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。
评估LLM智能体中的记忆结构
机构 * HSE University（莫斯科国立高等经济学院） ； Yandex ； YSDA ； New Economic School（新经济学院）
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.CL、cs.LG
AI总结 提出StructMemEval基准测试，通过结构化记忆任务（如交易账本、待办事项列表、树结构等）评估LLM智能体组织长期记忆的能力，发现简单检索增强LLM难以胜任，而记忆智能体在提示下可解决，但现代LLM在无提示时无法自主识别记忆结构。
Comments Preprint, work in progress
ZipMoE：通过无损压缩和缓存亲和调度实现高效的设备端MoE服务
机构 * School of Electronic Science and Engineering, Nanjing University, China.（南京大学电子科学与工程学院） ； National Key Laboratory for Novel Software Technology, Nanjing University, China.（南京大学新型软件技术国家重点实验室）
专题命中 记忆与上下文管理 ：workflow(abstract)；分类 cs.AI、cs.LG
AI总结 提出ZipMoE系统，通过缓存-调度协同设计利用边缘设备硬件特性和MoE参数统计冗余，实现无损且高效的设备端MoE推理，显著降低延迟并提升吞吐量。
Comments ICML 2026
MedExpMem：适应经验记忆用于鉴别诊断
机构 * The Chinese University of Hong Kong（香港中文大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG
AI总结 提出MedExpMem经验记忆框架，通过存储和利用诊断失败中的判别经验，增强医学视觉语言模型的鉴别诊断能力，在放射学基准上最高提升7.0%准确率。
Comments MICCAI 2026 Early Accept. Submission Version
训练数据教会RL记忆体代理什么：记忆增强问答中课程效应的实证研究
机构 * Columbia University（哥伦比亚大学） ； Independent Researcher（独立研究者） ； Johns Hopkins University（约翰霍普金斯大学） ； Northeastern University（东北大学）
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.CL
AI总结 通过控制实验，研究训练课程（领域内、混合、领域外）对强化学习记忆体代理在记忆增强问答中的技能获取和专业化影响，发现课程组成作为专业化的细粒度杠杆，混合课程在整体F1上最优，而窄领域外课程可转移特定技能（如时间推理），并报告了将GRPO适配到单GPU环境的实用经验。
Comments 14 pages, 2 figures, 11 tables. Code, checkpoints, and evaluation artifacts available at https://github.com/EvaxHe/rl-memory-curriculum
基于方位测量的分布式一致性观测器设计用于目标状态估计
专题命中 记忆与上下文管理 ：agent(abstract)
AI总结 针对任意阶积分器链建模的目标，提出一种分布式一致性观测器，利用方位测量和通信网络实现目标跟踪，并给出指数稳定性条件。
LLM Agent工具调用流量中的内容感知攻击检测：特征、架构与评估协议的实证研究
机构 * Department of Computer Engineering, Duzce University（杜兹大学计算机工程系）
专题命中 Agent评测 ：agent(title,title_cn)；分类 cs.AI、cs.LG
AI总结 针对MCP工具调用流量，提出基于图神经网络的攻击检测框架，通过内容嵌入和任务分离评估协议，实现AUROC超过0.89的检测性能，并揭示随机分割评估导致的高估问题。
Comments v2: renamed manuscript (brand removed; descriptive title). No changes to methodology, results, tables, or figures
TwinRouterBench：面向现实智能体LLM路由的快速静态与实时动态评估
机构 * Gradient ； Soochow University（苏州大学） ； Independent Researcher（独立研究者） ； University of Southern California（南加州大学） ； Rice University（Rice大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Shanghai Jiao Tong University（上海交通大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of the Chinese Academy of Sciences（中国科学院大学） ； University of California, Los Angeles（加州大学洛杉矶分校）
