分已接受、未确认、已修改和有范围限定的安排的能力，并构建受控基准测试。测试发现，记忆表现强并不保证具备该能力，提供更完整的用户信息反而会增加未确认提案的执行，持久记忆还会让智能体把这类提案当作用户指令。
arXiv cs.AIAI 评分2929 COMPASS：在对齐或合并前评估模型兼容性的诊断评分
研究者提出 COMPASS（COMPatibility ASsessment Score），可在对齐或合并前估计模型对是否兼容，将兼容性拆解为两个低成本计算轴：编码器间的 k-NN 重叠度（pair-specific ease）与训练范式允许的最大重叠上限（paradigm-level ceiling）。
arXiv cs.AIAI 评分2222 时点语言智能体的未来记忆使用审计：Qwen 与 DeepSeek 的对比研究
研究审计了时点（PIT）语言智能体在 48 个历史公司对比任务中是否会利用截止日期后的未来事实。Qwen 和 DeepSeek 均能回忆未来事实，但都未出现预设的偏向记忆更好公司的证据分配偏移。
arXiv cs.AIAI 评分3232 LLM 智能体如何通过结构化配方优化实现自动化后训练
研究者提出结构化配方优化（SRO），用 LLM 驱动的 Recipe-Space Designer 构建任务自适应配方空间，再由 Multi-Domain Recipe Optimizer 结合结构化试验证据与多目标贝叶斯选择进行联合优化。
arXiv cs.AIAI 评分2323 智能建筑挑战赛：学习可规模化真实世界优化的基础模型
研究者提出"智能建筑挑战赛"，面向 NeurIPS 2026，征集能跨建筑泛化的建筑基础模型。参赛者需在模拟建筑集上构建控制策略，并在未见过的建筑上评估，这些建筑在规模、布局、天气、材料属性和 HVAC 系统上各不相同。建筑占美国碳排放近 40%，其中 HVAC 占建筑排放约 40-60%，而现有控制策略普遍缺乏策略迁移能力。
arXiv cs.AIAI 评分3636 ReTerm：面向自我改进终端智能体的恢复训练
基于 Qwen3.5-9B 训练的终端智能体 ReTerm-9B 在 Terminal-Bench 2.0 上达到 34.8% Pass@1，较基座模型提升 14.6 分。研究团队构建 ReTerm-10K 数据集用于 SFT 冷启动，并提出在线 RL 算法 ReTerm-GRPO，从智能体自身失败状态分叉生成多次独立自我恢复尝试，依据任务是否完成进行学习。代码、数据与模型均已开源。
arXiv cs.AIAI 评分3535 Thinker-WM：面向具身智能的统一多模态世界模型
优必选 Thinker 团队提出统一多模态世界模型 Thinker-WM，通过共享的 Unified Dynamics Transformer 与模态专属编解码器，联合建模并生成 RGB、度量深度和机器人动作。
arXiv cs.AIAI 评分2727 将地球科学模型校准委托给知识引导的 LLM 智能体
研究者提出通用校准框架 GCH，将地球科学模型校准从请求到结果评估端到端委托给 LLM 智能体，由知识基础设施和验证约定约束智能体定义参数域、观测映射与目标并生成模型专用代码。
arXiv cs.AIAI 评分3030 ABot-ER：通过智能体数据-模型协同进化实现统一具身推理
ABot-ER 是一个统一具身推理基础模型，在感知、规划、执行三大能力上同时达到专家级深度。其 Agentic Data-Model Self-Evolution Engine 持续根据模型能力状态调整数据策略，Task-Conditioned Adaptive Training Strategy 则用 task tokens 激活共享骨干上的轻量低秩残差。
arXiv cs.AIAI 评分2929 AssetForge：面向业务自动化智能体的资产增强任务合成
