TMLR 论文：仅靠终端与文件系统的终端智能体足以完成企业自动化
论文《Terminal Agents Suffice for Enterprise Automation》提出，只配备终端和文件系统的编码智能体通过直接调用平台 API，就能完成许多企业任务。
论文
论文
arXiv cs.CLAI 评分5151 arXiv cs.CLAI 评分2929 BenchPreS：评估持久记忆 LLM 的上下文感知个性化偏好选择性基准
研究者提出 BenchPreS，用 Misapplication Rate（MR）和 Appropriate Application Rate（AAR）两项指标评估持久记忆 LLM 能否在第三方沟通场景中恰当应用或抑制用户偏好。结果显示，即使前沿 LLM 也难以做到上下文敏感，偏好依从性更强的模型过度应用率更高，推理能力与基于提示词的防御均无法完全解决该问题。
arXiv cs.AIAI 评分2222 观察、共享还是预测？解耦具身多智能体协作中的伙伴信息
研究基于 Habitat 的 PARTNR 基准提出解耦部分可观测机制，在 1000 个验证任务上测试 OAS 观察、KE 知识交换与 OANA 预测对 LLM 具身智能体协作的影响。OAS 观察提升任务质量并减少无效动作，KE 主要提升执行效率、最多减少 25% 仿真步数；OANA 预测在 16 组模型×上下文组合中有 15 组降低成功率，协作收益主要来自对共享上下文的响应而非显式预测。
arXiv cs.AIAI 评分2020 把透明度视为可回答性：角色相关的信息流建模
研究者提出把 AI 透明度重新定义为一种关系：系统对某利益相关者透明，取决于其合法问题能否从系统结构中获答，并用信息流网络形式化。该框架支持结构可回答性、跨组织边界的组合可回答性，以及给定利益相关者可访问子网络的角色相关可回答性三个维度。研究以某公共部门市政 AI 招聘工具的真实预集成评估为例，展示了如何在 Provider 与 Deployer 边界上形式化分析透明度问题。
arXiv cs.CLAI 评分3232 TimeWarp：评估 Web 智能体在网页变迁下的表现
研究者推出 TimeWarp 基准，用三个 Web 环境、每个含六种 UI 版本模拟网页演化，发现视觉型智能体易受界面变化影响，文本型智能体在单一版本微调后变得脆弱。为此提出基于计划蒸馏的标注方法 TimeTraj，用 BC-variant 训练后 Qwen-3 4B 从 20.4% 提升至 37.7%，Llama-3.1 8B 从 0% 提升至 27.0%。
arXiv cs.AIAI 评分2222 可接受的失准：自主机器人价值对齐为何无法完全实现
研究者提出"可接受的失准"概念，认为自主机器人的价值对齐问题在理论和实践上都无法完全实现，失准事件将持续发生。论文主张从追求对齐最大化转向关注失准事件变得可接受的条件，并给出对齐机制的规范性要求及一套新的方法论框架。
arXiv cs.CLAI 评分3737 Draft-Thinking：为长链式思维 LLM 学习高效推理
Draft-Thinking 是一个轻量适配框架，让长链式思维 LLM 学会一种紧凑的“草稿 CoT”，直接支撑最终答案。它通过渐进式草稿适配（先 SFT 再两阶段 RL）解决“跨规模草稿错配”，无需事后轨迹压缩或长度惩罚奖励。
arXiv cs.AIAI 评分2222 CLIVO：基于可微聚类与学习验证目标的指令混合方法
CLIVO 是一个面向目标的多模态指令选择框架，将细粒度语义聚类分配、自动学习的验证目标与可微混合搜索连接起来，单次反向传播即可为所有聚类份额提供梯度。从 800 万条指令池中选出 10 万条时，CLIVO 达到全量数据四目标平均分的 97.2%，仅用 1.25% 的数据；相比最强评测基线提升 1.16 分，结合学习配额与样本排序后提升至 1.55 分。
