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。
#Agent
arXiv cs.AIAI 评分2626 arXiv cs.AIAI 评分3636 INFUSE：面向智能体系统间接提示注入的统一表面基准
研究者推出 INFUSE，一个覆盖长周期智能体工作流全生命周期的间接提示注入（IPI）端到端基准，包含 40 个真实任务和 56 种攻击场景（分属五类威胁）。
arXiv cs.AIAI 评分2222 RICE-Alpha：用事件图与可靠性校准为 LLM 智能体股票预测做修正
RICE-Alpha 是一个 point-in-time 股票打分框架，将历史感知的多视角 Base Alpha 与基于历史事件延续的可靠性校准残差修正分离，通过 Multi-Tier Memory Layer 和 Typed Event Agent 构建事件状态图。
arXiv cs.AIAI 评分2020 一项 CHI 2026 研究：人们如何在日常生活中同时使用多个 AI 模型
一项日记研究与半结构化访谈（N=10）考察了人们如何在多个多模态大语言模型（MLLM）之间组织日常工作。用户会在模型中建立随使用场景变化的主次层级，并形成由任务聚合触发的个性化切换模式，以调节投入、延迟与输出可信度。研究指出，现有 HCI 研究多聚焦单一智能体交互，多 MLLM 协同编排仍待探索。
arXiv cs.AIAI 评分4444 FDE-Gym：AI 交付的最后一公里基准
研究团队推出 FDE-Gym，一个包含 95 个端到端交付任务的基准，覆盖 20 个客户场景、18 个行业，由行业专家从真实交付项目改编。在模拟客户环境中，13 个模型配置（来自 7 家提供商）表现最佳者平均得分仅 0.56，95 个任务中只解决 14 个。发现未明说的约束是主要瓶颈，即便最佳配置已获取全部关键事实的 23 个任务中，也仅 10 个达到 0.8 以上业务提升。
arXiv cs.AIAI 评分6060 MLExpert：面向自主机器学习工程的通用智能体模型
研究提出面向自主长周期机器学习工程优化的后训练方法，并据此训练出 35B MoE 智能体模型 MLExpert。该方法通过 Kaggle-MLE Factory 构建可执行任务与交互环境，用分层智能体 SFT 迁移工具使用和编码能力，并用 Windowed Interaction RL 把相邻实验结果之间的多轮决策作为一个执行窗口赋予共享结果奖励。
arXiv cs.AIAI 评分3434 KnowGPO：面向搜索智能体的知识分组策略优化
KnowGPO 是一个按任务相关知识而非表面观测对齐轨迹的强化学习框架，将查询所需信息拆解为原子知识条件，用已满足条件的子集表示轨迹状态，并对相同知识状态的轨迹分组比较，以步间知识增量为过程奖励。在 Xbench、BrowseComp-ZH 和 GAIA 上，KnowGPO 比 GRPO、GiGPO、IGPO 等基线高出 3.8 至 4.2 分，其 8B 模型可媲美或超过多数 32B 开源系统。
arXiv cs.AIAI 评分7171 四个 Gemini 4 Argon 智能体自主通关 Minecraft
研究团队将四个 Gemini 4 Argon 智能体放入沙盒 Minecraft 生存世界，目标是击败末影龙。每个智能体通过开源库 Mineflayer 控制一名玩家，并用游戏内聊天和共享记忆协作，没有人为分配角色或编写游戏逻辑，程序全部由智能体自行规划、编写和调试。
arXiv cs.AIAI 评分3636 提升环境无关编码智能体：脚手架的作用
研究在 ARC-AGI-3、AGI Maze 和 Terminal-Bench 上评测基于 Codex 的环境无关智能体，仅修改一条鼓励报告困难并交回控制权的指令，即提升 ARC-AGI-3 与 AGI Maze 的平均得分，Terminal-Bench 变化微小且不一。
arXiv cs.AIAI 评分3838 LEASH：面向计算机使用智能体的不确定性感知弱到强升级与监督框架
LEASH 是一个免训练框架，通过弱模型的潜在不确定性信号决定何时将控制权交给强模型，并在交接后持续监督强黑盒智能体。在 OSWorld 上，LEASH 在匹配升级率下比随机升级高出 6.55–11.94 分；搭配 Qwen3.5-35B-A3B 时任务成功率达 73.66%，每任务成本 $0.4117，与始终在线的 Claude Opus 5（72.90%）持平，推理成本降低 19.2%。