AssetForge 是一套资产增强的任务构建流水线，将可复用的构建资产库与任务专属 Rubric 配对，由资产提供应用接口、世界状态组件、策略/证据载体和原生断言定义。
arXiv cs.AIAI 评分2222 用 Provenance Action Graphs 加速材料合成：潜力、结构与演示
研究提出用反应图（Provenance Action Graphs）建模材料合成，将反应步骤作为动作、产物作为观测，借助学习算法从多维合成路径中编码规则，并支持正向预测与逆向学习两种模式。工作聚焦固态合成中动力学主导的反应场景，目标是构建可由数据智能体共享和贡献的全局知识库，加速材料发现。
arXiv cs.AIAI 评分2424 AnnalsChallenge：来自《数学年刊》的 50 条 Lean 4 形式化定理陈述数据集
研究者发布 AnnalsChallenge，包含 50 条用 Lean 4 和 Mathlib 手工形式化的定理陈述，每条均为 2020 年以来发表于《数学年刊》论文的主要结果。所有形式化均经人工审核并由 AI 审计，数据集不含形式化证明，已被 NeurIPS 2026 的 AI-MATH 研讨会接收。
arXiv cs.AIAI 评分2424 输出纪律决定下限：一种模型无关、可证伪的智能体协议，用于可审计的假设驱动决策
在 TCMEval-SDT 中医辨证基准（200 例）上，约束大语言模型可审计决策的是输出纪律与推理结构而非模型能力：两年模型扩展仅让零样本分数变动 -0.03 至 +0.08。
arXiv cs.AIAI 评分2222 SOFA：交易商适应后订单流干预何时以及如何生效
研究提出 SOFA（State-aligned Order-Flow Allocation）订单流合约，由 State Scorer、Commitment Scheduler 和 Quote-to-Flow Allocator 三部分组成，通过配对再适应协议在 ABIDES 市场的 20 个独立训练的交易商群体中测试。
arXiv cs.AIAI 评分3535 LifeSearch：面向真实生活与生产力的深度研究智能体基准测试
研究团队推出 LifeSearch 基准，包含 203 个中英文任务，覆盖 7 个真实生活与生产力领域，并基于超 4500 小时人工标注构建了 4000 多条细粒度评分标准。
arXiv cs.AIAI 评分3838 AReaL-RSI：递归自我改进的自适应扩展与协调框架
AReaL-RSI 是一个无需更新骨干 LLM 权重、通过组织持久化智能体研究团队来实现递归自我改进的框架，由 leader agent 选择研究方向、条件记忆共享区分未解决问题与已验证发现。
arXiv cs.AIAI 评分4141 WorkRover：通过递归环境演化扩展长时程协作智能体训练
WorkRover 是一个通过递归环境演化训练长时程协作智能体的框架，其 harness 驱动合成让构建智能体协同生成语义对齐的工作上下文、可执行任务与基于证据的验证器。
arXiv cs.AIAI 评分4141 Bemula：LLM 智能体记忆遗忘基准测试
研究者提出 Bemula，首个专门评测 LLM 智能体记忆遗忘（memory unlearning）的基准，包含 50 个多轮对话实例、6 类共 135 条遗忘请求和 1742 道测试题。
arXiv cs.AIAI 评分1818 超越黑盒：面向文本嵌入的视觉接地
研究者提出一种基于草图的视觉接地框架，将文本表示转换为视觉地形草图，以可视化文本嵌入并探索其在信息检索与推理中的潜力。在 MS-COCO 数据集上的评测显示，SBERT 在严格 top-1 检索准确率上仍占优，但在 top-5 检索上与草图方法表现相当。将 SBERT 与草图方法级联后优于单独使用 SBERT，表明草图表示若直接在文本上训练，或对信息检索有显著潜力。
arXiv cs.AIAI 评分2727 CoSIR：用可验证信息奖励训练 LLM 多智能体协作
