AI Agent

SOLAR: A Self-Optimizing Open-Ended Autonomous Agent for Lifelong Learning and Continual Adaptation

SOLAR：一种自优化的开放式自主代理，用于终身学习和持续适应

Nitin Vetcha, Dianbo Liu

机构 * Department of Ophthalmology, Yong Loo Lin School of Medicine, National University of Singapore, Singapore（眼科学系，Yong Loo Lin医学院，新加坡国立大学，新加坡） ； Department of Computational and Data Sciences, Indian Institute of Science, Bangalore, Karnataka, India（计算与数据科学系，印度科学研究院，班加罗尔，卡纳塔克邦，印度） 纠错

专题命中 记忆与上下文管理 ：agent(title,abstract)；autonomous agent(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出SOLAR，一种自优化的开放式自主代理，通过参数级元学习实现自我改进，解决了动态真实世界中概念漂移和梯度基适应成本高的问题，展示了在常识、数学、医学、编程、社交和逻辑推理任务上的优越性能。

Comments Accepted at "Association for the Advancement of Artificial Intelligence 2026 Conference" in Streaming Continual Learning Bridge. Published in CEUR Workshop Proceedings (Original version at https://ceur-ws.org/Vol-4183/paper2.pdf)

Journal ref CEUR Workshop Proceedings, Vol. 4183, 2026

Anatomy of Agentic Memory: Taxonomy and Empirical Analysis of Evaluation and System Limitations

代理记忆的解剖结构：评估和系统限制的分类与实证分析

Dongming Jiang, Yi Li, Songtao Wei, Jinxin Yang, Ayushi Kishore, Alysa Zhao, Dingyi Kang, Xu Hu, Feng Chen, Qiannan Li, Bingzhe Li

机构 * University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of California Davis（加州大学戴维斯分校） ； Texas A&M University（德克萨斯农工大学） 纠错

专题命中 记忆与上下文管理 ：agentic(title,abstract)；分类 cs.AI、cs.CL

AI总结 本文通过分类和实证分析，探讨了代理记忆系统的架构和系统限制，揭示了现有系统在基准饱和效应、指标有效性、模型依赖性和内存维护开销等方面的问题，并提出了更可靠的评估方法和可扩展的系统设计方向。

Mem-$π$: Adaptive Memory through Learning When and What to Generate

Mem-$π$: 通过学习何时以及生成什么来实现自适应记忆

Xiaoqiang Wang, Chao Wang, Hadi Nekoei, Christopher Pal, Alexandre Lacoste, Spandana Gella, Bang Liu, Perouz Taslakian

机构 * ServiceNow AI Research（ServiceNow AI研究院） ； Mila -- Quebec AI Institute（魁北克AI研究所） ； McGill University（麦吉尔大学） ； CIFAR AI Chair（CIFAR人工智能主席） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；tool use(abstract)；agentic(abstract)；分类 cs.AI、cs.CL

AI总结 Mem-$π$ 通过学习在何时以及生成什么来实现自适应记忆，利用专门的语言或视觉-语言模型生成上下文特定的指导，从而在多种代理任务中优于基于检索和先前RL优化的记忆基线。

Comments Work in progress

Auto-Dreamer: Learning Offline Memory Consolidation for Language Agents

Auto-Dreamer：学习离线记忆巩固用于语言智能体

Chongrui Ye, Yuxiang Liu, Yu Wang, Haofei Yu, Yining Zhao, Ge Liu, Julian McAuley, Jiaxuan You

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；tool-use(abstract)；分类 cs.CL

AI总结 本文提出Auto-Dreamer，一种学习离线记忆巩固方法，用于语言智能体，通过分离快速会话记忆获取与慢速跨会话巩固过程，提升智能体在多个任务流中的记忆整合与知识复用能力。

Comments Preprint

ParaCell: Paravirtualized Secure Containers with Lightweight Intra-Container Isolation and Intent-Driven Memory Management

ParaCell: 基于轻量级容器内隔离和意图驱动内存管理的虚拟化安全容器

Yiyang Wu, Xunjie Wang, Jinyu Gu, Haibo Chen

专题命中 记忆与上下文管理 ：agent(abstract)；agentic(abstract)

AI总结 ParaCell通过引入轻量级容器内隔离和意图驱动内存管理，解决了传统容器系统中隔离与性能之间的根本性权衡问题，提升了容器运行效率和内存弹性。

On the limits and opportunities of AI reviewers: Reviewing the reviews of Nature-family papers with 45 expert scientists

人工智能审稿人的局限与机遇：对Nature系列论文审稿的45位专家科学家的审查

Seungone Kim, Dongkeun Yoon, Kiril Gashteovski, Juyoung Suk, Jinheon Baek, Pranjal Aggarwal, Ian Wu, Viktor Zaverkin, Spase Petkoski, Daniel R. Schrider, Ilija Dukovski, Francesco Santini, Biljana Mitreska, Yong Jeong, Kyeongha Kwon, Young Min Sim, Dragana Manasova, Arthur Porto, Biljana Mojsoska, Makoto Takamoto, Marko Shuntov, Ruoqi Liu, Hyunjoo Jenny Lee, Niyazi Ulas Dinç, Yehhyun Jo, Sunkyu Han, Chungwoo Lee, Huishan Li, Esther H. R. Tsai, Ergun Simsek, Khushboo Shafi, Yeonseung Chung, Jihye Park, Aleksandar Shulevski, Henrik Christiansen, Yoosang Son, Elly Knight, Amanda Montoya, Jeongyoun Ahn, Christian Langkammer, Heera Moon, Changwon Yoon, Nikola Stikov, Mooseok Jang, Edward Choi, Junhan Kim, Yeon Sik Jung, Woo Youn Kim, Jae Kyoung Kim, Ishraq Md Anjum, Hyun Uk Kim, Drew Bridges, Carolin Lawrence, Xiang Yue, Alice Oh, Akari Asai, Sean Welleck, Graham Neubig