arXiv cs.AIAI 评分2222 X-RIC：面向强化学习的智能体化 RAN 智能控制器基准
研究提出 X-RIC 框架，将智能体 AI 引入 O-RAN 架构，把反应式强化学习与智能体推理结合，包含基于领域启发式的自动行为克隆、提供上下文抽象与可解释性的 Telecom Language Model（TLM），以及在 Near-RT RIC 控制环内的闭环协同自适应。
arXiv cs.AIAI 评分3131 AI 智能体安全评估中的捷径敏感性研究
研究者提出三级捷径审计框架，审计 LinuxArena 轨迹和两个 TS-Bench 衍生数据集，发现基准数据的表征方式会实质性改变安全守卫的决策与评估表现。
arXiv cs.AIAI 评分3838 HTN-Orchestrate：面向多智能体编排的分层任务网络框架
HTN-Orchestrate 是一个两层多智能体编排框架，用分层任务网络分离全局规划与局部执行：Planner 维护子任务层级与依赖并推迟分解，Orchestrator 调度 worker 执行叶子子任务，结果按 AND 语义向上传播。
arXiv cs.AIAI 评分3434 AutoSFT：面向监督微调自动化数据研究的多智能体系统
AutoSFT 是一个多智能体系统，用于自动化监督微调（SFT）中的数据研究。它通过元智能体将执行与分析分离，从独立角度收集提案，并调用合成子智能体补充数据池无法覆盖的能力。相比单智能体仅能调整类别比例，其分析子智能体将最佳 IFEval 提升 +6.5，合成再增 +3.4 IFEval 和 +2.9 IFBench，代码任务上分析带来 +3.7 MBPP+。
arXiv cs.AIAI 评分2323 Terminal-RSI：通过递归自改写与策略精炼实现递归自我改进的终端智能体
Terminal-RSI 通过交替进行已验证轨迹的递归自改写（RSR）与继承评论家的递归策略精炼（RPR），从 Qwen3.8-27B 基座模型经五阶段训练得到 Terminal-RSI-27B。
arXiv cs.AIAI 评分2323 面向非英语母语学生的多源 AI 导师系统
研究者开发了一款通用 AI 导师系统，可处理学生用外语（当前聚焦中文）提出的问题并给出双语回答，同时生成技术术语词汇表及解释。该系统采用专门的 RAG 流水线与新颖的问题提取机制，以利用多样化课程材料。基于 91 条 Piazza 帖子评测，系统正确且有效地回答了 83.52% 的问题，为 76.92% 的问题提供了高质量翻译，并为 64.47% 的问题生成了术语词汇表。
arXiv cs.AIAI 评分3232 Realtime-Bench：前沿模型能否解决实时交互问题？
研究团队推出 Realtime-Bench，用于评测智能体在严格时间约束下的实时交互能力。在按实际推理延迟推进环境的 Wall Clock 设定下，最佳成功率仅 44%，最佳 Pass^3 仅 36%。研究还对比了排除推理延迟的 Paused Clock 与按生成 token 数推进模拟时间的 Token Clock，发现时间成本制约了动态环境中的表现，且提高推理投入在时间压力下效果不一。
arXiv cs.AIAI 评分4141 PROBE：让 LLM 智能体学会审计工具调用中的策略合规
PROBE（Policy Rule Observation via Behavioral Exploration）是一种训练 LLM 审计器的算法，让审计器以真实用户身份与已部署智能体进行多轮、工具介导的对话，主动探测策略违规。
arXiv cs.AIAI 评分3030 FAOP：AI 智能体工作流的形式化范式与代数
研究者提出 FAOP（Functional Agent Operating Procedures）形式化理论，将 AI 智能体工作流重构为基于作用域状态的类型化函数，并定义四级渐进范式：分解（FNF-1）、类型化（FNF-2）、因子化（FNF-3）与作用域化（FNF-4）。
arXiv cs.AIAI 评分2424 PRM4RL：用大语言模型为强化学习构建进度奖励模型
研究者提出 PRM4RL 框架，将复杂任务分解为可管理的子任务，并设计子任务导向的细粒度进度函数来监控执行进度，再基于势能奖励塑形构造进度奖励模型（PRM），提供最优性与收敛性理论保证。在机器人控制任务上，该方法优于基于 LLM 的规划与奖励方法，达到 SOTA，论文已被 NeurIPS 2025 收录，代码已开源。
