决策时新鲜、执行时过时：将新信息路由到 LLM 已做出的决策
研究者提出决策有效性的时间戳理论与决策账本，用六个时间戳定义一项决策，并以新鲜度上限界定行动时最新证据的保证范围。在五个 8B 至前沿规模的 LLM 上，受控决策流实验验证了四项预测：准确率随路由变化，账本索引决定路由覆盖范围，剩余错误集中在变更何时生效。
论文
论文
arXiv cs.AIAI 评分2323 arXiv cs.AIAI 评分4949 研究发现：即使 CoT 对答案必要，思维链监控仍可能失效
前沿实验室用思维链（CoT）监控检测 AI 系统的不当行为，但一项研究证明，即使 CoT 对答案必要，监控失败依然存在，说明"必要/非必要"的二分原则过于粗糙。作者提出四级 CoT 必要性层级，并在三个最低层级上通过干预实验测量可监控性，在困难预测任务上均发现监控失败。在医疗诊断任务中，患者性别和一项临床属性分别影响至少 19% 和 24% 的正确回答，却几乎从未被 CoT 表述出来。
arXiv cs.AIAI 评分3939 CompanionSafe：从多轮安全评估到 AI 伴侣护栏
研究团队提出 CompanionSafe 统一框架，包含多轮评估组件 CompanionEval 与护栏组件 CompanionGuard。CompanionEval 基于多样人设、匹配伴侣角色和对话场景构建 1300 个关系化多轮评估设置，覆盖四个轮次层级；CompanionGuard 将基准暴露的失败转化为轮次定位监督，用于伴侣特定风险检测。
arXiv cs.AIAI 评分3535 LifeSearch：面向真实生活与生产力的深度研究智能体基准测试
研究团队推出 LifeSearch 基准，包含 203 个中英文任务，覆盖 7 个真实生活与生产力领域，并基于超 4500 小时人工标注构建了 4000 多条细粒度评分标准。
arXiv cs.AIAI 评分3838 AM-Bench：跨模型与执行框架理解任务欠规范下的智能体表现
研究者发布 AM-Bench，基于 Terminal-Bench 2.0 和 Harness-Bench 改编的 48 个任务，每个任务含一个完整规范参考和六个变体，覆盖目标、上下文与约束的模糊或缺失。
arXiv cs.AIAI 评分3838 OSVerify：有限专家评审下的单侧验证框架
针对候选方案生成规模超出人工评审能力的问题，研究者提出 OSVerify 框架，将错误提出与错误验证解耦，在相同低 FNR 约束下把无效方案的人工评审量较投票基线平均减少 46%，经验证器后训练后提升至 57%。该框架还用于发现已发表论文中的错误（获原作者确认），并协助解决三个 Langlands 开放猜想（获专家确认）。
arXiv cs.AIAI 评分3434 ResearchFlow-Eval：追踪端到端多主张自动科研中的执行鸿沟
研究者提出 ResearchFlow-Eval，一个在阶段与主张两个层面评估连续科学执行与迭代的细粒度框架，每项评估以已发表锚点论文为基础生成阶段专属评分标准。对通用智能体框架、技能增强框架及研究专用编排系统的评测显示，实验执行一致落后于设计与规划，重复尝试很少带来可测量的改进，技能增强与研究专用编排均未可靠提升得分。
arXiv cs.AIAI 评分3838 AReaL-RSI：递归自我改进的自适应扩展与协调框架
AReaL-RSI 是一个无需更新骨干 LLM 权重、通过组织持久化智能体研究团队来实现递归自我改进的框架，由 leader agent 选择研究方向、条件记忆共享区分未解决问题与已验证发现。
arXiv cs.AIAI 评分4141 WorkRover：通过递归环境演化扩展长时程协作智能体训练
WorkRover 是一个通过递归环境演化训练长时程协作智能体的框架，其 harness 驱动合成让构建智能体协同生成语义对齐的工作上下文、可执行任务与基于证据的验证器。
arXiv cs.AIAI 评分4141 Bemula：LLM 智能体记忆遗忘基准测试
研究者提出 Bemula，首个专门评测 LLM 智能体记忆遗忘（memory unlearning）的基准，包含 50 个多轮对话实例、6 类共 135 条遗忘请求和 1742 道测试题。
arXiv cs.AIAI 评分1818 超越黑盒：面向文本嵌入的视觉接地