机构 * Nature（自然） 纠错

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 本文通过大规模专家标注研究，探讨了AI审稿人在科学同行评审中的能力与局限，发现AI审稿在准确性、显著性和证据充分性方面表现优异，但存在领域知识有限、上下文管理不足等弱点，表明AI审稿是人类审稿的补充而非替代。

Comments Work in progress

HiRes: Inspectable Precedent Memory for Reaction Condition Recommendation

HiRes: 反应条件推荐的可检查先例记忆

Shreyas Vinaya Sathyanarayana, Raja Sekhar Pappala, Deepak Warrier

机构 * Mstack AI 纠错

专题命中 记忆与上下文管理 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 HiRes通过结合图编码器、变换感知交叉注意力、多流反应融合和k-NN检索层，实现了反应条件推荐的高准确率和可解释性，其在催化剂、溶剂和试剂的Top-1准确率分别达到0.929、0.534和0.530，优于现有方法。

Llamas on the Web: Memory-Efficient, Performance-Portable, and Multi-Precision LLM Inference with WebGPU

网络上的Llamas：基于WebGPU的内存高效、性能可移植和多精度LLM推理

Reese Levine, Rithik Sharma, Nikhil Jain, Abhijit Ramesh, Zheyuan Chen, Neha Abbas, James Contini, Tyler Sorensen

机构 * Microsoft Research（微软研究院） ； UC Santa Cruz（加州大学圣克鲁兹分校） 纠错

专题命中 记忆与上下文管理 ：planning(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出LlamaWeb，一种基于WebGPU的LLM推理框架，通过静态内存规划和高效模型加载减少内存开销，支持多种模型权重格式，实现了内存高效、性能可移植的LLM推理。

Comments 19 pages, 11 figures, 5 tables

Smaller Abstract State Spaces Enable Cross-Scale Generalization in Reinforcement Learning

更小的抽象状态空间在强化学习中实现跨尺度泛化

Nasehatul Mustakim, Lucas Lehnert

机构 * Department of Computer Science（计算机科学系） ； University of Saskatchewan（萨斯喀彻温大学） ； Saskatoon, Saskatchewan, Canada（加拿大萨斯喀彻温省萨斯喀彻温市） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出了一种理论模型，通过扩展POMDP中的状态抽象框架，定义了 successor-weighted model reduction，从而在强化学习代理中实现跨尺度泛化，并分析了抽象状态空间大小对泛化能力的影响。

Equilibrium and dynamics of a three-state opinion model on a network of networks

网络中的网络上三状态意见模型的平衡与动态

Irene Ferri, Albert Díaz-Guilera, Hiroki Sayama

专题命中 记忆与上下文管理 ：agent(abstract)

AI总结 本文研究了在由网络组成的网络上的一种三状态意见模型，探讨了个体内部相互关联的信念如何影响集体结果，通过分析方法和蒙特卡洛模拟发现，随着星型代理内部信念的增加，极化共识崩溃的临界温度增加，而在环形和聚类状内部拓扑中趋于饱和。

Comments 15 pages, 10 figures

SpineContextResUNet: A Computationally Efficient Residual UNet for Spine CT Segmentation

SpineContextResUNet: 一种计算高效的残差U-Net用于脊柱CT分割

K S Nithurshen, Saurabh J. Shigwan

机构 * Shiv Nadar University（施瓦德纳大学） 纠错

专题命中 记忆与上下文管理 ：planning(abstract)

AI总结 本文提出SpineContextResUNet，一种高效的3D残差U-Net，用于快速脊柱定位，通过轻量级的上下文块在不牺牲性能的情况下减少了计算资源需求，适用于资源受限环境。

Comments 2 Figures, 3 Tables

CALMem : Application-Layer Dual Memory for Conversational AI

CALMem : 会话AI的应用层双记忆

Rajendra Narayan Jena, Rajan Padmanabhan, Sankar Arumugam

专题命中 记忆与上下文管理 ：agent(abstract)

AI总结 针对大型语言模型固定上下文窗口限制会话连续性的问题，CALMem提出了一种应用层双记忆架构，通过结合事件记忆层和语义记忆层，实现无限制的有效上下文容量，无需修改底层模型。

Why Latent Actions Fail, and How to Prevent It

为何潜在动作失效，以及如何防止它

Jung Min Lee, Taehyun Cho, Li Zhao, Jungwoo Lee

机构 * Seoul National University（首尔国立大学） ； Microsoft Research（微软研究院） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)

AI总结 本文研究了潜在动作模型中外部状态对动作学习的干扰问题，并提出通过聚焦内生成分来缓解噪声干扰的方法。