LatentRemedy：多智能体系统中非前缀 KV Cache 复用的高效补救方案
针对多智能体系统中非前缀 KV Cache 跨智能体复用导致模型性能最多下降 90% 的问题，LatentRemedy 用少量任务条件 latent token 帮助目标智能体在不重算共享块的情况下理解复用上下文，MLP 将目标前缀的最后隐藏状态映射为 latent token 并置于复用 KV 块之后，通过全预填充蒸馏训练。
#Agent
arXiv cs.AIAI 评分2424 arXiv cs.AIAI 评分3232 面向邮件生成 LLM 智能体的低成本隐私执行机制：应对策略性信息请求
研究者提出本地契约条件重写机制，为邮件生成 LLM 智能体拦截外发草稿，用本地 Gemma 重写器按信息释放契约改写，并选择性调用最终 PrivacyChecker。
arXiv cs.AIAI 评分3232 SWEPatchTest：评估超越复现的软件测试
SWEPatchTest 是一个测试生成基准，包含来自 SWE-bench Pro、SWE-bench Multilingual 和 DeepSWE 的 619 个任务及 82,579 个候选补丁，通过联合衡量问题复现、正确补丁接受与错误补丁拒绝来评估测试质量。
arXiv cs.AIAI 评分4444 Interaction-as-a-Judge：用计算机使用智能体交互评估交互式应用
研究提出 Interaction-as-a-Judge 评估范式，让 computer-use agents（CUAs）直接与应用交互，以弥补现有 LLM 评估只看代码分析和单元测试的不足。
arXiv cs.AIAI 评分3838 ProtoArena：AI 智能体能发现并利用真实世界的跨组件协议漏洞吗？
研究团队推出 ProtoArena，一个黑盒、多组件动态基准，包含 80 个跨组件漏洞利用环境，覆盖 11 个协议与应用领域、7 类攻击。在评估的 5 个 LLM 中，Claude Opus 4.8 成功率最高：L1 引导下 48.8%，效果导向的黑盒 L3 下仅 12.5%。在 DNSBomb 优化实验中，其峰值下行响应与平均查询输入字节率之比超过 171,000 倍。
arXiv cs.AIAI 评分2424 Agentic-MatriBO：面向材料与化学设计的 capability-compiled 智能体贝叶斯优化框架
研究者提出 Agentic-MatriBO，一个将贝叶斯优化组件与选择条件表示为可组合能力的智能体 BO 框架，由语言策略提出 BO 配方与候选方案、编译器对照能力目录校验、确定性执行层验证并提交候选。
arXiv cs.AIAI 评分1818 面向 AI 系统优化的高斯过程 Bandit：选择性验证反馈方法
研究针对高斯过程 Bandit 优化提示词、检索系统和智能体工作流时，廉价模型评估与可信任务结果不一致的问题，提出选择性验证框架：动作先于诊断观测选定，可信反馈仅在未知诊断状态集上有效。
arXiv cs.AIAI 评分3131 LLM 多智能体协调的自由度：集中式与去中心化之间
研究提出 Degrees of Freedom（DoF）连续配置框架，量化下放给下游智能体的决策空间大小，其两端分别对应集中式与去中心化两种协调模式。在六个评估状态中的五个里，中间 DoF 配置的平均准确率高于两个端点，且不同任务领域偏好不同的 DoF 配置。域内保留经验可让两种分支的表现更接近。
arXiv cs.AIAI 评分2525 TSRL：基于触发的监督强化学习实现智能体持续训练
研究者提出 TSRL（Trigger-based Supervised Reinforcement Learning），以 RL 为优化主干，仅在策略失败的"hard states"上选择性激活 SFT，理论上可限制累积参数更新上界以减少遗忘。
arXiv cs.AIAI 评分3232 LatentRiskBench：衡量企业智能体的状态依赖风险
研究者提出 LatentRiskBench，用于评估企业智能体中依赖工作流状态的安全风险，即同一动作在不同上下文下可能合规也可能违规。实验显示，动作级评估仅能检出 0.09 的状态依赖违规，而状态级评估可达 0.96，现有护栏方法若不显式作用于工作流状态则基本无法覆盖此类风险。该基准已被 EMNLP 2026 Industry Track 接收，数据集与代码已公开。
arXiv cs.AIAI 评分3232 DeltaTTG：用 Token-to-Go 进度计量训练多轮智能体
DeltaTTG 通过共享进度计量器学习可复用的进度信号，其监督目标 Token-to-Go（TTG）即任务完成前还需生成的 token 数，作为剩余完成工作量的可观测代理。
