BLADE：面向 LLM 多智能体系统失败归因的信息使用审计框架
BLADE 是一个免训练框架，通过审计多智能体系统中决策对来源信息的使用方式，区分错误引入、传播与修复，从而定位责任智能体和关键错误步骤。在 Who&When 与 Who&When Pro 五个子集的 1228 条失败运行上，其步骤准确率在八种策略中达到最佳或并列最佳，较 All-at-once 高出 2.2-11.1 个百分点。
论文
论文
arXiv cs.AIAI 评分2929 arXiv cs.AIAI 评分2222 Jeva：从第一性原理构建 System One 模型
研究者提出决策原生架构 Jeva，通过共享编码器独立表示请求与每个选项，并用紧凑决策栈仅针对请求状态进行精炼，从而同时满足 null-aware、排列不变、选项可扩展与可缓存四项结构要求。
arXiv cs.AIAI 评分3838 ARBITER：用可验证反馈做智能体代码评判
针对竞赛编程中官方评测不提供失败解释的问题，研究者构建了 USACO-JUDGE 基准，并训练出 35B MoE 智能体验证器 ARBITER，仅凭题面与源码即可评判并诊断候选程序，用生成的反例作为可验证证据。
arXiv cs.AIAI 评分2424 无需训练即可从奖励模型提取 token 级奖励：P2T 方法提升 LLM 推理能力
研究者提出 P2T，一种无需训练的方法，通过一阶泰勒近似估计每个 token 对过程奖励的影响，仅需一次前向和反向传播即可提取 token 级奖励信号。在 MathVista 上，P2T 使 Qwen2.5-VL-7B-Instruct 比结果奖励高出 +4.9%；在 AIME24 上，Qwen2.5-Math-7B 高出 +11.5%。代码将开源发布。
arXiv cs.AIAI 评分4141 个人智能体的 Grounding Awareness：记忆强不等于分得清已确认与未确认安排
论文提出 Grounding Awareness，即智能体在选取动作时区分已接受、未确认、已修改和有范围限定的安排的能力，并构建受控基准测试。测试发现，记忆表现强并不保证具备该能力，提供更完整的用户信息反而会增加未确认提案的执行，持久记忆还会让智能体把这类提案当作用户指令。
arXiv cs.AIAI 评分2929 COMPASS：在对齐或合并前评估模型兼容性的诊断评分
研究者提出 COMPASS（COMPatibility ASsessment Score），可在对齐或合并前估计模型对是否兼容，将兼容性拆解为两个低成本计算轴：编码器间的 k-NN 重叠度（pair-specific ease）与训练范式允许的最大重叠上限（paradigm-level ceiling）。
arXiv cs.AIAI 评分1818 主动推理中内感受优先化的两条路径：解离似然精度与偏好重加权
研究在含三种致命需求的觅食网格世界中对比主动推理智能体的两种内感受优先化干预：提高精度可锐化内感受后验并提升存活率，偏好重加权则使身体状态远离致命边界并改变学习状态。在72个额外布局上的实验未能证实偏好重加权在困难布局上的预期收益，但两种干预均提升平均存活率且交互为正。仅凭存活率无法完整刻画模型如何优先化需求并学习身体模型。
arXiv cs.AIAI 评分3636 LLM 智能体能否学会预测自身失败？基于最终结果的结果锚定置信度校准
研究者提出一种按多步任务最终结果校准 LLM 智能体置信度的方法：在 GRPO 下用同一任务的一组 rollout 提供成功标签，并用恰当评分规则对每步置信度打分。
arXiv cs.AIAI 评分2727 DDRG：通过采样推理轨迹间的图对齐实现 LLM 推理的细粒度纠错
DDRG 是一个基于冻结推理轨迹库的选择性纠错框架，通过构建有依据的声明图并做图对齐，把局部冲突交给不看答案的验证器，仅当验证器支持的驳斥能触及多数答案的支持路径时才触发一次定向修复，否则返回原始 SC 投票结果。
arXiv cs.AIAI 评分2222 时点语言智能体的未来记忆使用审计：Qwen 与 DeepSeek 的对比研究
研究审计了时点（PIT）语言智能体在 48 个历史公司对比任务中是否会利用截止日期后的未来事实。Qwen 和 DeepSeek 均能回忆未来事实，但都未出现预设的偏向记忆更好公司的证据分配偏移。
arXiv cs.AIAI 评分2424 Compare to Correct：面向 LLM 测试时扩展的成对引导 Logit 调整
