AI 大模型
智能体、工具调用、规划、工作流、多智能体和自主任务执行。
迈向安全可审计的LLM代理：一种统一的图表示
机构 * Huazhong University of Science and Technology（华中科技大学） ； Nanyang Technological University（南洋理工大学） ； Fudan University（复旦大学） ； Chongqing University of Posts and Telecommunications（重庆邮电大学） ； Donghua University（东华大学）
专题命中 记忆与上下文管理 ：agent(summary_cn,abstract)；agentic(abstract,abstract_cn)；multi-agent(abstract)；分类 cs.AI
AI总结 本文提出Agent-BOM统一图表示，用于解决LLM代理系统中执行意图与物理事件间的语义鸿沟问题，通过构建分层属性有向图实现安全审计与风险评估。
从存储到经验：LLM代理记忆机制演化的综述
机构 * Hong Kong Baptist University（香港 Baptist 大学） ； South China Normal University（南方中国师范大学） ； Hong Kong University of Science and Technology（香港科学与技术大学） ； National University of Singapore（新加坡国立大学） ； University of Science and Technology Beijing（北京科技大学）
专题命中 记忆与上下文管理 ：agent(title,abstract)；planning(abstract)；分类 cs.AI、cs.CL
AI总结 本文综述了LLM代理记忆机制的发展，提出三阶段框架，分析长程一致性、动态环境挑战和持续学习目标，探讨前瞻性探索与跨轨迹抽象等前沿机制，为下一代LLM代理设计提供指导。
Comments Accepted by ACL 2026 Findings
MEMOREPAIR：代理记忆中的障碍优先级级修复
专题命中 记忆与上下文管理 ：agentic(title,abstract)；分类 cs.AI、cs.CL
AI总结 本文提出MEMOREPAIR方法，通过障碍优先级级修复机制解决代理记忆中的级联更新问题，有效减少无效记忆暴露并降低修复成本。
信念记忆：在部分可观测性下的智能体记忆
机构 * MBZUAI ； RIKEN AIP ； UT Austin ； Wuhan University（武汉大学）
专题命中 记忆与上下文管理 ：agent(title,abstract)；分类 cs.AI、cs.CL
AI总结 本文提出BeliefMem，通过保留多个候选结论及其概率，解决智能体在部分可观测环境中记忆的不确定性问题，实验证明其在LoCoMo和ALFWorld基准上表现优异。
Android Coach: 通过单状态多动作提升在线代理训练效率
机构 * Zhejiang University（浙江大学） ； Qualcomm AI Research（高通人工智能研究）
专题命中 记忆与上下文管理 ：agentic(title)；agent(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出Android Coach框架，通过单状态多动作方法提升在线强化学习效率，实验显示在AndroidLab和AndroidWorld上成功率提升7.5%和8.3%，训练效率比PPO和GRPO高1.4倍。
CogEvolution: 一种模拟学生认知演化的类人生成教育代理
机构 * Faculty of Artificial Intelligence in Education, Central China Normal University, Wuhan, Hubei, China（教育人工智能学院，中国中央师范大学，武汉，湖北，中国） ； National Engineering Research Center for Educational Big Data, Central China Normal University, Wuhan, Hubei, China（教育大数据国家工程研究中心，中国中央师范大学，武汉，湖北，中国） ； Central China Normal University Wollongong Joint Institute, Central China Normal University, Wuhan, Hubei, China（中国中央师范大学沃林顿联合学院，中国中央师范大学，武汉，湖北，中国）
专题命中 记忆与上下文管理 ：agent(title,abstract)；分类 cs.AI
AI总结 本文提出CogEvolution，通过构建认知深度感知器、基于IRT的记忆检索方法和基于进化算法的动态认知更新机制，模拟学生认知演化过程，提升教育代理的可解释性。
Comments none
Q-Probe：通过上下文感知代理探测扩展图像质量评估至高分辨率
机构 * University of Science and Technology of China（中国科学技术大学） ； Hefei University of Technology（合肥工业大学） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Institute of Intelligent Machines, Chinese Academy of Sciences（中国科学院智能 Machines 研究所）
专题命中 记忆与上下文管理 ：agentic(title,abstract)；分类 cs.AI
AI总结 Q-Probe通过上下文感知探测方法解决高分辨率图像质量评估中的局部退化捕捉问题，提出Vista-Bench基准和三阶段训练框架，实现高分辨率下的最优性能。
记忆诅咒：扩展回忆如何在LLM代理中侵蚀合作意图
机构 * Carnegie Mellon University（卡内基梅隆大学） ； Foundations of Cooperative AI Lab (FOCAL)（合作人工智能基础实验室） ； University of Michigan（密歇根大学） ； Harvard University（哈佛大学）
专题命中 记忆与上下文管理 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.CL
AI总结 研究发现扩展回忆会系统性地削弱多代理社会困境中的合作意图，通过三种分析揭示记忆内容对合作的影响，证明记忆是影响多代理行为的主动因素。
当常规聊天变得有毒：个性化代理中无意的长期状态污染
