跳到正文
#Agent
10月16日周五
  3. arXiv cs.AI26

    TIR-EC：用工具调用强化学习提升急诊到达后预测，4B 模型超越传统 ML 基线

    TIR-EC 是一个工具集成强化学习框架，将 EHR 特征组作为 LLM 可调用的工具，并用梯度提升树教师模型提供奖励信号。在三个临床预测任务上，其 4B 智能体取得所有对比模型中最高的 macro F1，超越传统 ML 基线，并与规模大得多的前沿 LLM 相当。分析显示它能以更少工具调用选出更有用证据，并更有效地组合测量数据。

  4. arXiv cs.CL32

    重新审视工具图记忆在多轮工具调用中的作用

    研究在九个模型和两个基准上评估工具图记忆，发现其相较基线很少带来显著提升，且即使有效也需付出超过两倍的 LLM 调用成本。其引导常不正确，随机或无引导仍保留大部分增益，说明收益来自额外计算而非记忆本身；将相同经验存为文本洞察则以几乎零额外调用超越工具图记忆。

  5. arXiv cs.AI26

    通过局部上下文蒸馏从交互经验中学习

    研究者提出局部上下文蒸馏（LoCD），先定位学生轨迹中需要修正的关键片段，再由教师基于学生自身前缀重新生成这些片段并用于训练学生。在数学推理、代码生成和智能体任务上，LoCD 持续优于强基线，训练更稳定，参数更新更小更稀疏。

  7. arXiv cs.AI60

    JevAgentHarness：让决策模型与 LLM 共享控制权的基准、部署与训练

    论文提出 JevAgentHarness，把智能体每一步的工具选择等决策委托给决策模型，仅在置信度低于阈值时交由 LLM 决定。作者构建 AgentDecisionBench，覆盖从孤立问题到控制运行中智能体的测试；孤立问题上最准的决策模型仅解决 69.5% 的智能体任务，未拟合置信度阈值时委托工具选择会使成功率下降 19.0 个百分点。

  10. arXiv cs.AI31

    MemCut：LLM 智能体长期记忆中的每个秘密都会留下痕迹

    研究者提出 MemCut，一个针对 LLM 智能体用户请求遗忘能力的系统性基准，包含 456 个手工设计的秘密及其完整标注的证据链，用于测试删除后的信息恢复。基准定义原生恢复与残差恢复两项指标，并在五种记忆设计和四种 LLM 上建立三个参考删除基线。结果显示，LLM 引导删除二十个检索候选中的额外十轮对话后，仍残留 39-76% 的恢复率，候选覆盖不足是现有基线的瓶颈。

  12. arXiv cs.AI20

    自引导 LLM 推理用于车辆路径问题错误诊断

    研究系统考察了 LLM 检测和纠正车辆路径问题（VRP）实例错误的能力，发现其在复杂实例或大幅增加推理负担的错误上存在明显局限。为此提出自引导推理框架，让 LLM 自主生成代码提供结构化洞察以辅助错误诊断。在多种问题设置和 LLM 上的实验表明，该框架显著提升错误检测性能，达到接近完美的准确率。

  13. arXiv cs.AI24

    FedSkillGit：基于版本控制的联邦技能进化框架

    FedSkillGit 用 commit 式补丁更新替代整份技能文档上传，实现联邦技能进化：客户端只提交命名规则上的有限补丁及本地经验，经两阶段隐私过滤后由服务器去重合并，候选技能需在客户端验证集上得分提升才发布。在三个数据集和三个语言模型家族上，该方法比 SOTA 基线最高提升 22%，并在不共享原始客户端数据的前提下接近集中式进化效果。

  15. arXiv cs.AI28

    DocPilot：面向长视觉文档理解的交互式智能体编排与训练

    DocPilot 是一个支持表达性编排的智能体文档框架，通过页面级导航与细粒度证据定位，结合局部视觉检查、代码数值推理和跨模态推理，并借助课程式智能体训练将能力迁移至小模型。在 MMLongBench-Doc、DocBench、FinRAGBench-V 和 MADQA 上，DocPilot 搭配前沿 VLM 取得显著提升，DocPilot-4B 性能可媲美更大模型，代码已开源。

  16. arXiv cs.AI22

    CA-MAMBA：在想象中进行受约束多智能体强化学习

    CA-MAMBA 将多智能体世界模型中的成本预测移入想象空间，在 SMAC 中位配置上所需交互次数仅为无模型基线的 1/10 至 1/20，在同等预算下 MAMuJoCo 奖励为基线的 2.8 至 12 倍。在每基准单任务的受控测试中，将模型成本优势按平价定价可使成本盲学习者的成本降低一半以上，并满足学习型乘数未能达到的严格连续控制限制，表明模型成本估计并非瓶颈。

  17. arXiv cs.CL22

    OpCredit：面向智能体知识图谱问答的操作感知策略学习

    OpCredit 是一个操作感知的策略学习框架，通过分支结果信用（BOC）与前沿转移信用（FTC）两个互补信号，为智能体知识图谱问答中每个可执行操作单独评估贡献，而非依赖轨迹级奖励。在 ComplexWebQuestions、WebQSP 和 GrailQA 三个基准、三种骨干模型上，该方法均取得一致的 KGQA 性能提升，推理时仅需已学习的策略和标准 KG 接口。