arXiv cs.AIAI 评分3232 LLM 智能体的推理收缩与安全记忆复用边界
研究提出"推理收缩"概念，指出思维模板、技能库、智能体记忆与缓存把多步推理压缩为一步，但事实变化后记忆会悄然给出错误答案。在五个 LLM 的多跳问答测试中，ExpeL 与 ACE 式计数器比经认证记忆多输出 7.0-13.5 倍过期答案，代码任务上多出 35-73 倍。作者提出按各记忆自身似然比加权失败、对照实时推理认证效用、事实变化时重启证书的方案。
arXiv cs.AIAI 评分2626 语言模型智能体的信念-行动鸿沟
研究在文本网格世界中考察语言模型智能体的状态信念、行动价值与行动偏好如何相互作用，发现任务相关的状态与价值信息在表征层面往往比在行为中更可靠。推理过程中决策会在某个承诺点附近收敛，报告的不确定性也随之下降，但个体信念变化并不能一致解释行动偏好的转变。移植其他决策的推理前缀可影响强制行动，而推理窗口激活编辑对行动的控制有限，表明部分失败源于信息向行动的转化而非信息缺失。
arXiv cs.AIAI 评分4040 智能体工作流为何失败：基于文献与实证数据的失败分类体系
一篇 arXiv 论文提出面向来源的智能体工作流失败分类体系，结合失败类型词典、工作流阶段定位与智能体能力定位，构建以工作流阶段为横轴、智能体能力为纵轴的双轴定位矩阵。实证对比显示，文献中的失败集中在规划、推理、学习、感知与知识相关机制，而 GitHub 上的失败集中在执行阶段、执行动作、工具、API 与基础设施，迭代执行与执行动作是主要热点。
arXiv cs.AIAI 评分2222 AI 中的“我”是谁？为自主智能体建立去中心化身份与问责机制
针对自主 AI 智能体缺乏标准化自我定义、造成信任与问责缺口的问题，该论文提出基于自主主权身份（SSI）原则的去中心化 AI 身份框架，并区分人类用户与 AI 智能体的验证逻辑。其核心 ABCD 框架包含算法指纹、行为指纹、基于 DID 的密码学身份与委托四层，将智能体行为与人类问责绑定，以解决自主经济活动中的黑箱身份问题。
arXiv cs.AIAI 评分2626 MultINav-Bench：超越可达性的交互式导航基准与 MultINav-Agent 智能体框架
研究者提出 MultINav-Bench，一个基于 MolmoSpaces 的 3K episode ObjectGoal 基准，覆盖通道、容器及混合任务，并附带交互必要性标注，评估协议分别衡量导航成功率、交互有效性与成本。
arXiv cs.AIAI 评分3434 CWE-bench：将 AI 智能体安全评测从攻击转向防御
研究者推出 CWE-bench，一个包含 120 个仓库审计与修复任务的私有基准，覆盖 73 种 CWE 类型、8 种编程语言和 OWASP Top 10 2025 全部类别。智能体仅获知仓库与威胁模型描述，需自行定位并修复漏洞，补丁须在通过程序化验证器拦截攻击的同时保持原有功能。最佳智能体达到 68% pass@1 和 81% pass@4，且不同语言与漏洞类别的难度差异显著。
arXiv cs.AIAI 评分3232 ProAgent：持续观察与及时干预的主动式 Physical AI 系统
研究者提出"主动式 Physical AI"问题并开发 ProAgent 端到端系统，由判断是否需要及何时干预的 StreamingJev 主动时机模型与生成响应或调用设备能力的 Response Model 组成。团队还构建了将视频转为主动时机监督信号的自动化数据管线，实验显示其干预时机更准、误触发少于基线，真机评测验证了识别新兴需求并转化为物理动作的能力。
arXiv cs.AIAI 评分4444 Davinci-Tool：用可验证可执行环境扩展智能体工具使用监督
研究团队推出 30B 工具使用模型 Davinci-Tool 及执行锚定数据集 Davinci-ToolData，通过 Execution-Grounded Task Synthesis 与 Executable Environment Synthesis 两条流水线生成 30,395 条已验证轨迹、覆盖 2,260 个工具名。
arXiv cs.AIAI 评分2626 PrivacyGuard：面向云端 GUI 智能体的源关联脱敏与本地可解析 PII 引用
PrivacyGuard 用源关联脱敏（SAN）和结构化引用生命周期（REF）解决云端 GUI 智能体的隐私引用问题，在四组 reader–language 组合中把审计到的源值泄漏相对最接近的完整流水线系统降低 33.55%–82.60%。
arXiv cs.AIAI 评分3131 从漫画到集体产物：人格构建如何驱动生成式社会模拟中的极化