研究者提出 Pairwise-Guided Logit Adjustment（PGLA）框架，受社会选择理论中 Condorcet 原则启发，通过比较支持不同答案的推理路径之间的成对置信度，捕捉答案层面的比较优势，并将其与投票支持结合进一个 KL 正则化目标。
arXiv cs.AIAI 评分3737 读对却做错：诊断 System One 模型在 Agent 循环中的决策失败
研究在涵盖客服策略、工具调用、网页导航与编程的冻结基准上，为每个下一步动作问题配对同一状态的事实探针，测试了十七个快速 System One 模型与一个推理模型。结果显示多数错误动作发生在正确读取之后，且系统越准确，这类错误占比越高；当探针事实可证明决定动作时，读全事实的模型仍无法组合它们，而用代码组合模型自身答案可修复该失败。真实状态中缺失的往往不是事实，而是下一个子目标。
arXiv cs.AIAI 评分3232 LLM 智能体如何通过结构化配方优化实现自动化后训练
研究者提出结构化配方优化（SRO），用 LLM 驱动的 Recipe-Space Designer 构建任务自适应配方空间，再由 Multi-Domain Recipe Optimizer 结合结构化试验证据与多目标贝叶斯选择进行联合优化。
arXiv cs.AIAI 评分2020 世界模型中面向可靠短时程规划的序一致潜在几何
研究指出，潜在规划器按到目标潜在表示的终端欧氏距离排序候选动作序列时，其路径上"距离不反转真实转移进度"的要求正是经典的自逼近（self-approaching）条件，作者首次将其识别为面向规划器的兼容性条件，并把违反该条件与精确有限时程候选排序反转联系起来。
arXiv cs.AIAI 评分3434 RAG 系统配置问题研究：654 个真实故障的症状、根因与修复
一项大规模实证研究分析了来自 10 个 RAG 系统的 654 个真实配置问题，首次系统梳理了其症状、根因、相关阶段与修复模式。研究发现多数症状出现在流水线早期或晚期，而根因所在阶段未必与症状被发现的阶段一致。论文还给出 9 条可操作建议，帮助从业者测试、定位和修复 RAG 配置问题。
arXiv cs.AIAI 评分2424 SCRouter：面向安全的大语言模型路由如何按查询选择模型与预算
针对现有 LLM 路由器只用单一质量指标、难以兼顾普通查询与安全敏感查询的问题，研究者提出 SCRouter，分别预测响应的效用与安全性，并用一个小型探针为每个查询确定两者权重，再结合成本选择模型与 token 预算。
arXiv cs.AIAI 评分2626 输入条件搜索 ICS：递归推理器的高效测试时扩展方法
研究者提出 Input-Conditioned Search（ICS），无需额外训练，通过对输入条件进行搜索，为同一潜在状态诱导出不同的更新映射，从而探索多样化推理轨迹。在六项推理任务上，ICS 取得最高平均准确率，所需模型 FLOPs 比所评估的扩展基线最多少两个数量级。理论分析与数值验证表明，ICS 能在局部消除错误的吸引不动点。
arXiv cs.AIAI 评分4444 LLM 智能体为何在技能库扩大时无法加载相关技能：隐式路由的失效
研究发现 LLM 智能体的技能路由崩溃：在 SkillsBench 任务和黄金技能固定不变的情况下加入无关技能，加载技能召回率从 73.6% 降至 27.4%，零加载率从 9.3% 升至 51.6%，而显式预选仍保持 73.9% 召回率。仅遮蔽无关技能的描述可基本恢复技能加载，表明存在描述层面的语义干扰与技能选择同任务执行之间的指令干扰。
arXiv cs.AIAI 评分2323 智能建筑挑战赛：学习可规模化真实世界优化的基础模型
研究者提出"智能建筑挑战赛"，面向 NeurIPS 2026，征集能跨建筑泛化的建筑基础模型。参赛者需在模拟建筑集上构建控制策略，并在未见过的建筑上评估，这些建筑在规模、布局、天气、材料属性和 HVAC 系统上各不相同。建筑占美国碳排放近 40%，其中 HVAC 占建筑排放约 40-60%，而现有控制策略普遍缺乏策略迁移能力。
arXiv cs.AIAI 评分3232 工具调用参数校验中的推导鸿沟：LLM 评审器为何依赖参考文本
研究发现，LLM 工具调用评审器在输入中缺少参考文本时，会降低对正确参数值的接受率，这一现象被称为“推导鸿沟”，在包括 CLM 和 Jev 在内的全部七款评审器上均出现。
arXiv cs.AIAI 评分3636 ReTerm：面向自我改进终端智能体的恢复训练