专题命中 Agent评测 ：agentic(title)；agent(abstract)；分类 cs.AI、cs.LG
AI总结 提出TwinRouterBench基准，通过静态轨迹级前缀和动态智能体执行两轨，实现无需在线LLM评判的步骤级路由评估。
从原始经验到技能消费：模型生成智能体技能的系统研究
机构 * Fudan University（复旦大学） ； Microsoft Research（微软研究院） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 Agent评测 ：agent(title)；agentic(abstract)；分类 cs.AI
AI总结 本文系统研究了模型生成技能在语言智能体中的全生命周期（经验生成、技能提取、技能消费），通过构建效用评估框架发现技能平均有益但存在负迁移，并提出了元技能以提升技能质量。
VideoTemp-o3：在智能视频思考中协调时间定位与视频理解
机构 * Shandong University（山东大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Beihang University（北航） ； Southern University of Science and Technology（南方科技大学）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 提出VideoTemp-o3统一框架，通过联合建模视频定位与问答、设计统一掩码机制和专用奖励，解决长视频理解中采样效率低、定位弱和工作流僵化问题。
Comments ICML 2026
SciNet: 评估关系感知科学文献检索中的AI代理
机构 * Department of Electronic Engineering, BNRist, Tsinghua University, Beijing, China（电子工程系、BNRist、清华大学、北京、中国） ； Zhongguancun Academy（中关村学院）
专题命中 Agent评测 ：AI agent(title,abstract)；分类 cs.CL
AI总结 针对现有检索代理难以理解论文间复杂关系网络的问题，提出首个关系感知数据集SciNet，通过三类任务系统评估代理，发现准确率低于20%，但下游综述质量提升25.3%。
独轮车代理的Fermat-Weber位置问题的纯方位解
专题命中 Agent评测 ：agent(title,abstract)
AI总结 针对独轮车代理的非完整约束，提出纯方位控制律以解决Fermat-Weber位置问题，包括静止信标、饱和输入和移动信标情况，并通过仿真和实验验证有效性。
Comments This paper has been accepted for presentation at the 23rd IFAC World Congress
Journal ref 23rd IFAC World Congress 2026
温水煮青蛙：面向智能体安全的多轮基准测试
机构 * Icaro Foundation（Icaro基金会） ； Sapienza University of Rome（罗马萨皮恩扎大学） ； Sant’Anna School of Advanced Studies（圣安娜高级研究学校） ； Tongji University School of Law（同济大学法学院） ； AIQI Consortium（AIQI联盟） ； Università Cattolica del Sacro Cuore（圣心大学） ； Piccadilly Labs（皮卡迪利实验室） ； VU Amsterdam（阿姆斯特丹伏伊大学） ； Independent（独立）
专题命中 Agent评测 ：agentic(title)；分类 cs.CL
AI总结 提出一个多轮基准测试，评估工具使用AI模型在办公场景中对渐进式攻击的脆弱性，发现平均攻击成功率为44.4%。
GenAI驱动的威胁检测与Microsoft Security Copilot
机构 * Microsoft Security Research（微软安全研究）
专题命中 Agent评测 ：agent(abstract)；autonomous agent(abstract)；分类 cs.AI、cs.LG
AI总结 提出动态威胁检测代理（DTDA），结合统一活动时间线、版本化LLM提示合同、规划器-执行器调查循环和动态告警生成，在Microsoft Security Copilot中实现持续、可解释的威胁检测，在线评估精确率80.1%，离线F1分数0.78。
PACE：小型语言模型代理的双时间尺度自我进化
机构 * Amazon（亚马逊）
专题命中 Agent评测 ：agent(abstract)；tool-use(abstract)；分类 cs.LG
AI总结 提出PACE框架，通过双时间尺度协调低风险提示优化与高风险控制逻辑更新，使冻结的小型语言模型在无需权重更新或依赖前沿模型的情况下实现自主自我进化，在12个骨干-基准组合上取得最佳性能。
FastKernels：生产中GPU内核生成的基准测试
机构 * Snowflake AI Research（Snowflake AI研究院） ； CMU（卡内基梅隆大学） ； UCSD（加州大学圣地亚哥分校） ； Independent Researcher（独立研究者）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.CL、cs.LG