研究者提出 CoSIR（Collaboration via Surprisal-based Information Rewards），一种后训练方法，通过可验证环境中的贝叶斯评估器，按团队 surprisal 的降低幅度为共享信息和请求打分，并奖励智能体在自身决策中使用队友信息。
arXiv cs.AIAI 评分3636 Socratic Skill Learning：交错教学与练习实现可迁移的智能体技能
研究者提出 Socratic Skill Learning（SSL），让 Educator 引导探究、Student 作为唯一环境操作者与技能作者，交错进行专家教学与练习，以学习可迁移的智能体技能。
arXiv cs.AIAI 评分3131 面向搜索智能体跨源证据锚定的奖励模型基准与训练
研究者提出跨源证据锚定（CSEG）评估框架，用六层决策树覆盖完整搜索轨迹，并构建 CSEG-Bench 与可训练奖励模型。团队基于真实检索文档池重写答案，构建覆盖九条规范路径的 1,160 条已验证轨迹，训练出的 CSEG-RM 在基准上达到 83.9% 精确准确率。仅用该奖励监督冻结检索的答案策略，可将独立评判的平均标签从 2.83 提升至 4.19。
arXiv cs.AIAI 评分3131 Agentic4PDM：面向工业故障诊断的宿主治理证据准入框架
Agentic4PDM 通过 LLM 智能体将信号与各类候选标签参考对比、识别未决差异并提出后续测量，由确定性宿主控制器执行契约校验的门控裁决（CCGA），区分佐证性支持与参考性信息。该框架支持无需任务专用诊断模型的免训练诊断，在轴承与电机诊断挑战及客户提供的未过滤工业测试集上，聚合 macro F1 优于所评估的诊断与智能体基线，消融实验进一步支持受治理工作流的价值。
arXiv cs.AIAI 评分4141 单智能体长期记忆中的 Memory Echo：生命周期评估与来源引导缓解
研究提出 Memory Echo 概念，指同一来源的历史信息在无独立证据下获得的额外检索曝光，并构建 MEchoBench 评估其产生、抗纠正、持续性与对答案的影响。
arXiv cs.AIAI 评分3232 面向科学方程发现的工具库与模型耦合演化框架
研究者提出耦合演化框架，让可执行工具库与模型工具使用策略从同一可验证拟合误差信号中共同改进。工具演化阶段由智能体诊断自身失败来新增工具并修正选择规则，策略演化阶段用约 3B 激活参数的小开源模型在成功工具使用轨迹上微调。
arXiv cs.AIAI 评分2424 ECG-RSI：通过靶向心电图波形演化的递归自我改进框架
ECG-RSI 将经验证的波形合成与反馈引导的干预搜索结合，经三轮迭代把 Qwen3.5-35B-A3B 在七个基准上的问答平均准确率从 34.57% 提升至 56.04%，分类平均 F1 从 24.27 提升至 34.03。
arXiv cs.AIAI 评分2020 理解基因表达到图像学习：空间结构与信息保真度
研究在固定网络与训练流程下考察 GE2I（基因表达到图像）机制，发现空间平滑性与基因级保真度之间存在权衡：结构化映射产生平滑低频模式、早期优化更快，但多基因共享同一像素会模糊表达差异并可能降低预测性能。一对一基因到像素分配在测试的视觉骨干网络上均提升预测，即使图像平滑度下降；预训练与数据增强的收益则取决于骨干网络和映射方式。
arXiv cs.AIAI 评分3636 MedEvo：通过知识导航实现医学推理进化
MedEvo 利用医学标签分类与错误类型诊断来导航轨迹修复和数据选择，仅靠 SFT 即将 Qwen3.5-9B 在七个基准上的平均准确率从 65.57% 提升至 69.12%，其中 MedXpertQA-MM 从 47.40% 升至 54.50%，超过教师蒸馏 SFT 的 66.93%。
arXiv cs.AIAI 评分2020 EncounterMob：用 LLM 生成城市级"相遇感知"人类移动轨迹