研究者提出一种基于草图的视觉接地框架，将文本表示转换为视觉地形草图，以可视化文本嵌入并探索其在信息检索与推理中的潜力。在 MS-COCO 数据集上的评测显示，SBERT 在严格 top-1 检索准确率上仍占优，但在 top-5 检索上与草图方法表现相当。将 SBERT 与草图方法级联后优于单独使用 SBERT，表明草图表示若直接在文本上训练，或对信息检索有显著潜力。
arXiv cs.AIAI 评分3434 SHELDON：在假设空间与观测空间上双重搜索的推理框架
受假说-演绎法与科学发现双空间模型启发，SHELDON 将假设空间与观测空间分开表示并联合探索，通过主动寻找当前假设无法解释的新观测来引导新假设生成。在诊断、抽象推理和优化基准上，SHELDON 最高超过基线 26.7 分，并生成最多 4.5 倍的新颖解。
arXiv cs.AIAI 评分3131 视觉语言模型为何看得见深度却选错线索
视觉语言模型在深度判断中会系统性地偏向图像平面线索，而非真实深度信息。研究通过深度与线索冲突实验发现，即便模型答错，正确深度顺序仍可从目标物体的视觉表征中解码出来。通过物体级写回强化模型自身的深度读出，可在不更新参数、不使用真值深度标注的情况下纠正冲突判断，但效果因架构和领域而异。
arXiv cs.AIAI 评分2626 SwitchMem：为 GUI 智能体动态选择记忆模态
针对 VLM 驱动的 GUI 智能体普遍采用固定记忆表示的问题，研究者系统研究了记忆模态偏好，发现其强烈依赖交互步骤。为此提出 SwitchMem 路由框架，在每一步动态选择文本或视觉记忆表示，在三个 GUI 基准上均优于静态记忆表示基线。
arXiv cs.AIAI 评分3939 PaceReasoner：无标签学习让长推理模型给出简短答案
PaceReasoner 是一个无标签的测试时强化学习框架，用模型自身的长推理响应来提升短模式准确率。在三种模型骨干和四个基准上，其短模式平均准确率较基线提升 7.4–13.5 个百分点，平均每条响应少于 25 个推理 token。该方法通过渐进式置信度加权监督融合全响应与仅长响应的一致性，并用行为奖励与比例控制器平衡两种模式。
arXiv cs.AIAI 评分2727 CoSIR：用可验证信息奖励训练 LLM 多智能体协作
研究者提出 CoSIR（Collaboration via Surprisal-based Information Rewards），一种后训练方法，通过可验证环境中的贝叶斯评估器，按团队 surprisal 的降低幅度为共享信息和请求打分，并奖励智能体在自身决策中使用队友信息。
arXiv cs.AIAI 评分3434 ECMR：面向多智能体 LLM 推理的证据感知审议控制
ECMR 是一种证据感知控制器，可在冻结的角色条件 LLM 上动态决定提议、质疑、验证、仲裁、多样化、纠正角色或停止。在 MedQA、CaseHOLD、FinQA 共 9,000 条记录的留出评测中，ECMR-Full 将汇总准确率从 62.1% 提升至 84.9%，假共识率从 40.7% 降至 17.0%，证据支持率从 58.0% 升至 88.7%。
arXiv cs.AIAI 评分3636 Socratic Skill Learning：交错教学与练习实现可迁移的智能体技能
研究者提出 Socratic Skill Learning（SSL），让 Educator 引导探究、Student 作为唯一环境操作者与技能作者，交错进行专家教学与练习，以学习可迁移的智能体技能。
arXiv cs.AIAI 评分2222 ADMA：面向多智能体语言模型可靠识别的自适应审议控制
研究者提出自适应多智能体控制器 ADMA，在任务模型冻结的前提下学习提案、质疑、仲裁与协调的连续策略。在 Qwen3.5 固定时，ADMA-Full 相比 Direct 提升准确率 6.2-14.2 个百分点，相比 ADMA-Fixed 提升 2.8-3.0 个百分点，但 token 与延迟中位数分别为 Direct 的 14.3-18.7 倍和 7.8-16.5 倍。
arXiv cs.AIAI 评分3131 面向搜索智能体跨源证据锚定的奖励模型基准与训练
研究者提出跨源证据锚定（CSEG）评估框架，用六层决策树覆盖完整搜索轨迹，并构建 CSEG-Bench 与可训练奖励模型。团队基于真实检索文档池重写答案，构建覆盖九条规范路径的 1,160 条已验证轨迹，训练出的 CSEG-RM 在基准上达到 83.9% 精确准确率。仅用该奖励监督冻结检索的答案策略，可将独立评判的平均标签从 2.83 提升至 4.19。
