AI Agent

MemRefine: LLM-Guided Compression for Long-Term Agent Memory

MemRefine: 基于LLM引导的压缩用于长期智能体记忆

Minjae Kim, Jinheon Baek, Soyeong Jeong, Sung Ju Hwang

机构 * Korea University（韩国大学） ； KAIST（韩国科学技术院） 纠错

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

AI总结 提出MemRefine框架，利用LLM判断事实内容，通过删除、合并和保留操作将记忆库压缩到固定预算内，在多个基准上保持下游性能并优于基于规则的基线。

Vision-Language-Action Models Meet World Models: Embodied Agentic AI for Low-Altitude Wireless Networks

视觉-语言-动作模型遇见世界模型：面向低空无线网络的具身智能体AI

Feibo Jiang, Li Dong, Lei Mao, Kezhi Wang, Cunhua Pan, Dong In Kim, Naofal Al-Dhahir

专题命中 记忆与上下文管理 ：agentic(title,abstract)

AI总结 提出具身智能体无人机框架，以VLA模型为核心实现端到端决策，引入世界模型建模环境动态，通过记忆与反射机制形成闭环优化，实现低空无线网络的鲁棒自主控制。

FACET: Preserving Source Intent and Executable State in Terminal Task Synthesis

FACET：在终端任务合成中保留源意图与可执行状态

Kou Shi, Zun Wang, Qisheng Su, Shiting Huang, Ziao Zhang, Zhen Fang, Qingnan Ren, Jin Liu, Yu Zeng, Yiming Zhao, Lin Chen, Zehui Chen, Feng Zhao

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Fudan University（复旦大学） 纠错

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

AI总结 FACET是保留源意图与可执行状态的终端任务合成框架，可生成高质量任务并提升Terminal-Bench 2.1上的智能体微调性能，为任务合成提供关键原则。

Comments https://stokou.github.io/FACET-Terminal/

What Gets Lost When Memory Becomes Media? Evaluating AI-Generated Oral History Visualization

当记忆成为媒介时会失去什么？评估人工智能生成的口述历史可视化

Kwangsuk Park, Jaehyun Koo, Jiyeon Lee, Anjung Tan, Hyoungchul Park

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

AI总结 研究散居海外者口述历史可视化中记忆变媒介时的问题，基于口述历史理论设计指标，比较两种管道，发现场景规划与叙事保留冲突，提出基于失败模式的评估框架、冲突分析及系统选择路由协议。

Comments Accepted at ICML 2026 Workshop on Culture x AI: Evaluating AI as a Cultural Technology

Can Agent Memory Systems Track Evolving State?

智能体记忆系统能否追踪演化状态？

Xinyi Fan, Miri Liu, Ruozhen Yang, Siru Ouyang, Jiawei Han

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

AI总结 该研究针对LLM智能体记忆系统的状态追踪能力不足问题，构建StateMemBench基准，提出StateMem方法，可显著提升当前状态准确率，且作为轻量包装器适配现有系统。

Agentic Anomaly Detection with ORCA-Style Dynamic Inductive Bias Adaptation in Multimodal Wearable Time Series Data

基于ORCA风格动态归纳偏差自适应的多模态可穿戴时间序列智能体异常检测

Anushka Roy, Jyotirmoy Singh, Shreea Bose, Chittaranjan Hota

机构 * BITS Pilani（皮尔尼理工学院） 纠错

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

AI总结 该研究针对资源受限的非平稳生理时间序列异常检测问题，提出ORCA框架，通过监督控制器动态调整时间感受野，在WBAN和MIMIC-IV数据集上实现稳健性能，无需预调时间范围。

MemTxn: A Transaction Boundary for Source-Supported Updates and Complete-State Recovery in Agent Memory

MemTxn：智能体记忆中源支持更新与完整状态恢复的事务边界

Hanshuai Cui, Zhiqing Tang, Zhi Yao, Fanshuai Meng, Qianli Ma, Weijia Jia

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

AI总结 针对大语言模型智能体持久内存错误问题，提出MemTxn治理层，通过Ordered PatchTest等组件实现可靠更新与恢复，在多个基准测试中性能优于现有方法。

Learning What Not to Forget: Long-Horizon Agent Memory from a Few Kilobytes of Learning

学习不忘：从几KB学习的长时程智能体记忆

Nusrat Jahan Lia, Aritra Mazumder

机构 * University of Utah（犹他大学） 纠错

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

AI总结 提出LRE（学习相关性驱逐）方法，通过轻量级评分器保留历史中的关键信息，在匹配预算下精度优于无驱逐基线，减少峰值上下文大小52%，并解决循环任务。

Causal-AgentIR: Self-Evolving Causal Memory for Adaptive Image Restoration Agents

因果智能体图像恢复：用于自适应图像恢复智能体的自进化因果记忆

Hu Gao, Yulong Chen, Lizhuang Ma

机构 * Shanghai Jiao Tong University（上海交通大学） ； Harbin Institute of Technology（哈尔滨工业大学） 纠错

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

AI总结 针对图像恢复智能体知识存储局限，提出Causal-AgentIR框架，通过构建结构化因果记忆图及协作系统，支持智能体进行因果推理，依质量变化和反馈调整恢复经验，有效提升图像恢复能力。

