跳到正文
#Agent
10月16日周五
  1. arXiv cs.AI30

    CompMat-Bench：面向计算材料科学的 AI 智能体基准测试

    研究者推出 CompMat-Bench，一个源自近期计算材料研究、包含 94 项任务的 AI 智能体基准，通过预先复现研究步骤来评估智能体准备输入与分析输出的能力，从而避免评测时运行昂贵模拟。基于三个 LLM 的智能体在单任务完整指导下通过率为 66.0-90.4%，更长工作流与减少指导会以不同方式限制不同智能体表现，失败多归因于科学错误而非软件使用错误。

  2. arXiv cs.AI31

    从模拟公民到模拟审议：LLM 智能体在代表性与交互上的挑战

    研究用全国调查、受控审议实验和真实审议民调评估六款 LLM 能否模拟公众审议，发现智能体常产生过度集中的意见，无法可靠复现人口统计差异。在模拟审议中智能体虽会交换论点并频繁改变立场，但在看不到彼此发言时也会出现类似变化，而仅重述初始立场则大幅减少立场变动。

  3. arXiv cs.AI40

    Agent Gym：通过人在回路反馈持续评估与进化 LLM 智能体的框架

    研究团队提出 Agent Gym，一个模块化、领域无关的框架，可将任意现有 LLM 智能体包裹进持续评估与进化循环，无需修改智能体源码即可在部署后修正行为。框架包含 Act、Evaluate、Investigate、Correct、Learn、Observe 六项可组合能力，核心技术为带 21 个条件算子和三级动作的确定性-LLM 混合修正引擎，以及三层调查架构。

  8. arXiv cs.AI66

    ERA：用 LLM 引导树搜索自动生成多病原体疾病预测模型

    研究团队前瞻性评估了自主系统 ERA，它用大语言模型引导的树搜索迭代生成、评估并优化可执行的预测软件。在 2025-26 美国呼吸道季的实时评测中，ERA 为流感、COVID-19 和 RSV 生成了方法多样的模型，其集成模型在 CDC 季后官方评估中排名第一，并在三种病原体上均超过 CDC 的黄金标准预测集成。

  9. arXiv cs.CL60

    把任意地球观测任务变成递归自我改进：智能体自主构建遥感模型

    arXiv 论文提出把任意可验证的地球观测任务拆成 harness 与 verifier 两部分，由通用编码智能体据此自行构建并递归改进 EO 模型。在覆盖光学、SAR 和多光谱时间序列的六个 EO 基准上，智能体构建的模型全部超过当前最优水平，其中土地覆盖制图仅用 11% 的训练标签。作者认为这确立了人类设计 harness 与 verifier、智能体构建模型的新范式。

  10. arXiv cs.AI40

    语言模型智能体的自编程执行（SPE）与 Spell 语言

    论文提出自编程执行（SPE），让模型补全本身充当编排程序，harness 只负责求值而不施加固定编排策略。为此作者设计了可自我编辑并重新求值的 Lisp 方言 Spell，使模型调用等副作用表达式在重求值时不重放。未经 SPE 或 Spell 训练的前沿模型可在上下文内学会 Spell 并完成挑战性智能体任务，代码已开源，论文被 NeurIPS 2026 接收。

  13. arXiv cs.AI32

    Agent Skill 框架：中小型语言模型在工业环境中的潜力研究

    一项大规模实证研究评估了 Agent Skill 范式在 270M–80B 开源模型上的可行性，覆盖保险理赔分类与 Python 编程两类任务。结果显示极小模型常无法检索或选择正确技能，而 30B–80B 模型从技能增强中获益显著。研究还给出面向部署的 GPU 显存时间占用（GB·min）画像，揭示技能增强收益随模型规模、任务复杂度与 GPU 预算的变化。

  16. arXiv cs.AI27

    从自产数据中泛化：超越人类约束的模型训练框架

    该论文提出一种让 AI 模型通过与环境的直接交互自主生成并验证新知识的框架，核心是一个不可博弈的无界数值奖励（如磁盘占用空间或粉丝数），无需人类基准即可引导学习。AI 智能体迭代生成策略和可执行代码以最大化该指标，成功结果用于自我再训练和增量泛化，并通过 GRPO 支持微调以缓解模型崩溃和冷启动问题。系统采用模块化智能体完成环境分析、策略生成与代码合成。

  19. arXiv cs.AI52

    OS-Helix：在原生计算机智能体中统一 GUI 交互与代码执行

    OS-Helix 是一个端到端训练的多模态计算机使用智能体，把 GUI 操作与代码执行统一到同一个动作空间。作者通过应用与文件产物配对构建可执行 Ubuntu 状态，并用解耦的指令与评估器生成流程产出可验证任务，先以 SFT 冷启动、再在真实桌面环境中做在线 RL，并提出按动作步聚合重要性权重的 Step-balanced GSPO。

  20. arXiv cs.AI26

    CodeHealth 能否预测智能体代码审查的 token 成本：一项针对 465 个智能体编写 PR 的预注册研究

    一项预注册研究用 465 个智能体编写的 PR 测试 CodeHealth 能否预测多智能体代码审查的 token 成本，结果显示三个 LLM 的 CodeHealth 系数均为负，每提高 1 点 CodeHealth 对应 token 成本降低 3.5% 至 6.1%。该关联与 PR 规模无关，且调整被评分文件大小后关联消失，研究者将其解释为文件大小的中介效应。