arXiv cs.CLAI 评分1010 K-pop 歌词的语义社区与跨界歌词：基于图的无监督分析
一项基于图的无监督分析用四种 384 维多语言 MiniLM 表示，对 2000 年至 2023 年 10 月榜单中 1,456 位艺人的 7,891 首 K-pop 歌曲歌词进行建模。
arXiv cs.AIAI 评分3434 同一操作，不同权限：评估 Guardrails 是否遵循授权
研究者提出 benchmark，用专家标注的自然语言场景与已执行验证的操作，对比同一操作在语言轨道上的授权证据，检验 Guardrails 是否在阻止未授权操作的同时放行有合法权限的相同操作。实验显示，许多被阻止的操作源于审查失败而非正确拒绝；修复输出格式可恢复可用决策但改变被放行的授权请求，增加第二审查者能消除部分错误却会拒绝有效授权。
arXiv cs.CLAI 评分4141 搜索智能体的“幻觉式完成”：正确回答中高达 48% 仍有约束未验证
研究提出“幻觉式完成”现象：在多约束问题上，搜索智能体有多达 48% 的正确回答其实仍有约束未经核实。团队用 Epistemic Ledger 追踪 13 个智能体（从 7B RL 模型到前沿 LLM）的逐轮验证状态，发现训练与规模只改变验证失败的模式而非消除它。借助 4B 的 LiveLedger 展示各约束状态后，智能体正确回答数提升 4.4-16.1 个百分点。
arXiv cs.AIAI 评分2929 LIBERO-Industry：工业流程约束下的机器人操作基准
研究者提出 LIBERO-Industry，一个基于 LIBERO 构建的机器人操作基准，将产品变体、移动物料流、有限执行窗口和严格几何公差等工业约束转化为可控任务条件与可测量成功标准。
arXiv cs.CLAI 评分3636 SWE-Spot：用仓库中心学习打造小型代码库专家模型
针对小型开源权重模型缺乏对陌生代码库泛化能力的问题，研究者提出仓库中心学习（RCL），以单仓库纵向深度替代跨仓库的任务中心学习（TCL），并据此训练出 SWE-Spot-4B 系列仓库专家模型。
arXiv cs.AIAI 评分4949 腾讯多模态 RL 团队提出 Game-Creation-Agents：从自然语言请求自动生成可运行的 Phaser 4 浏览器游戏
腾讯多模态 RL 团队提出 Game-Creation-Agents（GCA），可将自然语言请求转化为可运行的 Phaser 4 浏览器游戏。该流水线先构建多模态游戏设计文档，再投影为运行时脚手架、机器可读契约与确定性测试，由八个专用智能体串行实现场景、并行生产素材并合并为单一构建，经真实 UI 检查与代码盲评审后决定是否发布。
arXiv cs.CLAI 评分2929 DERL：双演化强化学习实现自动化奖励设计
研究提出双演化强化学习框架 DERL，通过外层提议器与内层策略的双重训练实现奖励结构的自主发现，提议器利用内层策略的验证表现进行策略梯度学习。在 ALFWorld、ScienceWorld、GSM8K 和 MATH 等推理任务上，DERL 优于强基线，在分布外任务上提升显著，并在数学任务中改进了结果奖励。代码与模型已开源。
arXiv cs.AIAI 评分2424 GeoVec-VLM：将地理空间矢量几何作为视觉语言模型的原生空间模态
论文提出 GeoVec-VLM，将地理空间矢量几何作为 VLM 的原生空间模态，通过结构化几何表示与几何交互策略，让感知和推理在共享几何参照上进行。在五项空间推理任务上，其平均准确率较最强基线提升约 11%，并在地理迁移下保持增益，几何一致性更强。
arXiv cs.CLAI 评分3636 随机种子与温度如何暴露 LLM 拒绝行为的不一致：安全评估稳定性研究