  18. arXiv cs.AI30

    Mallea：用编码智能体构建、操控与记忆世界

    Mallea 是一个从文本构建、操控和记忆世界的系统，由编码智能体从提示词推断物体交互需求，并联合规划物体结构、属性与规则。世界按规划规则演化，用户操作可实时操控，文本请求可编辑属性或扩展能力且保留未受影响的状态。物体纹理记忆仅对白盒定义的物体保留可复用外观，并随物体变化自适应，程序推进世界状态，生成式渲染器结合当前结构与记忆外观输出画面。

  20. arXiv cs.CL32

    TRACER：面向 LLM 智能体的轨迹感知工具检索

    TRACER 是一种面向 LLM 智能体的工具检索前端，用 trie 索引已观测到的工具调用序列，并通过学习到的经验先验与上下文先验混合排序后续调用。在零售与电信混合的 τ² 环境中，它让 GPT-5.4 的工具选择准确率提升 4.7 个百分点，每步输入 token 减少 80%，仅暴露 128 个工具中的 5 个。

  21. arXiv cs.AI31

    谁有权解除 AI 智能体的承诺？多轮对话中的承诺解除权限研究

    研究提出"承诺解除权限"（standing）概念：只有债权人或被授权方才能解除 AI 智能体对某人的承诺。在受控聊天环境中测试六款模型发现，较小的开源模型会覆盖债权人意愿（Qwen3.5-9B 达 69%），较大的模型则会因同伴一句话就放弃承诺（Qwen3.8-27B 达 89%，gpt-6.1-sol 达 83%），几乎所有模型都会听从旁观者的"就这么办吧"。

  23. arXiv cs.AI24

    AgentEval：面向有状态智能体的证据受限评估系统

    阿里云团队提出 AgentEval，一套将契约约束的评估记录贯穿工具执行、状态与事件捕获、报告认定和案例维护的系统，区分智能体做了什么、证据能证明什么、结论当前是否成立。在 32 次工具世界执行中，独立核查对全部 30 个完整回合达成一致，区分出已满足、被违反和未解决的义务；对 48 个证据视图的受控干预暴露出仅靠哈希校验会漏掉的 36 个绑定故障。

  26. arXiv cs.AI31

    All-in-One Memory：面向记忆智能体的过程奖励强化学习

    研究者提出 All-in-One Memory（AiO-Mem），将检索、记忆写入与停止决策统一到共享证据状态和统一奖励空间，用过程奖励模型为完整交互轨迹打分，并通过 Process-Aligned DAPO（PA-DAPO）优化记忆策略。该方法把异构历史编译为可溯源的多视图事件，在长上下文记忆基准上持续提升答案准确率，优于静态记忆系统和 RL 训练的记忆智能体。

  28. arXiv cs.AI32

    Kolab：面向长周期工作流的人机协作基准测试

    研究者推出 Kolab，一个包含 50 位来自 40 种职业的专业人士、115+ 小时屏幕录制的人机协作数据集，用于评测长周期真实工作流中的协作表现。该基准要求智能体预测专家会采纳、修改还是拒绝其贡献，并判断协作满意度与产出质量。结果显示，前沿模型（无论是否具备智能体能力）都会高估与专家的协作效果，且难以区分高质量与低质量协作，更长的上下文并未稳定改善预测。

  29. arXiv cs.AI29

    LLM 在部分可观测环境下的规划承诺研究

    基于 LLM 的规划智能体在与部分可观测环境交互前，会隐式地选择激进或保守的规划承诺策略。在三个 LLM 和两个部分可观测域上的实验显示，两种策略准确率相近：保守方法失败次数更少但 API 调用更多，激进方法失败更频繁，仅在先验信息充分时才能高效重新规划。分析还发现 LLM 几乎将提供的先验当作事实，先验不可靠时容易导致失败。

  32. arXiv cs.AI42

    Sci$\Pi$vot：科学 AutoResearch 智能体关键决策时刻的首席研究员判断基准

    研究者构建了 Sci$\Pi$vot，一个基于人类纠正记录的 248 例科学判断基准，源自资深研究员六个月内在 26 个项目上对 LLM 智能体的反复干预。在提供项目记录的中等推理强度下，五个前沿模型中有四个低于随机水平，最高准确率 63.5%，低于新手的 73.4%；且各模型带项目记录的准确率反而低于不带记录时，重新考虑也未能稳定提升表现。

  39. arXiv cs.CL26

    相同上下文，不同智能体：数据智能体中语义层、编排与压缩的行为研究

    研究在五个 benchmark 的 1,514 个长周期任务上，用七款 LLM 分析语义层、编排、压缩三种上下文工程技术单独及组合的效果。无这些技术的数据智能体分为调查者、过早作答者和提前放弃者三类行为组，每种技术只有匹配对应行为组才能转化为准确率提升；对调查者反而有害，编排会使其过度自信并损失 5 个百分点。