arXiv cs.AIAI 评分3131 面向边缘智能体：LLM 智能体执行中边缘-云协作的系统性分析
研究者提出 EC2-Bench，一个面向长程 LLM 智能体执行的边缘-云协作基准，包含可执行的数字工作空间任务，并统一评估任务性能、资源占用与隐私暴露。实验发现，协作执行在性能、资源与隐私间取得较好平衡；边缘模型越强，协作表现越接近纯云端，且策略间性能差距缩小，但隐私暴露仍高度依赖策略。边缘能力增强后，首选协作方式从云端外部控制转向边缘主导。
arXiv cs.AIAI 评分3131 Agentic4PDM：面向工业故障诊断的宿主治理证据准入框架
Agentic4PDM 通过 LLM 智能体将信号与各类候选标签参考对比、识别未决差异并提出后续测量，由确定性宿主控制器执行契约校验的门控裁决（CCGA），区分佐证性支持与参考性信息。该框架支持无需任务专用诊断模型的免训练诊断，在轴承与电机诊断挑战及客户提供的未过滤工业测试集上，聚合 macro F1 优于所评估的诊断与智能体基线，消融实验进一步支持受治理工作流的价值。
arXiv cs.AIAI 评分4141 单智能体长期记忆中的 Memory Echo：生命周期评估与来源引导缓解
研究提出 Memory Echo 概念，指同一来源的历史信息在无独立证据下获得的额外检索曝光，并构建 MEchoBench 评估其产生、抗纠正、持续性与对答案的影响。
arXiv cs.AIAI 评分2222 Tricorder：面向公用事业规模光伏电站的自主 3D 视觉-热成像巡检系统
研究团队提出自动化 3D 视觉-热成像巡检系统 Tricorder，用于光伏面板下方资产检测，结合 LiDAR-惯性 SLAM 与几何标定的 RGB、热成像及机器学习目标检测与分割，将多视角视觉与热成像观测在重建的 3D 环境中空间融合与定位。
arXiv cs.AIAI 评分4949 指令是证据而非目标：衡量 AI 智能体的结果对齐能力
研究者提出"结果对齐"概念，要求 AI 智能体将用户指令视为证据而非目标，从指令与环境中推断真实需求。基于 SWE-chat 的 100 条用户-智能体轨迹分析显示，56% 的初始指令遗漏了后续才显现的必要需求，52% 的有用后续需求本可从项目中推断。
arXiv cs.AIAI 评分3232 面向科学方程发现的工具库与模型耦合演化框架
研究者提出耦合演化框架，让可执行工具库与模型工具使用策略从同一可验证拟合误差信号中共同改进。工具演化阶段由智能体诊断自身失败来新增工具并修正选择规则，策略演化阶段用约 3B 激活参数的小开源模型在成功工具使用轨迹上微调。
arXiv cs.AIAI 评分2929 DuplexAct：前沿全双工语音语言模型的交互能力如何评估？
DuplexAct 是评估端到端全双工语音语言模型（FD-SLM）交互动作能力的基准，定义了涵盖 8 种交互动作、24 种交互条件的三级动作分类体系，并通过即时执行与后续跟进两个维度衡量动作是否成功。该基准包含 4,691 个测试实例，覆盖闲聊、会议、客服和访谈场景，其中 2,531 个来自真实对话录音。
arXiv cs.AIAI 评分3838 STOU：第一视角多模态助手安全评测基准，区分伤害对象而非只看拒答率
研究者提出 STOU 基准，包含 2,902 条第一视角视频-音频与视频-文本查询，按潜在伤害对象分为用户自身（Self）、同场他人（The Others）与社会整体（Others）。该评测将安全理解与拒答行为解耦，除拒答外还考察模型是否识别用户意图、伤害的存在与对象及其后果。在 10 个开源与闭源全模态及多模态 LLM 上，拒答率随伤害对象系统性变化，且模型常识别出风险仍继续提供帮助。
arXiv cs.AIAI 评分4141 Sauron：证据优先的智能体验证器
针对长周期智能体任务中基于评分标准的评估易忽略环境状态与执行轨迹证据的问题，研究者提出证据优先的验证器 Sauron，它独立核验每项声明后才采信，并为每个判定附带可审计的证据凭证。
arXiv cs.AIAI 评分3838 LLM 智能体链中的上游影响与下游再锚定
研究发现，LLM 智能体工作流的信息架构——信源访问、交接格式、由哪个模型读取不可信内容——决定协同操纵能传递到终端用户的程度。