研究测试 Llama 3.1 8B、Qwen 2.5 7B、Qwen 3 8B、Gemma 3 12B 四个指令微调模型在 876 条有害提示、20 种采样配置（4 温度 × 5 种子）下的拒绝决策稳定性，发现 18-28% 的提示出现 REFUSE/PARTIAL/COMPLY 标签翻转。
arXiv cs.AIAI 评分3838 研究：用部分生成将提示词危害性与交互安全性分离
一项研究提出用部分生成判断 LLM 交互安全性：系统可先开始生成、观察部分输出，仅在内容变有害时停止。研究构建了 41,944 条 prompt-response 对，覆盖 Llama、Gemma、Qwen 三个家族的七个开源权重模型，发现提示词危害性与交互安全性并不一致，两者标签仅 50.46% 一致（Cohen's κ = 0.06）。
arXiv cs.AIAI 评分1818 队列感知 Token 通信：打通 AI 表征与无线服务
针对现有 Token 通信（TokenCom）研究假设 token 可即时传输、忽略 token 负载生成与无线服务能力时变之间失配所产生排队动态的问题，研究者提出 Queue-Aware TokenCom，将 token 队列显式纳入 AI 服务流程，并给出融合 AI 表征生成、token 负载管理、无线传输与下游任务推理的端到端架构。
arXiv cs.CLAI 评分2222 SynthKGQA：为知识图谱增强 LLM 生成真值子图以改进训练与评测
研究者提出 SynthKGQA，一个由 LLM 驱动的框架，可从任意知识图谱生成高质量知识图谱问答数据集，并提供完整的真值事实集合。基于 Wikidata 衍生的 ogbl-wikikg2 构建的 GTSQA 数据集，专门测试对未见图结构和关系类型的零样本泛化能力。实验显示，在 GTSQA 上训练的 KG 检索器可迁移到人工标注基准，且其真值子图比以往启发式方法提供更好的训练监督信号。
arXiv cs.CLAI 评分4141 RLVR 的隐形缰绳：可验证奖励强化学习能否突破其起源
研究提出"经验支持动态"框架，逐题追踪 RLVR 对已验证解法的影响，发现在所评估的模型级基准聚合上，观察到的支持收缩超过扩张——失去已验证成功的问题多于新增的问题，尽管 pass@1 同时上升。部分 RLVR 模型平均 token 级熵升高而最终答案熵降低，token 选择更不确定但答案更集中。这揭示出当前 RLVR 实践存在"隐形缰绳"：让已有成功更可靠，却丢失了其他已验证解法。
arXiv cs.AIAI 评分3737 Trace-to-Architecture：用执行轨迹诊断 LLM 智能体能力瓶颈并修订 harness
研究者提出 Trace-to-Architecture（T2A）框架，利用成功与失败任务的执行轨迹定位 LLM 智能体 harness 中需要修改的组件，并通过验证目标任务是否改善、已成功任务是否保持、编辑是否被触发来迭代修订。
arXiv cs.CLAI 评分3131 回译依然有效：用单语数据提升 LLM 低资源机器翻译
研究提出用回译（BT）而非继续预训练来利用低资源单语数据：微调后的 LLM 翻译单语句子生成反向平行对，并与平行集更新交替进行。在 Odia 和 Swahili 上仅用 1K 平行对，BT 在领域内比继续预训练高出 7.7 至 16.4 个 XCOMET-XXL 分，还优于平行数据多 10 倍的模型。
arXiv cs.AIAI 评分3838 结构基线对智能体失败检测与归因的影响
使用工具的 LLM 智能体可能静默失败：任务未完成却不报错，还能流畅作答。研究发现，失败运行更长、被标注为决定性的步骤通常就是最后一步，一条"永远选最后一步"的规则在此处正确率达 67% 至 96%，无需读取运行内容；但在回放可确认决定性步骤的失败上，该规则降至接近随机。
