LASE：用置信度引导的自适应辩论实现高效多智能体推理
研究者提出 LASE（Leader-Adaptive Structured Engagement），一种以领导者为中心的多智能体辩论框架，仅在非中性场景下选择性触发交互，默认使用简单聚合。
#Agent
arXiv cs.AIAI 评分3131 arXiv cs.CLAI 评分3636 搜索智能体的 Lazy Grounding 攻击：事实性证据也能误导检索推理
研究者提出"lazy grounding"攻击：将基准问题改写后对应的邻近事实证据注入搜索语料，这些文档虽真实却与原始问题无关，仍会被检索并误导搜索智能体。在 12 个模型-基准组合上，该攻击使回答准确率平均下降 5.9 分、最高下降 17.3 分，且所有设置均出现邻近答案被采纳。证据出现位置越靠后或越像答案时，影响更强。
arXiv cs.AIAI 评分4444 TRAP：针对 LLM 智能体工具结果错误绑定问题的工具结果重放攻击
研究者提出 TRAP 工具结果重放攻击，并构建 ReplayBench 基准，用受控重放评估 LLM 智能体的工具结果错误绑定（misbinding）问题，覆盖 19 个智能体场景、4 类失败属性和 3 种重放机制。
arXiv cs.CLAI 评分2222 BTS-AgentBench：从只读遥测日志到智能体基准的确定性可重放流水线
BTS-AgentBench 是一个确定性编译器，可将只读遥测与设备元数据转换为工具驱动的多轮智能体任务、阶段级目标、证据与可执行评测契约。
arXiv cs.AIAI 评分3939 HyWe：统一搜索与操作，面向真实混合网页任务
研究团队提出 HyWe 框架，将信息搜索与页面操作统一在单一模型和轨迹中，并训练出 35B 参数的网页智能体 HyWe-35B。
arXiv cs.AIAI 评分2323 ReTAC：面向视频空间推理的残差式测试时智能体计算
ReTAC 是一个免训练的多智能体框架，用于视频空间推理，主张测试时计算应当是"残差式"的：只对基座模型未解决的需求分配额外计算，并在局部失败后仅重算受影响的状态。它通过有序规划获取缺失的空间证据、用阶段对齐验证将失败定位到规划、感知或推理环节，并基于依赖关系恢复。在三个主流 MLLM 和两个基准上，ReTAC 取得对比方法中最高的综合得分。
arXiv cs.CLAI 评分3737 LycheeMemory V2：通过语义段级整合为 LLM 智能体提供高效长期记忆
LycheeMemory V2 用语义段级整合替代逐轮整合，将多次交互批量打包为段并编码为上下文无关的类型化记忆记录，降低 LLM 编码频率。基于 GPT-4.1-Mini 的实验显示，其在 LoCoMo 上达到 89.22%、LongMemEval-S 上达到 92.20%，取得 SOTA 表现。
arXiv cs.AIAI 评分3232 REVEAL：从前沿模型轨迹中逆向工程智能体隐变量
研究者提出免训练框架 REVEAL，通过逆向工程思路从前沿 LLM 智能体的文本轨迹中提取"Agentic Latents"，为冻结的目标智能体生成局部激活控制方向。在 Terminal-Bench 2.1 和 Humanity's Last Exam with tools 上，该方法在三个目标模型上均取得高于未修改智能体的准确率，且无需目标模型训练或访问源模型内部。
arXiv cs.AIAI 评分2727 agent-risk：面向 AI 智能体变更的风险评估方法
研究者提出 agent-risk，用于在修改已部署 AI 智能体前基于现有日志评估变更风险，可重放日志片段并假设其他条件不变、智能体不预知变更。在 bash 沙箱中，仅凭 7,200 条 episode 日志无法判定两个重试门控，而从保存状态仅重跑被阻断 episode 即达到与实时测试相同的决策，智能体调用量减半；缺少逐步危害记录时，停止门控的认证危害上限最高上升 2.5 倍。
arXiv cs.AIAI 评分2727 GUIDE：让 LLM 自学习跨多任务场景的群体引导能力
研究团队提出 GUIDE 框架，让 LLM 从任务特定专家引导的 432 场多方人类对话中自学习通用引导策略，在留出对话上以 61.4% 胜率超越三个任务特定专家引导者。实时在线实验显示，该自学习引导者保持引导效果与群体生产力，提升发言舒适度并减少人际摩擦，同时比专家提示词少用 24.7% 轮次和 29.0% 词数。
arXiv cs.CLAI 评分2222 IACM-RL：面向动态意图波动下复杂工具调用的意图感知上下文管理与强化学习
