X-AgentRed：在演进的多服务生态中对个人智能体进行红队测试
X-AgentRed 是一个自进化红队测试框架，通过工具依赖图发现有害的工具调用路径，并利用执行反馈扩展和优化这些路径。在四个前沿智能体模型上，X-AgentRed 的有害路径率达到 STAC 的 1.77 倍，工具覆盖平均提升至 2.99 倍。
#Agent
arXiv cs.AIAI 评分3030 arXiv cs.AIAI 评分2727 面向 Agentic Web 技术栈的基线评估：MASTIF 框架与 300 项 Mind2Web 任务测试
研究者提出 MASTIF（Multi-Agent System TestIng Framework），对 3 个 LLM、3 种协议和 4 个智能体实现框架在 300 项 Mind2Web 基准任务上进行 Agentic Web 技术栈基线评估。结果显示，选择任务专属技术栈可提升任务完成率、效率分数和社会价值稳定性分数，并减少冗长度与任务完成时间。
arXiv cs.AIAI 评分6262 HOA：面向奥赛解题的多会话智能体工作流，在 IMO、IPhO、IOI 2026 取得满分
研究者提出 HOA（Humanize Olympiads Agent），一个通过独立评审、结构化 wiki 和 Lean 证明验证三条反馈通道协调多个智能体会话的开放流程级框架。
arXiv cs.AIAI 评分3838 MAGMA-Bench：评估动态任务与执行失败下的长时程具身智能体
研究者推出 MAGMA-Bench，一个架构无关的基准，用于评估动态多机器人环境中的持续任务推理，覆盖递增任务时程与执行失败、任务中断、任务更新等在线扰动。评测显示最强模型在相当比例的干净回合中仍失败，在线扰动下成功率进一步下降；监督适配能大幅提升小模型，但在更长时程和多机器人任务上表现仍明显偏低。团队同时发布基准、261,646 条任务级训练样本及架构无关的专家轨迹生成流程。
arXiv cs.AIAI 评分3636 Humanize MLE Agents（HMA）：多智能体会话交替突破单智能体极限
针对长周期 MLE 任务中单会话推理强度下降的"长周期减速"与定制 harness 收益随模型升级消失的"harness 陈旧"问题，研究者提出 Humanize MLE Agents（HMA），让两个智能体在共享工作区交替执行、每会话最多 k 次实验并重置上下文。
arXiv cs.AIAI 评分2222 BranchOPD：分支式在线策略蒸馏
BranchOPD 通过学生模型不确定性和师生分歧选择决策点，从共享前缀重采样学生策略续写，并对主轨迹与分支同时施加 token 级教师监督。
arXiv cs.AIAI 评分2222 基于本地智能体 AI 框架生成边缘案例场景以保障安全
一个基于笔记本电脑的本地智能体 AI 框架，用本地 LM 通过 think、act、observe、update、continue 循环与轻量 JSON 编码自适应生成边缘案例场景，并以第二个独立 LM 按领域标准评审精炼。精炼场景在仿真中运行并采集指标，据此对相似场景做利用、或生成新场景做探索，再通过指标聚类与主题分析定位功能缺口及其触发条件，形成可追溯的安全保障证据。
arXiv cs.AIAI 评分2626 Agentic Large Language Models：智能体大语言模型教材
一本 472 页的教材《Agentic Large Language Models》在 arXiv 发布，讨论智能体大语言模型如何工作、如何行动、如何相互交互，以及这对用户意味着什么。该书将大语言模型与现实世界行动能力结合，探讨 LLM 直接行动和彼此交互的情形，归入 cs.AI 领域。
arXiv cs.AIAI 评分4141 Rollout-Time Intervention：让智能体强化学习突破策略能力边界
研究者提出 Rollout-Time Intervention（RTI），在 rollout 阶段利用奖励侧证据（评估 rubric）将错误轨迹转化为成功轨迹，为策略自身难以解决的任务提供学习信号。
arXiv cs.AIAI 评分3838 Web$hell：面向智能体网页访问的统一接口
Web$hell 是一个将网页访问统一到单一访问模型的接口，通过 WebContract 定义的通用 schema，由 WebCompiler 把实时网页编译为可寻址的信息与动作对象，存入 WebCache 并通过共享操作集处理，为智能体提供一致、可操作且持久的网页访问。在网页搜索、网页导航与深度研究基准上的实验显示，Web$hell 以更低成本取得较强任务表现。