研究基于类 Twitter 的生成式社会模拟平台，用 ANES 数据构建 LLM 智能体人格，并消融情感极化标记、党派认同与投票选择三层党派身份。结果显示，仅移除少数明确党派表述，网络就从近乎完全隔离转为接近真实 Twitter 的跨党联系。作者认为匹配单一结果不足以证明行为效度，并指出问卷对所有议题一视同仁、人格构建将每个回答变成直接行为指令，可能是关键原因。
arXiv cs.AIAI 评分2727 SpecRSI：面向智能体系统的推测式递归自我改进
研究者提出 Speculative Recursive Self-Improvement（SpecRSI），在智能体前代版本尚未完全评估前就起草可执行的后续智能体，但采用前必须完成验证。
arXiv cs.AIAI 评分2222 CryptoFlowBench：面向加密货币资金追踪的多跳推理基准
研究者提出 CryptoFlowBench，一个基于权威加密货币非法事件报告构建的基准，包含从局部到多跳资金追踪的四项任务，现有学习和启发式方法在这些任务上均面临显著挑战。同时提出图工具增强的智能体 ChainSleuth，通过迭代推理、调用图工具并更新追踪轨迹，实现自适应信息获取与错误路径恢复。实验显示没有基线能在四项任务上全面占优，ChainSleuth 在多跳任务上取得明显提升。
arXiv cs.AIAI 评分3131 SLDBench v2：主动式缩放定律发现
SLDBench v2 将缩放定律发现场景从 8 个扩展到 127 个，覆盖语言模型预训练、下游性能和视觉语言迁移，并从中选出 30 个参考幂律拟合 R² ≤ 0.8 的挑战场景。
arXiv cs.AIAI 评分3434 用实体熟悉度筛选深度搜索蒸馏数据：SEF 让 Qwen3.8-27B 在 BrowseComp 子集从 44.10% 提升到 66.41%
针对深度搜索智能体蒸馏中"教师对某些实体过于熟悉导致监督信号偏弱"的问题，论文提出轻量门控信号 SEF，在实体入图前直接询问教师是否熟悉该实体。
arXiv cs.AIAI 评分3232 AutoNovo：智能体程序搜索发现可迁移的核酸设计算法
AutoNovo 用智能体程序搜索迭代地提出、执行、评估和修改核酸设计器代码，其设计器在 3/3 个 DNA 设计任务的 in-silico 性能上取得所评估方法中的最佳均值，并在 6/6 个独立模型迁移任务上表现最佳。这些设计器来自一个被发现的设计器家族，而非单一通用最优设计器，团队计划发布这些设计器。
arXiv cs.AIAI 评分2929 GenRevisit：让智能体学会回看历史图像的组合式图像生成框架
GenRevisit 是一个智能体框架，将动作选择扩展为联合的延续状态与动作选择，让智能体可从交互历史中挑选图像候选再编辑，而非固定从最新图像继续优化。该框架采用 SFT 加智能体强化学习训练，并提出 Normalized Action Credit Assignment（NACA）解决 GRPO 中轨迹级优势分配过粗的问题。
arXiv cs.AIAI 评分2222 PID 门控的持续提示词自适应：噪声反馈下的鲁棒调度
针对 LLM 智能体在非平稳环境中因噪声反馈导致指令更新被污染的问题，研究者受 PID 控制启发提出一族轻量门控机制，依据当前误差、历史证据累积与编辑后回滚来决定何时触发持久指令更新。在多种漂移任务、不同 LLM 参数规模与反馈噪声水平下，PID 门控在任务性能与编辑器调用预算之间取得比 TextGrad、GEPA 及简单基线更优的 Pareto 权衡。
arXiv cs.AIAI 评分2626 Dream2Discern：用困难潜变量变体预测多智能体系统运行时故障
Dream2Discern 是一种运行时审计器，通过自身预测损失引导的隐式增强来训练：Dream 阶段对表示算子施加扰动以生成困难潜变量变体，Discern 阶段用原始标签从这些变体学习预测执行结果，变体随训练不断再生，无需额外采集轨迹或验证结果。在 AFTraj-2K 和 StepShield 上，其轨迹级加权准确率均超过 90%，优于同类故障审计器，并兼顾预测准确性与及时性。
arXiv cs.AIAI 评分3434 LLM Agent 基准评测何时不可靠：一项关于 oracle 失效与配置依赖测量的实证研究
一项实证研究审计了 LLM Agent 评测框架的 oracle 可靠性，发现某 Agent 基准的奖励函数缺陷会在评分前改变环境状态，经回放修正后 4,320 个 episode 的数据库通过标签从 4,194 降至 2,883，测得成功率从 94.3% 降至 65.5%。
arXiv cs.AIAI 评分3434 多智能体 LLM 系统中拓扑驱动的信息泄露与按接收方定制的净化机制