AI总结 针对现有基准与生产推理框架脱节的问题，提出FastKernels基准，包含46个代表性架构，覆盖96.2%的HuggingFace Transformers架构，并作为生产级推理框架，评估显示最强代理仅实现0.94倍加速，揭示基准-生产错位是关键瓶颈。
长上下文LLM中的位置失败：推理基准测试中的盲点
机构 * Beijing Jiaotong University（北京交通大学） ； Central South University of Forestry and Technology（中央林业科技大学）
专题命中 Agent评测 ：agentic(abstract)；分类 cs.AI、cs.CL、cs.LG
AI总结 通过提出上下文旋转评估（CRE）框架，系统控制任务位置、填充内容和上下文长度，揭示了长上下文推理基准测试中因任务位置变化导致的模型性能显著下降，并发现填充-答案干扰是主要错误模式。
Comments 20 pages, 1 figure, 23 tables
PrefBench：评估隐藏偏好个性化定价谈判中的零样本LLM智能体
机构 * University of Aberdeen（阿伯丁大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.CL、cs.LG
AI总结 提出PrefBench基准，通过隐藏偏好模拟评估零样本LLM智能体在个性化定价谈判中的利润表现，发现LLM虽能达成高交易率但利润远低于简单启发式方法。
Comments 24 pages, 3 figures, 5 tables. Code is available at https://github.com/ChaosTheProducer/PrefBench
AI 保证：企业 AI 系统的综合测试策略
机构 * Thoughtworks Technologies（Thoughtworks技术公司）
专题命中 Agent评测 ：autonomous agent(abstract)；分类 cs.AI、cs.SE
AI总结 本文针对基于大语言模型、检索管道和自主代理的企业 AI 系统，提出了一种以持续风险降低为核心、将评估作为核心工程学科、并关注组织影响的综合保证策略，包括结构化的 AI 故障分类法、五层 AI 保证金字塔以及评估驱动开发、RAG 系统测试、模型生命周期管理和治理的操作指南。
GradingAttack: 揭示基于LLM的教育评分代理中的安全漏洞
机构 * Guangdong Institute of Smart Education（广东智能教育研究院） ； Jinan University（济南大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.CL
AI总结 提出GradingAttack框架，通过token级和prompt级对抗攻击策略，系统评估基于LLM的教育评分代理的安全漏洞，发现其缺乏鲁棒防御。
空间流行病模拟中的奖励工程：个体行为学习的强化学习平台
机构 * Department of Computer Science University of British Columbia（计算机科学系，不列颠哥伦比亚大学） ； Department of Mathematics and Institute of Applied Mathematics University of British Columbia（数学系和应用数学研究所，不列颠哥伦比亚大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.LG
AI总结 提出ContagionRL平台，通过奖励函数设计系统评估空间流行病模拟中个体行为学习策略，发现势场奖励方法能有效提升非药物干预依从性和空间规避策略。
Comments 38 pages, 15 figures and 18 tables; Accepted to TMLR. OpenReview: https://openreview.net/forum?id=yPEASsx3hk
Journal ref Transactions on Machine Learning Research, 2026
检索是不够的：为什么组织AI需要认知基础设施
机构 * Kakashi Ventures Accelerator (KVA)（Kakashi Ventures加速器） ； Massachusetts Institute of Technology（麻省理工学院）
专题命中 Agent评测 ：AI agent(abstract)；分类 cs.AI
AI总结 本文提出OIDA框架，通过类型化知识对象、知识重力引擎和问题原语，解决组织AI中检索系统缺乏认知结构的问题，并引入认知质量评分（EQS）进行评估。
Comments 10 pages, 2 figures, 8 tables, 6 appendices
DART：结构化工具代理的语义可恢复性
机构 * MOS Intelligent Connectivity Technology Co. Ltd.（MOS智能连接技术有限公司） ； Sichuan Vocational College of Post and Telecom（四川邮电职业技术学院） ； East China Normal University（华东师范大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 针对结构化工具代理执行失败时局部恢复可能破坏下游已提交工作的语义一致性问题，提出DART运行时系统，通过形式化语义可恢复性并实施可接受性检查，在依赖和效果约束下选择安全的恢复点。
LACY: 基于视觉-语言模型的语言-动作循环用于自我改进的机器人操作