arXiv cs.AIAI 评分2424 RegulaTutor：面向长期个性化学习的理论驱动框架
RegulaTutor 是一个基于自我调节学习（SRL）研究的长期个性化辅导框架，其辅导机制将认知、情感、元认知与动机（CAMM）框架落地，从学习历史证据推导学习者解读与教学策略，并随新观察持续更新。
arXiv cs.AIAI 评分4141 SWE-Critix：面向编程智能体轨迹评估的通用验证器后训练方法
SWE-Critix 是一套后训练流程，用于训练能判断编程智能体执行轨迹并生成自然语言分析解释的通用验证器。该流程结合 SFT 与 RL，基于 CodeForge-Preview 轨迹训练了一系列 30B 模型，在留出测试集上将分类准确率从基础 Qwen3-30B-A3B 推理模型的 57% 提升至 SFT 后的 66%、RL 后的 78%。模型、数据集与训练代码均已开源。
arXiv cs.AIAI 评分3030 ChemDiffAgent：面向工具集成化学推理的掩码扩散语言智能体
研究者提出 ChemDiffAgent，首个用于工具集成化学推理的掩码扩散语言智能体，将化学推理重构为对推理与工具调用交错轨迹的迭代去噪，使工具使用决策在完整轨迹上下文中联合确定。在匹配预算与评测下，其整体性能较自回归智能体提升约 20%，8B 模型可媲美甚至超越 GPT 5.5、Claude Opus 4.7 等更大规模前沿模型。代码已开源，论文被 NeurIPS 2026 接收。
arXiv cs.AIAI 评分3131 DREAM：面向被投毒 LLM 智能体的神经启发式记忆修复机制
受神经科学中弱再激活可致记忆衰减的启发，研究者提出免训练的智能体内生记忆修复框架 DREAM，通过扰动隐式再激活、多维激活异常诊断与动态记忆修复三阶段，实现对被投毒记忆的选择性功能性遗忘。
arXiv cs.AIAI 评分2323 RoleWorld：用功能角色抽象实现世界模型中的知识迁移
RoleWorld 是一种符号化世界建模方法，用可复用原型加环境专属参数值构成的功能角色抽象，来表示物体在交互中的行为方式。教师 LLM 从交互轨迹中提取角色原型、基于角色实例的可执行转移规则，以及指导 actor LLM 决策的技能；在目标环境中 actor 无需教师，通过交互主动检验角色实例假设并在线修正角色分配与参数，不更新 LLM 参数、转移规则保持固定。
arXiv cs.AIAI 评分2626 TQS：面向编程智能体监督微调的结构化轨迹评分框架
研究者提出 TQS（Trajectory Quality Score），一种直接作用于轨迹结构、无需 LLM 评判且线性时间运行的编程智能体轨迹评分框架，围绕信息聚焦、意图-动作对齐与策略动态刻画结构化收敛。
arXiv cs.AIAI 评分3131 面向 LLM 多智能体系统的能力感知编排框架
研究者提出一种两阶段能力感知框架，用于 LLM 多智能体系统（MAS）的自动编排：先建模 LLM 主干对当前查询的任务条件能力，再据此调整角色激活与通信图。该方法在六个基准上平均得分 93.81%；对高能力主干，平均准确率从 87.22 提升至 89.97，同时 token 成本降低 36.26%；对低能力主干，较现有方法平均再提升 4.58 分，该趋势在未见过的主干上同样成立。
arXiv cs.AIAI 评分3838 DRYLAB-Bench：评测智能体式 LLM 突变设计的生物安全风险
研究者推出 DRYLAB-Bench，首个评估 LLM 智能体高危生物突变设计能力的基准，包含 30 个真实危险突变设计场景，并用 Biosecurity Risk Score（BRS）对照 ProteinGym 与 ViroGym 的 187,695 条湿实验数据打分。
arXiv cs.AIAI 评分2222 VETR：基于执行轨迹的符号图形推理自改进智能体
VETR 是一个面向符号图形推理的智能体框架，通过保留程序与渲染对齐记录，并用执行精炼器将运行时写入和状态变化编译为受约束的替代程序，实现递归自改进。
arXiv cs.AIAI 评分3636 Jev 加速智能体决策的实证研究：更快决策未必带来更好智能体