多智能体 LLM 系统（MALS）存在传统敏感度防御无法捕捉的隐私泄露：信息经常规协作传播至未授权智能体。研究评估了 485 个场景，发现拓扑结构使向拓扑引入接收方的泄露从 0% 升至 52.2%，而表面泄露稳定在 60.6%-62.8%。提出的 RECONS 净化器将残余泄露从 96.7% 降至 29.25%，同时保留 94.1% 的授权披露。
arXiv cs.AIAI 评分2626 ECHO：面向工具调用智能体的责任感知信用分配框架
研究者提出 Error-Chain-Aware Optimization（ECHO），一种将责任识别与信用分配分离的责任感知信用分配框架，通过冻结评判模型区分新引入错误、继承后果、遗漏纠正与成功纠正，并对共享下游后果只计一次、以来源出资的恢复约束修复自身错误的奖励。在六个工具调用基准、4B 与 8B 两个规模上，ECHO 在每个规模的六个基准中有五个取得最高分。代码已开源。
arXiv cs.AIAI 评分3939 面向智能体环境的可扩展弱到强验证器加固方法
研究者提出一种可扩展的全自动弱到强验证器加固方法，先建立智能体无法直接修改的隔离验证器沙箱，再用 hacker-fixer 循环发现并修复验证器漏洞。该方法应用于 Terminal Bench、KernelBench 和 SETA，大幅降低攻击成功率，且随循环迭代次数增加防御持续增强，优于静态非迭代基线。其早期版本已被 Terminal Bench 官方仓库采用，用于审计环境中的漏洞利用。
arXiv cs.AIAI 评分3636 LVRL：用 LLM 价值函数为智能体强化学习做信用分配
研究者提出 LLM Value Function RL（LVRL），利用预训练 LLM 的上下文学习能力估计策略感知的状态价值，无需微调独立 critic 即可实现步级信用分配。
arXiv cs.AIAI 评分3232 SurgiCLAW：面向精密机器人显微操作的可解释原子技能智能体
SurgiCLAW 是一个分层技能框架，将 MLLM 限定于术中视觉理解、结构化解释与原子手术技能选择，物理执行交由可验证的确定性控制程序完成。在脑机接口植入任务上，其技能选择准确率达 94.6%、Macro-F1 为 93.0%，50 次闭环真机植入试验任务成功率为 88.0%。
arXiv cs.AIAI 评分3838 从人类软件演进合成智能体原生界面：DeskIF-Bench 与 ANIS 框架
研究者提出 DeskIF-Bench，用 255 个跨 6 款桌面应用的任务，在固定任务、智能体与验证器的情况下改变软件版本，测量界面变化对 LLM 智能体表现的影响，结果显示最新版本始终优于最旧版本。
arXiv cs.AIAI 评分2323 SkillMarker：基于 KGW 的智能体技能所有权验证水印方法
SkillMarker 是一种基于 KGW 的水印方法，用于智能体技能的所有权验证与泄露溯源，通过质量约束改写与信号导向候选搜索兼顾功能保持与水印强度。在四个数据集上，该方法对下游任务性能影响可忽略；复制粘贴测试中，基于窗口的检测可稳定识别最短 1,536 个连续 token 的抄袭片段，与一至三个背景技能合并后水印检出率仍保持 72.2–77.8%。
arXiv cs.AIAI 评分1818 DCC-Incomplete：面向分布式约束满足的动态冲突聚类与轻量学习修复求解器
研究者提出修复型 DCSP 求解器 DCC-Incomplete，将未解部分归入冲突簇，并通过协调层把通信限制在同一冲突区域内的智能体之间。在带预设可满足解的分布式图着色基准上，其记忆引导重启将成功率从 37.50% 提升至 61.11%，中位运行时间从 0.565s 降至 0.367s，每条约束的中位通信量从 12.493 条消息降至 6.503 条。
arXiv cs.AIAI 评分3636 LLM 多智能体系统通信故障研究：消息出错如何影响任务成败
一项大规模实证研究构建了跨层故障分类体系与故障注入追踪流程，覆盖 100 项任务、五个领域、三种工作流拓扑和三种模型配置，共 29,000 余次执行。研究发现，有完整检测记录的失败中 20.7% 没有即时失败信号，部分内容故障时这一比例达 76.2%；Flat 拓扑在通信故障下保持 53.0% 任务成功率，而 Sequential 和 Hierarchical 分别仅为 3.3% 和 3.2%。
arXiv cs.AIAI 评分3131 FlipAct：衡量语言模型何时行动的敏感度与判定标准
研究者提出 FlipAct，一种针对物理状态下工具使用的诊断方法，用标注工具属性上的规则计算答案与分级证据分数，将 Yes/No 边界固定为零，并通过 2×2 问题组在知识不变时翻转状态。