arXiv cs.AIAI 评分2727 GraphACM：基于图的动作一致性度量，用于 LLM 智能体的不确定性量化
研究者提出 GraphACM，一种基于图的框架，通过将同一任务多次 rollout 中的等价状态合并为有向动作标注图，在共享决策状态上比较动作，实现细粒度行为一致性度量与不确定性量化。
arXiv cs.CLAI 评分3131 超越下游问答：重新思考如何评估 AI 智能体记忆
研究提出 FEB-30 基准，用 30 条事实演化轨迹（覆盖 6 个诊断类别、3 个难度等级）直接检验智能体记忆存储，而非以下游问答准确率作为代理。
arXiv cs.AIAI 评分2222 CARA：面向问答的因果引导检索智能体
CARA 是一种免训练的因果引导检索智能体，通过"结果性"（加入证据是否提升可答性）与"必要性"（移除证据是否削弱可答性）两项因果相关性标准评估检索到的证据，并结合路径一致性与倒数排名融合聚合多智能体证据。在三个 STaRK 数据集上，CARA 持续优于现有检索器，同时提升答案质量与忠实度，且检查的图节点和检索操作更少。
arXiv cs.CLAI 评分3434 Hy-Memory-30B-A3B：面向长期记忆写入的归因强化学习
研究团队提出 Hy-Memory-30B-A3B，一个跨 Mem0、MemOS 和 Hy-Memory 训练的紧凑型长期记忆写入模型，通过 Memory On-Policy Distillation 学习各框架写入协议，再用 Memory RL 结合分块探针、跨块归因奖励与 chunk 级 GRPO 优化下游可答性。
arXiv cs.AIAI 评分3232 OntoAct：基于本体抽象与假设的神经符号智能体框架
OntoAct 是一个基于本体抽象的假设驱动神经符号框架，将个体经验转化为实体类型、关系与条件上的公理，由 LLM 提出假设与动作、符号验证器依据当前观测核验其成立条件。
arXiv cs.AIAI 评分3232 CoWorld Reasoner：用演进视频世界模型驱动的智能体多模态推理框架
CoWorld Reasoner 是一个以视频世界模型（VWM）为统一视觉推理引擎的智能体框架，通过 Video World Model-Driven Harness 以工具形式暴露多种视觉操作，并用技能引导 VLM 决定是否想象、选择操作、构造生成请求并解读视觉证据。
arXiv cs.CLAI 评分2727 Mosaic：多会话智能体强化学习
针对现有智能体强化学习仅假设单会话轨迹、与上下文压缩和子智能体分叉等推理时执行方式不匹配的问题，研究者提出多会话智能体强化学习设置及 Mosaic 方法，采用无 critic 的分层优化，在轨迹层引入会话使用信号、在会话层按估计边际贡献调整优势。在 BrowseComp 上以 Qwen3.5-4B 测试，Mosaic 在上下文压缩和子智能体分叉场景均优于广播式方法，且平均使用会话数更少。
arXiv cs.AIAI 评分3535 RSIFlow：带进化元智能体的自适应自我改进工作流
RSIFlow 是一个递归自我改进框架，将自适应工作流编排与元智能体能力进化相结合，通过任务-智能体轨迹和环境反馈诊断性能瓶颈，动态选择组件级改进工作流。元智能体将工作流结果蒸馏为组件级技能与跨组件原则，进化自身 harness 以优化后续编排。在六个基准和两个骨干模型上，RSIFlow 在所有基准上取得 SOTA 平均性能，消融实验验证了自适应编排与元 harness 进化的贡献，代码已开源。
arXiv cs.AIAI 评分3434 PhysClosureBench：用证据支撑的物理研究评估 AI 智能体的科研闭环能力
研究者提出 PhysClosureBench，包含 50 个经专家验证、目标明确的研究任务，覆盖强场、阿秒及邻近物理领域，用 20 项 Atomic Score 衡量局部科研成果，并以 Research Closure（RC0–RC4）评估研究问题的完整解决程度。
arXiv cs.AIAI 评分3131 DeciCAD：为 CAD 智能体打造基于 harness 的动作策略学习
DeciCAD 是一个面向 CAD 领域的原生 harness，通过暴露语义 CAD 动作、决策导向观测与环境反馈，从交互轨迹中提取因果决策监督，并用 SFT 与几何接地的在线 RL 训练动作策略。
arXiv cs.AIAI 评分4444 Data World：从零扩展数据环境