arXiv cs.AIAI 评分3232 PolyGraph：为智能体构建的知识图谱提供可信清理方案
针对智能体构建的知识图谱在源被撤回或撤销后难以维护的问题，PolyGraph 要求构建器在生成每个产物时附带“收据”，即声称各自充分的替代源证据包，清理时仅需对收据做集合运算，无需调用模型。在真实撤回场景下，现有流水线仅将受污染查询从 32.2% 降至 28.0%，而按句生成收据的摘要层可将受污染查询降至 0.4% 至 0.8%，同时保留完美维护者 99.8% 至 100% 的召回率。
arXiv cs.AIAI 评分2424 ECG-RSI：通过靶向心电图波形演化的递归自我改进框架
ECG-RSI 将经验证的波形合成与反馈引导的干预搜索结合，经三轮迭代把 Qwen3.5-35B-A3B 在七个基准上的问答平均准确率从 34.57% 提升至 56.04%，分类平均 F1 从 24.27 提升至 34.03。
arXiv cs.AIAI 评分2424 面向 GUI 智能体的自适应分组过程奖励框架
针对 GUI 智能体强化学习结果奖励稀疏的问题，研究者提出自适应分组过程奖励框架，将 GUI 轨迹动态划分为语义连贯的子目标组，在动作级和组级同时估计过程奖励，并用其增强 GRPO 的结果优势以提供更细粒度训练指导。在过程奖励基准和下游 RL 训练上的实验验证了该框架的有效性。
arXiv cs.AIAI 评分2222 PetriNetGraph：面向模型中心一致性检查的节点嵌入框架
研究者提出 PetriNetGraph，将 Petri 网流程模型转为图表示，结合节点嵌入与 Procrustes 对齐实现跨图可比，并用参数化余弦距离给出统一有界的一致性度量。
arXiv cs.AIAI 评分2020 理解基因表达到图像学习：空间结构与信息保真度
研究在固定网络与训练流程下考察 GE2I（基因表达到图像）机制，发现空间平滑性与基因级保真度之间存在权衡：结构化映射产生平滑低频模式、早期优化更快，但多基因共享同一像素会模糊表达差异并可能降低预测性能。一对一基因到像素分配在测试的视觉骨干网络上均提升预测，即使图像平滑度下降；预训练与数据增强的收益则取决于骨干网络和映射方式。
arXiv cs.AIAI 评分3636 MedEvo：通过知识导航实现医学推理进化
MedEvo 利用医学标签分类与错误类型诊断来导航轨迹修复和数据选择，仅靠 SFT 即将 Qwen3.5-9B 在七个基准上的平均准确率从 65.57% 提升至 69.12%，其中 MedXpertQA-MM 从 47.40% 升至 54.50%，超过教师蒸馏 SFT 的 66.93%。
arXiv cs.AIAI 评分2525 面向无服务器 LLM 推理的稳定 Token 级调度
研究者提出 Token Window Pacing（TWP），一种闭环调度框架，利用 ITL、队列深度和工作负载特征的运行时反馈，在 token 级而非 batch 级调节请求准入，并结合分块 prefill 减少新请求对解码的干扰。
arXiv cs.AIAI 评分2020 EncounterMob：用 LLM 生成城市级"相遇感知"人类移动轨迹
研究提出 EncounterMob，一个由粗到细的 Encounter Generator 与 Iterative Coupling Framework 组成的相遇驱动 LLM 框架，用于在保留个体移动的同时还原人口级交互结构。
arXiv cs.AIAI 评分5252 Cowork-Gym：大规模合成交互式工作环境
Cowork-Gym 是一个通过 build-execute-revise 循环合成 Cowork 环境的框架，利用执行证据和评审反馈验证并修复生成的环境，并用有状态用户模拟器通过对话和直接编辑共享工作区来响应智能体动作。
arXiv cs.AIAI 评分2929 RoTA-Bench：通过交互式投影对齐评估 3D 空间推理
研究者推出 RoTA-Bench，通过交互式 3D 到 2D 投影对齐评估视觉语言模型的 3D 空间推理能力，包含 674 个任务及 100 个分层测试任务。GPT-5.6-Sol 仅完成 17% 的任务，而 20 名本科生参与者以 100% 成功率集体完成测试集四次。在相同状态下，模型比人类更常出现轮廓重叠改善但姿态对齐变差的情况（19.4% vs. 10.9%）。
共 2000 篇论文