arXiv cs.CLAI 评分3636 ANCHOR：评估仓库级智能体编码中的自然约束层级与顺序
研究者提出 ANCHOR 基准，用于评估仓库级编码智能体的"工程约束遵循"能力，覆盖八种语言组的自然多语言仓库任务，包含 10 大类 78 种叶子类型的约束分类体系和轨迹评估框架。
arXiv cs.AIAI 评分3131 托管决策模型 jev-1.13.0 是否满足无关选项独立性？一项预注册的选项集依赖测试
预注册研究用 299,463 次调用测试托管决策模型 jev-1.13.0，发现每新增一个选项都会移动 gold label 与最强错误标签之间的对数几率，均方根系统性偏移达 0.20-0.52 nats，为运行间波动的 1.2 至 3 倍。
arXiv cs.CLAI 评分3636 研究：LLM 审查很少胜过更强模型，验证与能力迁移需区分
对 12 个开源模型（3B 至 72B）组成的 48 对组合测试显示，在数学、知识、代码和推理任务中，审查仅在 96 个审查方向中的 9 个胜过更强模型，且能力差距越大表现越差。原因是锚定效应：审查者大多跟随生成者，丢弃了自己的正确答案。审查成本是单独使用更强模型的 2.6 至 2.8 倍，而同样两次调用的选择器比审查准确率高 2.7 至 4.2 分且更便宜。
arXiv cs.AIAI 评分2222 LATCH：面向布线后 FPGA 优化的 LLM 辅助时序收敛框架
研究者提出 LATCH（LLM-Assisted Timing Closure Harness），将 LLM 编排与确定性 FPGA 实现和评估分离的两层框架。
arXiv cs.CLAI 评分3131 LLM 辅导真能教会学生吗？一项以过程为中心的辅导闭环综述
一项以过程为中心的综述梳理了 LLM 辅导从学习者状态推断到教学行动、导师训练、评估与学生模拟的完整链路，指出实现某个辅导组件并不等于它有效或能影响后续环节。研究层面的结构化审计显示，教学评估较为常见，但学习者条件化干预、人类学习增益尤其是迁移与延迟保持的证据明显薄弱。人类研究给出有条件正面结果：LLM 导师能提升学习，但效果取决于教学结构、学习者投入与测量方式。
arXiv cs.AIAI 评分2020 弱分割引导 GAN 实现逼真图像颜色编辑
研究者提出一种利用任意可微分分割模型的 GAN 架构，在多个用例上取得 SOTA 结果，生成图像既逼真又能精确控制颜色。该方法旨在同时解决传统分割加直方图匹配可控性强但缺乏真实感、GAN 真实感强却难以控制的问题。
arXiv cs.CLAI 评分1818 从句子级监督学习命题级链接：面向神经符号 NLI 的可训练原子链接器
研究者提出一种可训练的原子链接器，在神经符号 NLI 中联合预测命题单元间的链接存在性、源选择与关系类型，无需原子对标注，仅用句子级 NLI 标签训练，翻译器与 SAT 推理器保持固定。
arXiv cs.AIAI 评分2222 SAVER：面向样本感知的视觉 token 压缩，重新思考相关性-多样性平衡
针对现有视觉 token 压缩方法将相关性-多样性权重视为与输入无关的固定常数，研究者提出免训练的 SAVER 框架，通过 Geometric Intent Prior（GIP）为每个样本推断专属权重，并结合 Weighted Text Centroid（WTC）与 Visual Marginal Coverage Gain（VMCG）联合选 token。
arXiv cs.CLAI 评分2828 评估 LLM 作为真实客服技能中的智能体工作流执行器