基于 Qwen3.5-9B 训练的终端智能体 ReTerm-9B 在 Terminal-Bench 2.0 上达到 34.8% Pass@1，较基座模型提升 14.6 分。研究团队构建 ReTerm-10K 数据集用于 SFT 冷启动，并提出在线 RL 算法 ReTerm-GRPO，从智能体自身失败状态分叉生成多次独立自我恢复尝试，依据任务是否完成进行学习。代码、数据与模型均已开源。
arXiv cs.AIAI 评分3838 Autonomous Science Bench：评估 AI 智能体的自主科学发现能力
研究团队推出 Autonomous Science Bench，包含六个基于已发表实验的预算受限 design-build-test-learn 任务，覆盖生物学、化学和材料科学。
arXiv cs.AIAI 评分3535 Thinker-WM：面向具身智能的统一多模态世界模型
优必选 Thinker 团队提出统一多模态世界模型 Thinker-WM，通过共享的 Unified Dynamics Transformer 与模态专属编解码器，联合建模并生成 RGB、度量深度和机器人动作。
arXiv cs.AIAI 评分2727 将地球科学模型校准委托给知识引导的 LLM 智能体
研究者提出通用校准框架 GCH，将地球科学模型校准从请求到结果评估端到端委托给 LLM 智能体，由知识基础设施和验证约定约束智能体定义参数域、观测映射与目标并生成模型专用代码。
arXiv cs.AIAI 评分3030 ABot-ER：通过智能体数据-模型协同进化实现统一具身推理
ABot-ER 是一个统一具身推理基础模型，在感知、规划、执行三大能力上同时达到专家级深度。其 Agentic Data-Model Self-Evolution Engine 持续根据模型能力状态调整数据策略，Task-Conditioned Adaptive Training Strategy 则用 task tokens 激活共享骨干上的轻量低秩残差。
arXiv cs.AIAI 评分2222 如何为策略性智能体交互选择 LLM
研究者将策略性模型选择定义为叠加在基础博弈之上的元博弈，由选择器每轮从模型池中派出一个 LLM 应对在线学习的潜在收益矩阵。在 5 个游戏和 10 个 LLM 上的评估显示，模型策略能力随游戏设置和对手不同而显著变化，且提取可靠信号所需的种子运行数 N 远高于传统基准。
arXiv cs.AIAI 评分2929 AssetForge：面向业务自动化智能体的资产增强任务合成
AssetForge 是一套资产增强的任务构建流水线，将可复用的构建资产库与任务专属 Rubric 配对，由资产提供应用接口、世界状态组件、策略/证据载体和原生断言定义。
arXiv cs.AIAI 评分2222 用 Provenance Action Graphs 加速材料合成：潜力、结构与演示
研究提出用反应图（Provenance Action Graphs）建模材料合成，将反应步骤作为动作、产物作为观测，借助学习算法从多维合成路径中编码规则，并支持正向预测与逆向学习两种模式。工作聚焦固态合成中动力学主导的反应场景，目标是构建可由数据智能体共享和贡献的全局知识库，加速材料发现。
arXiv cs.AIAI 评分2727 LR-Guard：通过潜在双假设推理与按需轨迹重建实现高效安全护栏
研究团队提出 LR-Guard（Latent Reasoning Guardrail），通过将冻结教师模型对安全与不安全提示词解读的分析蒸馏为紧凑潜在表示，联合训练安全预测与教师显式推理轨迹重建，无需为每次决策生成中间文本即可提供可读解释。
arXiv cs.AIAI 评分2424 AnnalsChallenge：来自《数学年刊》的 50 条 Lean 4 形式化定理陈述数据集
研究者发布 AnnalsChallenge，包含 50 条用 Lean 4 和 Mathlib 手工形式化的定理陈述，每条均为 2020 年以来发表于《数学年刊》论文的主要结果。所有形式化均经人工审核并由 AI 审计，数据集不含形式化证明，已被 NeurIPS 2026 的 AI-MATH 研讨会接收。
arXiv cs.AIAI 评分2424 输出纪律决定下限：一种模型无关、可证伪的智能体协议，用于可审计的假设驱动决策
在 TCMEval-SDT 中医辨证基准（200 例）上，约束大语言模型可审计决策的是输出纪律与推理结构而非模型能力：两年模型扩展仅让零样本分数变动 -0.03 至 +0.08。
