AI Agent

SwiftMem: Fast Agentic Memory via Query-aware Indexing

SwiftMem: 通过查询感知索引实现快速代理记忆

Anxin Tian, Yiming Li, Xing Li, Hui-Ling Zhen, Lei Chen, Xianzhi Yu, Zhenhua Dong, Mingxuan Yuan

机构 * Huawei, Hong Kong（华为（香港）） 纠错

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

AI总结 SwiftMem通过查询感知索引实现快速代理记忆，提升检索效率并降低延迟，适用于实际部署的内存增强LLM代理。

Ground Truth First: A Longitudinal Evaluation Instrument for Agent Memory, and the Tenure Crossover in Memory-Architecture Rankings

真实优先：智能体记忆的纵向评估工具及记忆架构排名中的任期交叉

Quentin Spencer

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

AI总结 研究大型语言模型智能体记忆基准问题，提出颠倒流程的评估方法，通过合成虚构语料库嵌入新特征，对五种记忆架构基准测试，发现排名随历史长度反转，分层架构表现最佳，发布开源库Veracium。

Comments 25 pages, 2 figures. Code: https://github.com/veracium-ai/Veracium

AgentKVShift: Efficient KV Cache Reuse for Agentic Memory Systems

AgentKVShift：用于智能体记忆系统的高效KV缓存重用

Nilesh Prasad Pandey, Jason Kong, Lanxiang Hu, Quanling Zhao, Yujie Zhao, Onat Gungor, Hao Zhang, Tajana Rosing

机构 * University of California, San Diego（加利福尼亚大学圣地亚哥分校） 纠错

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

AI总结 研究针对内存增强语言模型智能体推理成本高的问题，提出无训练、探针引导的AgentKVShift方法，通过估计内存级偏移量校正重用令牌，在多语言模型和基准测试中表现出色，实现低重新计算量和预填充加速，还能与缓存量化正交组合提升性能。

Replacing Tunable Parameters in Weather and Climate Models with State-Dependent Functions using Reinforcement Learning

用强化学习替代天气和气候模型中的可调参数以状态依赖函数

Pritthijit Nath, Sebastian Schemm, Henry Moss, Peter Haynes, Emily Shuckburgh, Mark J. Webb

机构 * Department of Applied Mathematics and Theoretical Physics, University of Cambridge（剑桥大学应用数学与理论物理系） ； School of Mathematical Sciences, Lancaster University（兰卡斯特大学数学科学学院） ； Department of Computer Science and Technology, University of Cambridge（剑桥大学计算机科学与技术系） ； Met Office Hadley Centre（英国气象局哈德利中心） 纠错

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

AI总结 本文通过强化学习在线学习天气和气候模型中的参数方案，展示了在简化测试环境中，强化学习在气候偏差校正、辐射-对流平衡和纬向平均能量平衡模型中的应用，证明了强化学习在改进模型性能方面的有效性。

Comments 79 pages, 24 figures

Journal ref Journal of Advances in Modeling Earth Systems (JAMES) 18 (8), e2026MS005745

AI-Integrated Scientific Inquiry: A Practice-Centered Vision for Science Education

人工智能集成的科学探究：以实践为中心的科学教育愿景

Arne Bewersdorff, Matias Rojas, Xiaoming Zhai

机构 * AI4STEM Education Center, University of Georgia（AI4STEM教育中心，佐治亚大学） 纠错

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

AI总结 探讨人工智能融入科学教育问题，提出将其视为科学仪器，学生在科学实践中使用，以实现真实探究与培养相关素养。聚焦探究核心介绍相关仪器示例，强调仪器应有反思点，并阐述智能代理人工智能的表示及学生学习基础。

Comments Preprint

Active few-shot segmentation by reinforcing data selection

通过强化数据选择实现主动少样本分割

Chenlan Zhao, Benny Wong, Timothy F. Lundberg, Ahmed M. Elsayed, Abdallah Aljarkas, Hamad A. Aljamaan, Lynn Karam, Qianye Yang, Yipeng Hu, Claire C. Villette, Shaheer U. Saeed

机构 * Centre for Bioengineering, School of Engineering and Materials Science, Queen Mary University of London（伦敦玛丽女王大学工程与材料科学学院生物工程中心） ； Digital Environment Research Institute, Queen Mary University of London（伦敦玛丽女王大学数字环境研究所） ； UCL Hawkes Institute（伦敦大学学院UCL霍克斯研究所；医学物理与生物医学工程系） ； Department of Medical Physics and Biomedical Engineering, University College London（耶鲁大学生物与生物医学科学系） ； Department of Biological and Biomedical Sciences, Yale University（牛津大学工程科学系生物医学工程研究所） ； Institute of Biomedical Engineering, Department of Engineering Science, University of Oxford 纠错

专题命中 记忆与上下文管理 ：agent(abstract)

AI总结 研究少样本医学图像分割中支持集选择问题，提出强化学习框架，智能体直接预测最大化下游分割性能的支持集，实验表明该方法优于随机选择和现有方法，凸显支持集互补性及强化学习的潜力。

Comments Accepted at EMA4MICCAI 2026 - The 2nd MICCAI Workshop on Efficient Medical AI