  21. arXiv cs.CL39

    Φ-Bench：大语言模型能否工程化支撑自身运行的基础设施？

    研究者发布 Φ-Bench，一个基于真实 LLM 训练与推理代码库构建的基准，含 85 项任务，覆盖九类 LLM 基础设施，任务形式从 kernel 函数补全延伸到长周期实现与仓库级端到端优化。在八个前沿模型中，表现最强的 Claude Opus 5 仅得 36.53%，且所有模型在长周期仓库级实现上的表现都差于 kernel 级任务。该基准将开源。

  24. arXiv cs.CL27

    X-Alpha：具备记忆驱动自进化能力的 AI 量化研究员

    X-Alpha 是一个将持久研究记忆与假设到代码的持续发现相结合的 AI 量化研究员，通过 Report-to-Memory Abstraction（RMA）把金融报告转化为可执行的研究路径，并借助记忆驱动路由重定向探索。它在中国大陆、美国和中国香港的五个股票指数上评估，以 CSI300 为核心的实验显示其因子质量与信号多样性优于基线，并在多个市场和预测周期上取得一致的生成级增益。

  27. arXiv cs.AI18

    Matoi：面向智能体授权的后果证据选择性重验证机制

    Matoi 将可复用的后果证据与当前执行权限、持久发生历史分离，用有限查询感知契约覆盖分支、有序集合与否定查询。在 1,440 单元匹配线研究中，输入字节相同时复用使 JS 完整生命周期成本降低 3.49%、Python 降低 1.79%；AgentDojo Banking 映射覆盖 5/16 用户计划与 7/9 攻击计划，两种治理策略均保留 5 笔正常转账并拒绝 35 次复用攻击计划/策略交叉。

  28. arXiv cs.AI22

    PriorityFEC：面向边缘多智能体系统 KV-Cache 交接的截止时间感知流式 FEC

    PriorityFEC 是一种面向边缘多智能体 LLM 系统的 KV-Cache 交接方案，通过将高价值 KV 块前置并按接收端反馈调度修复包，在 TTFT 截止时间前保护最有价值的 KV 信息。该方案在分布式边缘 LLM 服务原型上以 Qwen2.5-7B-Instruct 和 Llama-3.1-8B-Instruct 评测，任务质量优于对比传输方案，且在截止时间约束严格时优势更明显。

  29. arXiv cs.CL31

    BASIS：评估交互场景下超越指令的信念感知解决方案

    研究者提出 BASIS 基准，用于评估 LLM 智能体能否推断用户请求背后的心理状态、识别信念与现实的不匹配，并据此给出合适方案。评估显示，当前模型在生成解决方案时往往忽略用户心理状态，而当这类信息被明确引出并提供时，方案质量持续更高。研究还通过通用 CoT 提示词对比、心理状态信息干预、针对性训练和多智能体协作实验，验证了考虑心理状态的实用价值。

  30. arXiv cs.CL40

    MoCo：一站式模型协作研究 Python 库

    研究者推出 MoCo，一个用于大规模执行、评测和比较模型协作算法的一站式 Python 库，涵盖 26 种模型协作方法与 25 个评测数据集。实验显示，多数协作策略在平均 61.0% 的（模型、数据）设定中优于无协作模型，最优方法提升幅度最高达 25.8%。

  31. arXiv cs.AI40

    TRACER：面向医院患者护理的多模态框架

    斯坦福团队提出免训练多模态框架 TRACER，将视频逐分钟动作记录与临床记录合并为小时级报告，并让 LLM 智能体通过工具查询该层级结构、调取相关视频与病历。在 397 段标注视频上动作检测准确率达 84.8%，144 道临床多选题 QA 准确率 61.0%，优于同骨干最强基线的 49.3%。

  32. arXiv cs.CL37

    Librarian Agents：训练 LLM 为未来查询预构建长上下文工作区

    研究者提出 Librarian Agents 框架，让 builder agent 将原始文档转化为合成文件与引用链接构成的分层文件系统，并通过强化学习直接优化下游回答准确率。该方法在 BrowseComp-Plus 上比最强检索与预计算基线高出 33 个百分点，在 BRIGHT 上零样本跨域平均准确率提升 31 点，且构建成本可分摊到多次查询。

  35. arXiv cs.CL30

    WEAVE：将真实世界代码演进织入依赖结构化任务，用于代码智能体的基准测试与训练

    WEAVE 框架将已验证的 PR 历史转化为可执行、依赖结构化的任务，通过仓库校准的类型化变更位点把相关 PR 组织成有界 DAG 并实例化为统一可执行任务。该框架还提出 Graph Credit，一种确定性的、基于测试的指标，用于衡量依赖一致的部分进展，并为强化学习提供稠密可验证奖励。实验表明 WEAVE 能生成连贯的可执行任务，比扁平评分更忠实地衡量进展，并为代码智能体训练提供有效监督。

  36. arXiv cs.AI48

    Screwtape：用对抗性转录编辑对监控器进行红队测试

    研究团队提出 Screwtape 流水线，用 LLM 攻击者编辑真实智能体转录，使 Claude Code 和 Codex 的智能体产生指定危害（如泄露 API key 或生成未被监控的智能体），同时规避仅检测动作的监控器。在 94 份转录、252 次运行中，它生成 35 个通过验证器且逃过自建监控器的攻击，其中 6 个经人工确认有效，还逃过了某前沿开发者提供的留出监控器。

  38. arXiv cs.AI26

    SHRED：无需专家演示的异构道路使用者自博弈框架

    SHRED 通过大规模异构自博弈从随机初始化联合训练车辆、行人和骑行者，无需演示数据或轨迹回放。在 Waymo Open Sim Agents Challenge 上，SHRED 同时控制三类道路使用者，超越无演示自博弈基线和依赖演示训练参考策略的先前自博弈方法；仅用 nuPlan 地图几何训练的策略在 Waymo 零样本评测中保持可比真实感。