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Hong Kong University of Science and Technology, HKUST (Guangzhou)（香港科学与技术大学（广州））
专题命中 记忆与上下文管理 ：agent(abstract)；tool-use(abstract)；分类 cs.CL、cs.LG
AI总结 研究探讨了个性化代理中因常规交互导致的长期状态污染问题，提出ULSPB基准和Harm Score指标，并通过StateGuard防御机制降低安全风险。
Comments 23 pages
GameGen-Verifier：通过运行时状态注入实现LLM生成游戏的并行关键点验证
机构 * CUHK（香港中文大学） ； HUST（华中科技大学） ； Lionrock AI Lab（Lionrock人工智能实验室） ； NTU（国立新加坡大学） ； HKU（香港大学）
专题命中 记忆与上下文管理 ：agent(abstract)；agentic(abstract)；分类 cs.LG
AI总结 本文提出GameGen-Verifier，通过分解规范为可验证的关键点，实现LLM生成游戏的自动化验证，提升验证准确率并减少运行时间。
LLM代理行为是否一致？用于社交模拟的潜在特征
机构 * Department of Computer Science and Engineering, University of Minnesota（明尼苏达大学计算机科学与工程系） ； Department of African American & African Studies, University of Minnesota（明尼苏达大学非裔美国人与非洲研究系） ； Department of Sociology, University of Chicago（芝加哥大学社会学系）
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL、cs.LG
AI总结 本文研究LLM代理在不同实验环境下是否保持经验一致性，通过揭示代理的潜在特征来检验其行为一致性，发现不同模型家族和大小的LLM存在显著不一致。
Comments 25 pages, 9 figures, 7 tables
AGWM：基于 affordance 的世界模型用于具有组合前提条件的环境
机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Hong Kong（香港大学） ； Columbia University（哥伦比亚大学） ； Amazon（亚马逊） ； City University of Hong Kong（香港城市大学）
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出 AGWM 模型，通过学习抽象 affordance 结构来跟踪动作的动态可执行性，以解决传统世界模型在多步预测中的误差累积问题。
Comments 16 pages, 3 figures, 4 tables. Appendix on pages 11-16 (main text is self-contained)
SeaEvo：通过策略空间进化推进算法发现
机构 * The University of Hong Kong（香港大学） ； JIUTIAN Research, China Mobile（钧天研究院，中国移动） ； City University of Hong Kong（城市大学）
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL
AI总结 SeaEvo通过策略空间进化层，将语言级策略推理转化为群体级进化状态，提升LLM引导的程序搜索效果，实现算法发现、系统优化和智能体设计任务的性能提升。
一种多记忆段系统用于生成高质量的长期记忆内容在智能体中
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL
AI总结 本文提出多记忆段系统MMS，通过多维度生成高质量长期记忆内容，提升智能体的回忆和响应质量，实验验证了其有效性。
Comments The content has been significantly revised and the author has also changed. Therefore, the paper will be withdrawn for revision and then uploaded after the completion of the modifications
利用预决议信号为未来预测代理
机构 * University of Science and Technology of China（中国科学技术大学） ； Zhongguancun Academy, Beijing, China（中关村学院，北京，中国） ； IIIS, Tsinghua University（清华大学人工智能研究院）
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI
AI总结 本文提出通过预决议信号提升未来预测性能，通过Milkyway代理在未决问题多次回顾中提取信息，改进预测并增强后续准确性。
Comments Work in progress
Echo：无KV缓存的关联回忆与谱Koopman算子
机构 * Stanford University（斯坦福大学）
专题命中 记忆与上下文管理 ：agentic(abstract)；分类 cs.LG
AI总结 Echo通过谱Koopman算子实现无KV缓存的关联回忆，解决了传统Transformer的内存瓶颈问题，在多个基准测试中展现出卓越的检索性能。
利用自研算法优化基态准备协议
专题命中 记忆与上下文管理 ：agent(abstract)
AI总结 本文研究如何利用基于人工智能的语言模型编码代理优化不同基态准备和采样协议的超参数选择，通过在简单自旋模型和分子哈密顿量上验证，展示编码代理在受限计算预算下改进能量代理的能力。
Comments 18 pages, 5 figures
FATE：面向异构大语言模型工作流的未来状态感知调度
专题命中 记忆与上下文管理 ：workflow(abstract)
AI总结 FATE通过结合前沿规划、前瞻性候选评分和多设备分片执行，优化异构LLM工作流的未来状态，降低延迟并提升效率。
非马尔可夫集体运动来自自我调节的感知动力学
专题命中 记忆与上下文管理 ：agent(abstract)
AI总结 本文提出一个双时间尺度模型，通过快感知寄存器和慢调节变量实现非马尔可夫集体运动，揭示了局部反馈如何影响集体秩序和调节强度。
Comments 15 pages, 5 figures
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