研究在 ALFWorld 与 AndroidWorld 两个场景、五类智能体、4500 次任务执行中评估 Jev 对决策效率的影响，发现 Jev 显著降低决策成本与延迟，但任务级收益因工作流而异。ALFWorld 任务成功率接近基线，两个移动端智能体成功率明显下降，辅助推理与额外交互吸收了决策节省，失败恢复与过早完成限制交付，某智能体单次尝试成本下降但每个成功结果的平均成本反而上升。
arXiv cs.AIAI 评分5151 LongHarness：通过有状态证据管理在 1 亿 Token 语料上推进智能体推理
LongHarness 是一个模型无关的 Agent 框架，通过证据与结论协同演化以及证据生命周期管理，让检索聚焦于尚未解决的信息需求，避免无界探索和证据状态漂移。
arXiv cs.AIAI 评分3131 Scaling Empowered Agents：从技能学习到赋权最大化的可扩展方法
研究者提出一种可扩展的赋权最大化方法，将赋权定义为某状态下可执行技能的数量，最大化赋权即抵达适合多种技能的起始状态，该方法适用于任意底层技能学习算法。实验显示赋权最大化涌现出资源采集、环境改造、生存等特性，并在 Crafter 中学会建造房屋。论文与代码已公开，共 30 页、13 张图。
arXiv cs.AIAI 评分3131 HSAD：用失败经验蒸馏结构化建议，为执行器智能体导航
研究者提出后见之明结构化建议蒸馏（HSAD）：让小型顾问模型读取输入并生成结构化建议，追加到冻结执行器智能体的提示词中，顾问通过分析执行器失败轨迹并由教师模型示范建议来监督微调。
arXiv cs.AIAI 评分4141 Work2Skill：从人类 GUI 经验中归纳可复用智能体技能
Work2Skill 框架通过 WorkRecorder 采集屏幕录制、鼠标键盘事件与无障碍树信息，构建了首个同步多模态人类桌面 GUI 演示数据集 WorkDemo-350（350 条演示），并提出按需检查证据的智能体技能归纳方法，生成包含工作流规则、步骤依赖与完成校验的可复用技能。
arXiv cs.AIAI 评分3030 CToM：让 LLM 通过预测用户回应学会自我修订
研究者提出 Collaborative Theory of Mind（CToM）框架，让 LLM 先起草回复、预测用户将如何回应，再据此在给出答复前完成内部修订，训练时将用户对每版草稿的回复作为预测目标，并结合 GRPO 优化任务表现与交互效率。
arXiv cs.AIAI 评分6262 多智能体编码系统中的奖励黑客可作为可传播策略
arXiv 论文《Reward Hacking as a Transmissible Strategy in Multi-Agent Coding Systems》指出，奖励黑客并非单智能体故障，在一个智能体中诱发的策略会传播给其他智能体并影响系统协作。
arXiv cs.AIAI 评分3434 EvoBelief：面向自我改进 LLM 智能体的可证伪世界模型
EvoBelief 是一种自我进化的世界模型，将环境知识表示为可证伪假设，通过意外结果和决策相关未知触发假设生成，经独立验证后才用于预测与规划，语言模型本身保持冻结。
arXiv cs.AIAI 评分2323 CLEAT：为交互式智能体学习价值引导的澄清机制
CLEAT 通过价值引导的智能体协同训练框架，让 LLM 智能体学会在信息不完整时提出有用问题并利用回答改进决策。该框架用配对 rollout 估计"残差查询价值"，协同训练澄清价值控制器与任务策略。
arXiv cs.AIAI 评分2626 超越二元可验证奖励：面向 SWE 智能体的行为自奖励方法
研究者提出 Behavioral Self-Rewarding（BSR），复用策略本身对同一任务、同一验证器结果下的轨迹进行调试行为两两比较，将偏好聚合为任务内分数并转为有界辅助奖励，在不新增环境交互的前提下引入奖励对比。在 SWE-bench Verified 和 SWE-bench-Live 上，Qwen3-14B 与 Qwen3-32B 配置均取得一致提升。
arXiv cs.AIAI 评分2424 EvoSyn：通过演化生成空间实现闭环学习的智能体数据合成
针对合成数据中反馈与决策脱节的问题，研究者提出 EvoSyn——一个由学习反馈驱动的多智能体框架，通过可修订状态组织合成过程，将学习者反馈转化为合成修订，并支持生成空间的扩展。在 τ²-Bench 和 CAR-Bench 上，EvoSyn 平均任务成功率较最强合成基线提升 13.3 个百分点，同时生成质量更高、结构更广的合成经验。