针对动态用户意图噪声导致工具调用中出现意图偏离和重复 API 循环的问题，研究者提出 IACM-RL 框架，包含合成多场景轨迹的 DynamicIntent 数据管线与五维诊断指标，并部署基于 BeliefState 的自生成上下文管理器，用结构化 stale flags 隔离被覆盖参数。
arXiv cs.AIAI 评分3131 ProCARE：通过 Profile 驱动的证据契约实现真实世界研究自动化
ProCARE 将真实世界研究（RWS）自动化重构为约束编译，把异构数据 Profile 转为 Evidence Contracts，并将研究目标编译为强类型中间表示 RWS-IR，再经确定性验证与局部修复检查生成的工作流。
arXiv cs.CLAI 评分3131 DeepRubric：用证据树评分标准监督高效强化学习深度研究智能体
DeepRubric 提出一种数据构建框架，先确定有证据支撑的报告应被评估什么，再反向合成对齐的 query–rubric 对，用证据树递归扩展子问题、以叶子节点作为可验证评估目标。
arXiv cs.CLAI 评分2323 HiMPO：面向长时程智能体的后见之明记忆策略优化，降低信用纠缠
研究者提出 HiMPO，一种后见之明记忆策略优化框架，在轨迹级强化学习之外为记忆写入单独分配信用：每次更新时固定其余写入前上下文，比较目标答案在旧、新记忆下的对数似然，并用基于组相对后见相关性的软门控加权局部效用优势。在 Local Wiki Search 上，其平均 F1 与精确匹配较 MemPO 分别提升 2.6 和 2.2 个百分点，同时保持压缩上下文效率。
arXiv cs.AIAI 评分3131 TIPER：通过任务完整性约束下的人格演化揭示 LLM 智能体的鲁棒性弱点
研究者提出 TIPER，一种保持任务完整性的人格演化方法，通过反思引导的行为变异和任务级 Pareto 选择，自动发现能暴露智能体鲁棒性弱点的用户策略。在四个交互式智能体基准上，TIPER 在全部 12 个 GPT-5.4 设置中降低留出 avg@3 分数 5.8 至 33.7 个百分点，在覆盖七个智能体的全部 28 个智能体-领域组合中观察到中位数 22.9 个百分点的下降。
arXiv cs.CLAI 评分3636 ProReviewer：面向科学同行评审的证据驱动调查智能体
ProReviewer 是一个证据驱动的评审智能体，将评审建模为马尔可夫决策过程，以结构化评审日志作为状态核心，每步依据已积累发现决定下一步检查内容与结束时机，并随新证据更新日志。在 1000 篇 ICLR 2026 留出论文上，训练后的 8B ProReviewer 平均得分超过所有对比方法，包括基于 397B 模型的方法；人类评估者在四个评审质量维度中的三个上更偏好其评审。
arXiv cs.AIAI 评分2424 Pollard：面向框架无关 AI 智能体控制与回放的受治理语义执行树
Pollard 是一个框架无关的运行时，基于受治理语义执行树，让执行、治理与回放共享同一步骤身份。严格回放可直接返回已验证的存储结果而不调用被包装操作，事务存储协调并发 worker 的预留。在签名确定性冻结下，两个状态模型副本执行评估转换均未违反不变量，严格回放避免了外部调用，所有语义变更均被检出且对照组无误报。
arXiv cs.AIAI 评分3636 LLM 智能体的 Phantom Merge：实体-证据绑定失败与修正框架
研究识别出 LLM 智能体中的 Phantom Merge（PM）现象：智能体将缺乏支撑的论断归因于其选定实体，即使任务已正确完成。
arXiv cs.AIAI 评分2424 大语言模型借助可微用户均衡层实现交通规划
研究提出一套人机协同交通规划框架，将大语言模型、MCP 接口、开源交通规划引擎 AequilibraE 与可微用户均衡（UE）分配层结合，让非专家用户以自然语言完成网络分析与方案优化。该可微 UE 层通过对 Beckmann 交通分配问题的 KKT 条件直接求导实现，并已在基于观测流量的行驶时间函数标定和预算约束下的网络设计两项任务中演示。
arXiv cs.AIAI 评分2323 模仿是进化关键：面向自适应智能体的局部修复与可验证技能获取
研究提出被动模仿（PI）架构循环，通过定位被违反的契约、提取局部目标、提出效果匹配技能并做小补丁测试，在全任务验证后保留证据。在十个模拟工具世界中，PI 用三次允许的小试验解决了全部 600 个冷启动留出组合任务，而整轨迹对照仅 6.17%。