arXiv cs.AIAI 评分2424 TrueMAD：面向多智能体辩论中定向同伴互动的新方法
针对标准广播式多智能体辩论（MAD）中智能体无需回应特定同伴观点的问题，研究者提出 TrueMAD——一种与骨干模型无关的测试时插件，在答案广播与自我修订之间引入一对一、自由形式的同伴建议，源智能体通过支持、反驳、改进或追问回应目标智能体的当前推理。
arXiv cs.AIAI 评分3131 System One 模型的顺序不变决策：Runoff 方法
针对 System One 模型在选择题中答案依赖选项顺序的问题，研究者提出 Runoff 方法：先对每个选项单独打分保留少量候选，再让每个候选遍历所有位置进行比较，无需训练、两次前向传播即可完成，构造上保证答案与选项顺序无关。在两个开源模型和五个数据集上，Runoff 在打乱选项后答案零变化，而循环平均法变化达 9.3%；20 个选项时准确率相当且快三到四倍。
arXiv cs.AIAI 评分2020 QORH：面向归纳式知识图谱链接预测的查询特定有序规则超图
QORH 将规则头和有序规则体作为以查询关系为条件的超边联合编码，显式建模多个关系间的联合依赖，并用规则置信度、覆盖率等统计证据进行可学习规则选择。模型通过角色感知超图消息传递增强关系表示，共享参数不依赖具体实体或关系标识，可对未见实体和关系做归纳预测。在实体归纳与完全归纳基准上，QORH 显著优于所评估的 SOTA 基线。
arXiv cs.AIAI 评分2222 神经符号图 Transformer 实现多模态人类活动序列的分层意图识别
研究者提出神经符号图 Transformer（NSGT），通过可学习拓扑偏置将人类推理图（HR-G）融入自注意力机制，并加入可微一阶逻辑（FOL）损失约束原子动作、复合活动、低层意图与高层意图四层本体一致性。
arXiv cs.AIAI 评分3131 ReStep：用逆向结果建模实现长时程粒子动力学预测
针对自回归模型在长时程轨迹预测中误差累积严重的问题，研究者提出 ReStep，先由随机模型直接预测最终状态，再用 Anchored Diffusion 生成目标条件下的中间轨迹，以两端边界状态约束动力学。该方法被集成进 3D Gaussian Splatting 流程作为物理引擎，在多种刚性与非刚性碰撞数据集上取得更优的长期精度，显著缓解误差累积。
arXiv cs.AIAI 评分2222 SOFA：交易商适应后订单流干预何时以及如何生效
研究提出 SOFA（State-aligned Order-Flow Allocation）订单流合约，由 State Scorer、Commitment Scheduler 和 Quote-to-Flow Allocator 三部分组成，通过配对再适应协议在 ABIDES 市场的 20 个独立训练的交易商群体中测试。
arXiv cs.AIAI 评分2222 RadixFlow：消除前缀缓存混合 LLM 服务中的执行气泡
RadixFlow 通过将前缀匹配与状态就绪解耦，把全局扫描屏障变为局部等待，解决混合 LLM 中消费者分支等待生产者循环状态导致的队头阻塞。在五个混合模型上，平均延迟降低 3% 至 24%，worker 轮次减少 11% 至 44%，复用率几乎不变。在更大的 Qwen3.5 模型上，消融显示大部分收益来自遍历，而该遍历在全注意力对照模型上增益很小。
arXiv cs.AIAI 评分2424 通过纠正模态误路由缓解全模态 LLM 的跨模态幻觉
针对全模态大语言模型在音视频干扰下的跨模态幻觉，研究者提出免训练推理时方法 CaRe（Conflict-aware Residual Intervention），通过纯文本模态探针识别候选模态反事实分支，在其预测与原始联合预测冲突时判定为"模态误路由"，并利用反事实与融合表示的残差方向引导多模态状态回归相关模态证据。
arXiv cs.AIAI 评分2323 循环语言模型潜在推理机制监测研究
研究构建了基于机制可解释性的五视角检查协议，对四个家族的八个循环语言模型进行分析，区分了提示仅在循环状态内传递的 carry loops（Ouro、LoopUS）与每次迭代重新提供提示的 re-read loops（Parcae、Raven 家族的 Rec-OLMo 和 Huginn）。结果揭示了循环语言模型在安全性和高效使用方面的关键洞察。
共 2000 篇论文