arXiv cs.AIAI 评分2222 EliteTable：面向可执行控制策略的自改进程序搜索
EliteTable 是一种由 LLM 引导的自改进程序搜索算法，用固定容量的高分方案表来指导新提案、已有方案编辑与多方案重组。在六个 Gymnasium 控制任务上各进行十代搜索、每代五十个候选槽位，六项任务的候选分数中位数均从第一代到末代上升，五项任务的选中优胜者搜索分数中位数上升；CartPole-v1 中十次搜索的优胜者均在第一代达到搜索分数上限。
arXiv cs.CLAI 评分2424 DREAM：面向多模态多智能体辩论的动态分辨率分配方法
DREAM 通过动态分辨率分配与不确定性引导回滚聚合两项机制改进多模态多智能体辩论，前者用零样本探测轮结合 ANLL 为每个智能体分配最优分辨率，后者追踪各轮不确定性以恢复被群体压力覆盖的低不确定性答案。在六个多模态数据集上，DREAM 无需针对数据集调参，将准确率- token 权衡较基线提升 1.5-3.2% 准确率。
arXiv cs.CLAI 评分5252 OpenCollab：可编程协作与可控运行时的多智能体编码框架
OpenCollab 是一个多智能体编码框架，统一组织设计、在共享运行时上施加实验控制，并通过细粒度事件流追踪执行过程。作者据此定义 Adherence 指标，衡量声明的组织是否真正被执行，实验显示改变任一维度都会使 Adherence 从 47.2% 变化到最高 97.2%。
arXiv cs.CLAI 评分3737 EngiWorld：前沿智能体在专业工程环境中能交付什么？
研究者发布 EngiWorld 基准，包含 1301 个专家标注任务，覆盖 CAD、CAE、CAM、BIM、EDA、DCC 六大工程领域和 26 款专业软件，提供 GUI 与 CLI 接口。
arXiv cs.CLAI 评分5454 ResidencyRL：在模拟临床环境中用强化学习训练临床 AI 智能体
Google 等机构研究者提出 ResidencyRL，一种通过模拟多轮临床问诊（每条轨迹最多 60 轮对话、8 次工具调用）训练临床 AI 智能体的强化学习方法，奖励对齐诊断准确性、管理质量、沟通、文书与安全。
arXiv cs.CLAI 评分2626 SkeMex：通过自进化技能记忆实现可泛化的医疗智能体推理
研究者提出 SkeMex，一个部署后自进化框架，通过技能记忆提升医疗智能体推理能力且不更新模型权重。SkeMex 将交互轨迹蒸馏为结构化技能，组织成覆盖通用、任务特定和动作级经验的多分支仓库，并依据环境反馈估计上下文相关效用，指导价值感知检索与仓库治理。在多种临床任务中，SkeMex 在离线和在线设置下均持续优于代表性记忆型智能体，并可跨模型骨干泛化，支持可迁移的技能记忆。
arXiv cs.CLAI 评分4848 Agents' Last Exam（ALE）：面向长周期经济价值任务的 AI 智能体基准
研究者发布 Agents' Last Exam（ALE）基准，用于评估 AI 智能体在长周期、有经济价值、可验证结果的真实世界任务上的表现。ALE 与 250+ 行业专家合作开发，参照 O*NET / SOC 2018 覆盖 13 个行业集群、55 个子领域、1K+ 任务。当前主流 harness 与 backbone 配置下，最难层级的平均完整通过率低于 1%。
arXiv cs.CLAI 评分3434 Wikidata Search Traces：训练知识图谱搜索智能体的数据集
研究者构建了 Wikidata Search Traces 数据集，包含 10,235 条单实体与多跳问题的求解轨迹，并开源了生成这些轨迹的递归语言模型（RLM）harness。
arXiv cs.CLAI 评分2626 PACT：面向多轮工具调用智能体的特权轨迹协同训练框架
研究者提出 PACT，一种面向多轮工具调用智能体的特权轨迹协同训练框架，将专家轨迹仅用作训练时的优化信号而非 rollout 时的提示。PACT 保持 rollout 仅依赖提示词，通过轨迹条件 RL 代理和组件感知 SFT 损失两个互补信号引导优化，并引入 prompt-only anchoring 减少对训练期轨迹上下文的过度依赖。
arXiv cs.CLAI 评分2626 LLM 互评：面向医疗问答的多智能体同行评审推理
研究者提出多智能体同行评审推理方法，让多个 LLM 智能体各自生成带候选答案的思维链推理，再互任评审员评估彼此推理的事实正确性与逻辑严谨性，最终选取评分最高的推理链作答。