研究构建了一套基于真实客服对话记录的 Skill LLM 基准，通过 MCP 兼容 mock 模拟环境状态并生成多轮工具调用对话，对 17 个模型进行零样本评测。GPT-5.4 大幅领先，QWEN3.5-9B 是 20B 以下最强开源权重模型，在每位评审下均超过多个闭源基线。10 组评审两两一致率平均 Kappa=0.524，表明评审可靠性需与模型能力同等重视。
arXiv cs.AIAI 评分3939 双 Rollout 强化学习：基于采样的奖励估计方法
针对可验证结果奖励与推理质量不匹配的问题，该论文提出 double-rollout 强化学习：对每条 rollout 截断推理轨迹后采样多个续写，用续写奖励均值替代原始奖励，以更稳健地估计推理质量。
arXiv cs.AIAI 评分3131 G²WAM：面向高效几何锚定图像目标导航的世界动作模型
研究者提出几何锚定世界动作模型 G²WAM，用于图像目标导航。它通过学习式场景坐标定位模块将当前、目标与历史帧锚定到统一参考系，无需显式 3D 重建，并完全在潜空间中联合预测未来状态与动作，省去 CEM 式规划。在四个轨迹预测基准上，平均 ATE 与 RPE 分别降低 40.1% 和 35.2%；闭环导航成功率从 54.0% 提升至 63.0%，SPL 从 36.4% 提升至 59.2%。
arXiv cs.AIAI 评分5858 qtBench：29 个代数组合学开放问题的 AI 求解基准
研究者提出 qtBench，一个包含 29 个代数组合学开放问题的基准，这些问题要求给出能解释给定多项式系数或恒等式的简单组合算法。为帮助 AI 智能体搜索这类算法，作者提供了用于操作组合对象、防范作弊尝试和测试候选解的脚手架。他们与 OpenAI 合作，其研究人员对其中若干问题给出了候选解，并由此讨论 AI 大规模发现是否合乎伦理、结果应如何发布以及证明消化如何组织等元问题。
arXiv cs.AIAI 评分4040 让语言成为视觉的低码率编码：从词语到像素的逐级细化
研究者提出 RUNG，一种有序视觉编码，其前缀由字幕摘要阶梯监督、全长重建图像，将字幕生成与文生图统一为逐级细化过程。在数据与容量固定下，按语言而非重建排序使前缀-字幕信息量提升 2.9 倍，GenEval 从 0.76 升至 0.83，代价是四分之一码长处 PSNR 下降 2.8 dB、全长仅降 0.1 dB。
arXiv cs.AIAI 评分2727 FAR：以学习者为中心的多智能体讨论知识蒸馏方法
针对多智能体讨论全图蒸馏中"过度教学"与"学习不足"的错配问题，研究者提出学习者中心蒸馏方法 FAR（Fold–Attempt–Revisit）：训练前将同一讨论状态下的多个正确解折叠为代表性课程，训练后依据学生自身尝试定位遗漏问题并针对表征不足的聚类补写课程。在两个学生模型和四个推理任务上，FAR 以远更少的训练目标超越全图蒸馏，并降低学习不足率。
arXiv cs.AIAI 评分2222 图流中的解释漂移能否先于保真度失效预警？一种无标签早期监测方法
研究发现，在演化图流中，模型自身的归因解释可作为共形覆盖失效的早期预警信号。作者修正了朴素漂移统计量：将重要性以边存在为条件，并按结构角色聚合以消除边重标记带来的虚假漂移（合成图0.69、真实自我网络0.83均降至0.0）。双通道监测器在四类渐变场景下提前8至14.5步预警覆盖崩溃，真实交易自我网络上无调参的质量通道提前27步预警，且是唯一在平稳流上从不误报的通道。
arXiv cs.AIAI 评分2929 EAU：面向用户中心智能体的环境-智能体-用户协同演化框架
EAU 是一个让环境、智能体与用户模拟器协同演化的元智能体框架，通过监控训练轨迹与工具调用、诊断失败并热更新用户模拟器、环境、奖励设计与 RL 配置，使训练设置随策略共同进化。在三个交互式智能体基准和两个基座模型上，EAU 整体得分超越最强基线 14.7–15.0%，ColBench 任务成功率最高提升 36.7%。
共 2000 篇论文