研究团队提出 Data World，一个多智能体引擎，通过先定义文件背后的世界机制再生成文件，合成环境、任务与评分标准，并产出 DataWorld-Bench（50 个留出世界、16 个领域、100 个任务）及 1,037 个世界的 2,135 个训练任务。
arXiv cs.AIAI 评分3939 大语言模型自我改进问题：为何自动化评估门无法同时保证可靠性与非保守性
随着大语言模型驱动的智能体开始自主写代码、调用工具并修改自身组件，arXiv 论文《The Self-Improvement Problem》形式化了一个结构性矛盾：评估门必须是可终止的计算过程，而"真正的语义改进"依赖可能无界的程序行为，因此不存在任何终止性程序能同时保证可靠性（绝不接受非改进）与非保守性（绝不漏掉可用改进），随机化门在有限误差下同样受限。
arXiv cs.AIAI 评分3232 AgentPerturb：评估 LLM 智能体在受控交互扰动下的鲁棒性
研究团队提出 AgentPerturb，从扰动目标与类型两个维度构建统一框架，评估 LLM 智能体在交互扰动下的鲁棒性。在 APEX-Agents 和 Toolathlon 上的受控评测显示，扰动会持续拉低性能，且主要脆弱点因任务环境而异；轨迹分析发现智能体很少识别被篡改的输入，常未经核验就传播被污染的信息，成功完成扰动轨迹还可能消耗更多算力。
arXiv cs.AIAI 评分2626 如何评估 LLM 智能体的探究学习能力：假设、推理与探索
研究者提出一个统一交互式框架，用于评估 LLM 智能体的完整探究能力：将 Countdown 任务扩展为数学环境，让智能体通过操纵变量、收集观察来推断变量间关系。在 7 个 LLM 和多种提示策略下，实验显示模型固有探究能力有限、发现底层表达式的成功率偏低，但受教学脚手架启发的结构化引导能显著提升表现。
arXiv cs.CLAI 评分3636 为智能体后训练预热的基座模型：一套开放 midtraining 配方
研究者公开了一套面向智能体后训练的 midtraining 配方，并在 Nemotron 3.5 Lightning 和 Nemotron 3.5 Super 两个模型上验证效果。
arXiv cs.CLAI 评分2727 TEM：面向大语言模型智能体的时序状态追踪记忆框架
研究者提出免训练框架 TEM（Temporal State Tracking Memory），将事实存为带版本、关联来源的记录，按来源顺序排列并标注历史记录后再交给答案模型。
arXiv cs.AIAI 评分2727 CriticaLLM：用 LLM 作为桌面角色扮演游戏的自主游戏主持人
CriticaLLM 是一个全自动游戏主持人框架，可运行完整 TTRPG 游戏，从生成多样化故事到管理探索与战斗阶段。研究用真实 TTRPG 玩家进行评估，并考察四种不同规模 LLM 生成剧情与反派角色的多样性。
arXiv cs.AIAI 评分3838 QREF：通过查询精炼与证据过滤对齐搜索与推理，提升 DeepSearch 智能体
QREF 是一个即插即用的查询精炼器与证据过滤器，通过按当前推理意图重写搜索查询并保留相关证据，提升 DeepSearch 智能体性能。在四个基准上，WebSailor 的 Pass@1 平均相对提升 33.55%，TongyiDeepResearch 提升 11.04%，且无需修改架构或重训练推理策略。经强化学习训练的查询精炼器将缺乏判别性检索锚点的查询批次比例降低 95%。
arXiv cs.CLAI 评分2929 RIKA：面向持续学习智能体的可靠知识获取方法
针对持续学习智能体从任务流中提取的知识约 12–33% 会损害后续任务表现的问题，研究者提出 RIKA（Reliable Knowledge Acquisition），将事实、概念、程序与元认知知识的分层提取与基于证据的知识准入机制结合，无需额外验证任务即可决定哪些主张进入智能体上下文。
arXiv cs.AIAI 评分2222 ISW-Agent：LLM 对话驱动 n8n 工作流处理内孤立波遥感图像
ISW-Agent 将 LLM 对话解析与 n8n 工作流及独立科学模型结合，用于内孤立波遥感图像处理。在每后端 120 条中文指令测试中，GPT-5.6 Sol 和 DeepSeek 均达到 94.2% 的严格任务匹配率；50 个计时场景中 39 个完成检测、提取与预测，中位耗时 48.04 秒。3,408 次故障注入测试中，重试恢复 234 个瞬时故障，输出验证拒绝 234 个结构缺陷。