arXiv cs.CLAI 评分3232 通过自动形式化实现鲁棒异步规划
研究将异步规划统一到一个框架下，并发布三个覆盖任务图规模、状态与资源约束及执行时事件的基准。在 AsyncPlan-XXL 上，PDDL2.1 平均规划准确率仅 30.8%，Planner 为 81.7%，CP-SAT Formalizer 达 94.0%；100 个动作时三者分别为 9.0%、44.5%、82.5%。
arXiv cs.AIAI 评分4444 GUIDE：多智能体协作生成可信临床实践指南
研究团队开发了多智能体 copilot 系统 GUIDE，用于人机协作生成和更新临床实践指南。在 12 个 NICE 眼科数据集上，GUIDE 实现 88.85% 文献召回率、86.06% 证据确定性评级一致性和 91.67% 推荐意见一致率，平均每个数据集耗时 162.17 分钟，人工干预占 28.68%。
arXiv cs.AIAI 评分4040 HACE：异构智能体协同进化框架，让专用基础模型与 LLM 智能体互相促进
研究者提出异构智能体协同进化框架 HACE，通过相互学习让专用基础模型与 LLM 智能体共同进化：智能体以 on-policy 强化自训练方式学习，并由当前专用模型的已验证性能增益引导，其探索又反过来指导专用模型的监督学习。HACE 还用进化搜索优化两者的交互机制，在推荐系统、蛋白质功能预测和晶体稳定性预测三个领域的主任务指标上均优于所评估的自改进方法。
arXiv cs.CLAI 评分4444 ContextWeaver：面向 LLM 智能体的选择性依赖结构化记忆构建
ContextWeaver 是一个面向 LLM 智能体的选择性依赖结构化记忆框架，将交互轨迹组织为推理步骤图，通过依赖构建与遍历、紧凑依赖摘要和轻量验证层为后续动作选取相关上下文。在五个软件工程与终端基准上，它以固定预算提升全部五项任务的解决率，并减少 13-18% 的智能体步数；在 SWE-Bench Pro 上将解决率从 66.5% 提升至 72.6%，三个模型骨干均有显著提升。
arXiv cs.CLAI 评分2121 面向多会话个性化工具调用的潜在偏好建模
研究者提出 Multi-Session Personalized Tool Calling（MPT）基准，包含 459 段多会话交互历史中的 4,695 个实例，覆盖偏好回忆、归纳与迁移三类挑战。同时提出测试时记忆方法 PRefine，将用户潜在偏好维护为文本假设，通过生成—验证—精炼循环迭代修正。在五个 LLM 上，PRefine 优于所有基线，并在偏好迁移任务上单独超过全历史提示。
arXiv cs.AIAI 评分2222 面向智能体 AI 的计算反思平衡：Rawls 式对齐治理框架
研究提出智能体反思平衡（ARE），一种嵌入 agent harness 的计算反思平衡框架，将系统提示词与运营方政策中的原则、审慎判断、工具证据和候选动作通过带类型的支持与攻击关系连接，并用溯源编码指令层级。
arXiv cs.AIAI 评分2828 多轮 LLM 路由中的 Handoff Curves：初始选择、后续交接与监督目标
研究比较多轮 LLM 任务中初始模型选择与后续交接对成功率和成本的影响，数据集包含三个 Qwen 模型在 BFCL、MultiWOZ 和 τ-retail 上的 34,204 次完整执行。
arXiv cs.AIAI 评分2222 分布式智能体工具网关的撤销完成判定：C0-C5 可执行结果契约
论文提出 C0-C5 有界结果契约，用于判定分布式智能体工具网关的撤销是否真正完成，并以持久化监控在冻结网关集上实现。在 Keycloak 26.7、8 个物理网关、Filesystem 与 PostgreSQL 效果及 16 台 AWS 主机的实验中，接收端选择性不投递时传输确认与接收端持久化仍成功，但 225 次调用中 112 次（49.78%）被放行且效果全部提交。
arXiv cs.AIAI 评分3131 PopGen：用 LLM 生成语义多样化种群实现零样本协作
PopGen 是一个利用 LLM 从零合成语义多样化智能体的框架，先由 LLM 生成多样化的智能体行为文本描述，再将每种行为转译为可在环境中执行的代码策略。在四个协作环境中，与 PopGen 种群训练的协作者对未见伙伴实现了稳健的零样本协作，表现优于种群博弈基线；语义多样性随种群规模扩大而提升，并改善协作者的最差情况表现。代码已开源。
arXiv cs.AIAI 评分3131 TeSearch：用小型强测试套件为自进化智能体提供改进信号
