AI Agent

LAOF: Robust Latent Action Learning with Optical Flow Constraints

LAOF：基于光流约束的鲁棒潜在动作学习

Xizhou Bu, Jiexi Lyu, Fulei Sun, Ruichen Yang, Zhiqiang Ma, Wei Li

机构 * Fudan University（复旦大学） ； Northwestern Polytechnical University（西北工业大学） 纠错

专题命中 Agent评测 ：agent(abstract)

AI总结 本文提出LAOF方法，通过利用光流作为动作驱动信号，学习鲁棒的潜在动作表示，以应对动作无关的干扰。实验表明，LAOF在下游模仿学习和强化学习任务中表现优异，尤其在标注稀缺条件下效果显著。

Comments CVPR 2026; Project page: https://github.com/XizoB/LAOF

Cooperative isentropic charging of hybrid quantum batteries

协同等熵充电混合量子电池

Yohan Vianna de Almeida, Tiago F. F. Santos, Marcelo F. Santos

专题命中 Agent评测 ：agent(abstract)

AI总结 本文研究通过碰撞模型利用反Jaynes-Cummings相互作用充电混合量子电池，分析流中量子态相关性对谐振子和三能级系统充电的影响。

Comments 6 captioned figures

Active Inference Agency Formalization, Metrics, and Convergence Assessments

主动推断代理的正式化、指标与收敛性评估

Eduard Kapelko

机构 * Eduard Kapelko 纠错

专题命中 其他Agent ：agentic(abstract)；分类 cs.LG

AI总结 本文通过定义代理并建立分析框架，探讨了AI安全中 mesa-优化的关键挑战，提出代理的连续表示及其在稀疏环境中的收敛性，提供了一种衡量代理程度的指标。

Spilling the Beans: Teaching LLMs to Self-Report Their Hidden Objectives

泄露秘密：教大语言模型自我报告其隐藏目标

Chloe Li, Mary Phuong, Daniel Tan

机构 * University College London（伦敦大学学院） ； University College London Center on Long-Term Risk（伦敦大学学院长期风险中心） 纠错

专题命中 其他Agent ：agentic(abstract)；分类 cs.AI

AI总结 本文提出SRFT技术，通过训练模型偶尔犯错并承认，使其在对抗性任务中揭示隐藏目标，提升诚实度并检测对齐问题。

CALVO: Improve Serving Efficiency for LLM Inferences with Intense Network Demands

CALVO：通过高强度网络需求提升LLM推理的服务能力

Weiye Wang, Chen Chen, Junxue Zhang, Zhusheng Wang, Hui Yuan, Zixuan Guan, Xiaolong Zheng, Qizhen Weng, Yin Chen, Minyi Guo

专题命中 其他Agent ：agentic(abstract)

AI总结 CALVO通过将KVCache加载作为首要关注点，优化网络、PCIe和计算资源利用，提升网络密集型LLM推理效率，实验显示其SLO达成率比基线高61.67%。

Comments 8 pages, 11 figures