机构 * Department of Electrical and Computer Engineering, Univ. of Minnesota（电气与计算机工程系，明尼苏达大学）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 提出LACY框架，通过联合学习语言到动作、动作到语言和语言一致性验证三个任务，实现机器人操作的自我改进，平均任务成功率提升56.46%。
Comments Accepted to ICRA 2026. Project page: https://vla2026.github.io/LACY/
大型语言模型中意见动态的交互与偏差效应的分离
机构 * Max-Planck-Institute for Dynamics and Self-Organization（马克斯·普朗克动态与自组织研究所） ； Institute for the Dynamics of Complex Systems（复杂系统动力学研究所） ； University of Göttingen（哥廷根大学） ； Campus Institute for Dynamics of Biological Networks（校园生物网络动力学研究所）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 提出贝叶斯框架分离主题偏差、同意偏差和锚定偏差，分析LLM在多步对话中的意见轨迹，发现意见快速收敛至共享吸引子，且微调可改变吸引子位置。
从可穿戴设备和常规血液生物标志物预测胰岛素抵抗
机构 * Google Research（谷歌研究） ； Institute of Metabolic Science, University of Cambridge（剑桥大学代谢科学研究所）
专题命中 Agent评测 ：agent(abstract)；分类 cs.LG
AI总结 本研究利用可穿戴设备时间序列数据和血液生物标志物，通过深度神经网络模型预测胰岛素抵抗，在最大规模远程招募数据集上实现了优于单一数据源的性能，并展示了模型在肥胖和久坐人群中的高灵敏度及可解释性。
DDX-TRACE: 视觉语言模型中医学诊断轨迹的基准
机构 * Technical University of Munich（慕尼黑技术大学） ； TUM University Hospital（TUM大学医院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； LMU Munich（慕尼黑大学） ； Aalto University（阿尔托大学） ； Imperial College London（伦敦帝国学院）
专题命中 Agent评测 ：planning(abstract)
AI总结 提出DDX-TRACE基准，通过隐藏证据的多轮诊断轨迹评估VLM在神经放射学中的工作流质量，揭示最终诊断分数无法反映的推理缺陷。
Comments 41 pages
IntentionNav: 一种基于隐式人类指令的意图驱动目标导航基准
机构 * The University of Manchester（曼彻斯特大学） ； A*STAR ； Responsible AI Research Centre, Adelaide University（阿德莱德大学负责任人工智能研究中心） ； University of Bedfordshire（贝福德郡大学）
专题命中 Agent评测 ：agent(abstract)
AI总结 提出IntentionNav基准，通过隐式人类指令（如“我需要热一下食物”）驱动智能体推断目标物体并导航至其位置，实验表明当前模型在终端成功率和精确定位方面存在显著瓶颈。
Comments preprint
重绘AI地图：代理生态系统中责任边界的理论
机构 * University of Pittsburgh（匹兹堡大学）
专题命中 其他Agent ：agentic(title,abstract)；分类 cs.AI
AI总结 本文提出一种能力层面的理论，通过引入责任资产、验证成本和责任可转移性等概念，解释在代理生态系统中何时执行边界与责任边界可以分离，并识别出组件、集成和双轨三种边界策略及规则债务。
社交流畅的AI在在线互动中解耦对话信号与来源身份
机构 * School of Education, Tsinghua University（清华大学教育学院） ； Faculty of Information Technology, Monash University（墨尔本大学信息技术学院） ； Faculty of Education, The University of Hong Kong（香港大学教育学院）
专题命中 其他Agent ：AI agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 本研究通过同步文本群组交互实验，发现社交流畅的AI代理使人类无法高于随机水平区分AI与人类队友，且这种失败源于参与者依赖与真实身份弱相关的怀疑启发式，而非缺乏身份相关信息。
模型规范中期训练：改进对齐训练的泛化能力
机构 * Anthropic
专题命中 其他Agent ：agentic(abstract)；分类 cs.AI
AI总结 提出模型规范中期训练（MSM），通过在预训练后、对齐微调前用合成文档训练模型学习规范内容，从而引导模型从后续演示数据中泛化，有效降低代理失调率并提升对齐泛化能力。
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