TeSearch 将测试反馈作为自进化智能体的可执行改进信号，用质量-多样性进化算法搜索既小又强的测试套件，并把套件规模作为行为描述符，在搜索中学习转移核以去噪 LLM 执行。
arXiv cs.CLAI 评分2222 CALM-IT：用对话动态提升合成动机式访谈对话质量
CALM-IT 是一个双智能体框架，通过追踪来访者状态与治疗师侧推断来指导策略选择和话语生成，在 8,232 段对话、686 个场景上取得四项 MITI 4.2 全局评分最高均值，且短对话与长对话之间的质量变化最小。其模拟来访者转向接受率达 64.3%，最强的转向之后出现更多改变性谈话、更少维持性谈话；消融实验显示移除对话动态组件会降低对话质量。
arXiv cs.AIAI 评分1818 不确定性估计如何提升主动式智能助手对齐：一篇愿景论文
这篇愿景论文提出，不确定性估计能为主动式智能助手补上偏好预测所缺失的信息，即助手对预测偏好概率有多确定、置信来自群体假设还是个人数据、歧义源于用户偏好本身多变还是特定情境数据不足。作者以家庭助手为例，并借鉴人类轨迹预测、个性化活动识别、信息收集与基于模型的控制等邻近领域经验，展望不确定性感知的主动式助手如何应对主动交互中的关键挑战。
arXiv cs.CLAI 评分3737 Eigen-Agent：基于 Monitor RAG 的自适应多智能体科学推理框架
Eigen-Agent 在 Humanity's Last Exam Bio/Chem Gold 上达到 48.3% 准确率，超过最强智能体基线 13.4 分、领先前沿 LLM 最多 18.1 分，同时减少 53.5% token 用量和 43.7% 智能体步骤。
arXiv cs.AIAI 评分2222 RetryBench：在 GPT 工具调用中区分重试许可与恢复结果
RetryBench 提出用"虚假重试许可（FRP）"刻画智能体在无可见契约支持下重试超时工具调用的错误，并将其与实际恢复结果分开评估。
arXiv cs.AIAI 评分3232 Agent Sociodrama：用社会动态引导的 Persona 重铸修复 LLM 智能体团队
研究者提出 Agent Sociodrama 框架，用统一外部 LLM 裁判每轮更新固定 persona 下智能体的情绪状态与非对称关系，在 6 个 LLM 基座和 5 个社会场景中验证其社会动态轨迹。
arXiv cs.AIAI 评分3333 Google Earth AI 地理空间推理智能体 GRA：能力与系统评估
Google Earth AI 推出由 Gemini 驱动的地理空间推理智能体 GRA，将地理空间数据源、基础模型与工具组织为模块化领域技能，并配合前置地理空间规划，把复杂查询拆解为多阶段工作流。
arXiv cs.AIAI 评分2222 基于目录的 LLM 优化循环中已拒绝候选为何被重新提出
在三个开源 LLM 通过从 40 项编辑中命名一项来改进 GUI 智能体的目录式优化循环中，干净基态探针会低估提出者自身循环中的重复提出率（循环减探针的宏平均率为 0.32 [0.27, 0.37]），已评估的 harness-edit 配对提议占用 28-63% 的有效提出迭代。
arXiv cs.CLAI 评分2525 One Task, Many Interfaces：简单跨接口一致性训练提升 LLM 智能体鲁棒性
研究提出 Cross-Interface Policy Regularization（CIPR），一种自监督目标，通过将动作名替换为无信息标识符、并在两种接口下呈现同一样本，惩罚两种接口下动作分布之间的 KL 散度，使策略行为保持一致。
arXiv cs.CLAI 评分4242 让 LLM 智能体学会遗忘：扩展自动研究发现需定期丢弃搜索状态
LLM 智能体做自动研究时，无论单智能体长迭代、多智能体并行还是并行加通信，都会因历史累积而陷入停滞，编辑越来越少、越来越小。论文提出"遗忘"机制：定期丢弃所有智能体的会话与候选历史，从当前最优候选重启，在启发式编程、内核优化和模型训练四类任务上比并行智能体提升最高 15%，比单智能体提升最高 39%。
arXiv cs.AIAI 评分3434 MedHarnessBench：面向医疗智能体评估的统一基准
研究者提出 Medical Harness Protocol 与 MedHarnessBench，用七个医疗流程维度独立评估智能体执行，覆盖 FHIR/EHR 操作、医疗管理接口和多模态临床工具共 342 个可执行任务。