研究提出 EncounterMob，一个由粗到细的 Encounter Generator 与 Iterative Coupling Framework 组成的相遇驱动 LLM 框架，用于在保留个体移动的同时还原人口级交互结构。
arXiv cs.AIAI 评分5252 Cowork-Gym：大规模合成交互式工作环境
Cowork-Gym 是一个通过 build-execute-revise 循环合成 Cowork 环境的框架，利用执行证据和评审反馈验证并修复生成的环境，并用有状态用户模拟器通过对话和直接编辑共享工作区来响应智能体动作。
arXiv cs.AIAI 评分3131 企业策略决策该用学习还是推理？27B 韩语企业模型上的对比研究
研究固定一个 27B 韩语企业模型，比较策略决策用生成 JSON 还是单个受限 token、以及是否先推理。在 2800 条分布内样本上两条部署路径准确率无差异（93.46% vs 94.14%），但重启稳定性相差约十倍（动作翻转 3.00% vs 0.29%）。在 300 条由隐藏可执行策略标注的封存基准上，推理带来 +17.3 分的精确动作提升；关闭推理时两种接口格式差异为 0.0 分。
arXiv cs.AIAI 评分2222 RAN-JEPA：面向节能移动网络控制的动作条件世界模型
RAN-JEPA 是一种动作条件世界模型，将表征学习与干预学习分离：先仅用观测数据预训练预测性潜表征，再在真实四小区 5G 测试台上适配域并从受控 sleep/wake 轨迹学习动作条件潜动力学，编码器保持冻结。
arXiv cs.AIAI 评分2222 基于 FPGA 的脉冲神经网络实现时空模式学习与分类
研究者提出一种 FPGA 实现的多层脉冲神经网络（SNN），推理与训练均在同一硬件上完成，采用时间前向训练算法规避 BPTT 的内存与延迟开销。在 MNIST 及五个多元时间序列分类数据集上，全片上训练的 SNN 精度与使用 BPTT 训练的 SNN 或 LSTM 相当。相比 CPU 和 GPU 实现，该 FPGA 设计吞吐量提升 2.5 至 6 倍，每样本能耗低一个数量级。
arXiv cs.AIAI 评分5858 研究：大语言模型能拓展已有研究，但无法开辟新研究方向
一项 arXiv 研究提出区分两种新颖性：距离衡量假设离已有工作多远，方向衡量是否进入已有研究之外的新线索。作者用预训练科学论文嵌入模型构建共享概念空间，嵌入六个自然科学领域、1325 个研究主题的 2690 万篇人类论文，以及 8 个模型生成的 524308 条假设，并提出正交新颖性分数（ONS）量化方向。
arXiv cs.AIAI 评分2222 基于条件流匹配的扩散 MRI 通用视野扩展方法
研究者提出一种流匹配生成模型，通过预测六个方向的表观扩散系数（ADC）来扩展扩散 MRI 的视野，并以最近两层已采集切片和全视野 T1w 图像为条件，兼顾局部扩散连续性与解剖一致性。模型在五个数据集共 3,103 名受试者（5,105 次扫描）上训练，在五个独立数据集 299 名受试者上评估，下游纤维束追踪的 bundle Dice 分数显著提升（p < 0.01）。
arXiv cs.AIAI 评分2222 EPOCH：面向 LLM 自动启发式设计的覆盖感知进化与经验偏好优化
EPOCH 将实例覆盖作为进化搜索目标，并通过经验偏好优化让生成器内化反思，用于 LLM 自动启发式设计。它让父代选择、算子分配与停滞恢复都围绕启发式对训练实例的联合覆盖优化，从而返回互补的启发式集成；教师 LLM 提供自然语言洞见，改进结果进入 DPO 偏好对，并以反思式自蒸馏（RSD）项提升自主生成概率。
arXiv cs.AIAI 评分2424 共享隐空间为何未必兼容？Motion VAE 中的直接兼容性与可恢复对应关系
在 HumanML3D 上的多 schema 运动 VAE 实验显示，即使输入完全相同，原始 Recall@1 仅为 5.9%–17.7%，配对 token 余弦相似度为 0.221–0.484，但经线性校准后对应关系几乎可完美恢复。