RippleMem: From Isolated Retrieval to Associative Recollection for Long-Term Agent Memory

RippleMem：从孤立检索到智能体长期记忆的关联回忆

Jingbo Ji, Lingyi Li, Xilong Cheng, Yuhao Zhou, Wenji Zhang, Yuting Tan, Yunxiao Qin

机构 * Communication University of China（中国传媒大学） ； Zhilian Yinghe Technology Co., Ltd.（智联映和科技有限公司） ； State Key Laboratory of Media Convergence and Communication（媒体融合与传播国家重点实验室） 纠错

专题命中 记忆与上下文管理 ：agent(title)；分类 cs.CL

AI总结 RippleMem是一种智能体长期记忆系统，以自适应关联回忆替代孤立检索，在LoCoMo、LongMemEval-S数据集上提升LLM-as-a-Judge准确率并降低图构建成本，性能优于现有方法。

Comments 22 pages, 4 figures

Total Recall at What Cost? Benchmarking the Serving Cost of Agentic Memory Systems

全量召回的代价是什么？智能体记忆系统的服务成本基准测试

Natchanon Pollertlam, Witchayut Kornsuwannawit

机构 * Bricks Technology（布里克科技） 纠错

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

AI总结 本研究基准测试 Mem0 等三种智能体记忆系统的服务成本，对比固定窗口与全量重发策略，发现其成本受内部行为驱动，且无系统同时在成本与准确率上占优。

Comments 11 pages, 2 figures, 8 tables

Video-DeepResearch: Towards the Next-Generation Multimodal Deepresearch Agent

Video-DeepResearch：迈向新一代多模态深度研究智能体

Zhen Fang, Yu Zeng, Wenxuan Huang, Yiming Zhao, Shiting Huang, Tianfei Ren, Qi Lu, Qingnan Ren, Qisheng Su, Lionel Z. Wang, Qingyu Yin, Shuang Chen, Zehui Chen, Lin Chen, Zhenfei Yin, Yao Hu, Shaohui Lin, Wanli Ouyang, Shaosheng Cao, Feng Zhao

专题命中 记忆与上下文管理 ：agent(title)；分类 cs.AI

AI总结 该研究提出Video-DR智能体框架，通过解耦感知-探索流水线与分阶段工具解锁解决现有多模态模型的模态偏差和知识泄漏问题，构建基准并在视频问答任务上取得SOTA性能。

Agentic Context Learning with Self-Discovered Specification

通过自我发现的规范进行智能体上下文学习

Jike Zhong, Ming Li, Yuxiang Lai, Ziyan Yang, Jingyu Xie, Jihyung Kil, Zheda Mai, Shao-Yuan Lo, Ren Xiang, Konstantinos Psounis, Yuanyuan Lei

机构 * University of Southern California（南加州大学） ； University of Florida（佛罗里达大学） ； Emory University（埃默里大学） ； Adobe Research（Adobe研究院） ； The Ohio State University（俄亥俄州立大学） ； National Taiwan University（国立台湾大学） 纠错

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

AI总结 研究上下文学习困难的原因，发现其不仅需内容获取还需规范获取。设计PSCI干预措施，提取并强化局部规范，在多个模型上取得显著提升，验证了规范获取的重要性，表明上下文学习依赖内容与规范获取。

A-TMA: Decoupling State-Aware Memory Failures in Long-Term Agent Memory

A-TMA: 解耦长期智能体记忆中的状态感知记忆故障

Zitong Shi, Yixuan Tang, Anthony Kum Hoe Tung

机构 * National University of Singapore（新加坡国立大学） 纠错

专题命中 记忆与上下文管理 ：agent(title)；分类 cs.AI

AI总结 针对长期记忆中状态不一致导致的幽灵记忆问题，提出A-TMA方法，通过状态感知覆盖层在存储、检索和回答三个层面解耦故障，在冲突密集基准上显著提升时间F1。

Compressing Observation History into Agent Memory: Distilling Transformers into Recurrent Transformers

将观察历史压缩为智能体记忆：将Transformer蒸馏为循环Transformer

Philippe Weinzaepfel, Christian Wolf, Bülent Mert Sariyildiz, Guillaume Bono, Gianluca Monaci

机构 * Naver Labs Europe 纠错

专题命中 记忆与上下文管理 ：agent(title)；分类 cs.LG

AI总结 提出蒸馏方法，将全历史Transformer的压缩策略迁移至循环Transformer，通过瓶颈表示监督学生模型记忆，缩小性能差距并实现线性时间复杂度。

Learning What to Remember: A Cognitively Grounded Multi-Factor Value Model for Agentic Memory

学习该记住什么：一种基于认知的多因素记忆价值模型

Zhibao Chen, Qian Cheng

机构 * Huatai Securities（华泰证券） ； OneBeget.com 纠错

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

AI总结 针对长期LLM代理的记忆管理问题，提出一种基于认知心理学的多因素记忆价值函数，通过无梯度优化学习权重，统一控制编码深度、遗忘风险和检索排名，在LongMemEval上显著优于单一因素和近因策略。

Comments 11 pages, 3 figures

Marginal Advantage Accumulation for Memory-Driven Agent Self-Evolution

边际优势累积用于记忆驱动智能体自我进化

Mingyu Yang, Keye Zheng, Congchao Cheng, Yujie Liu, Xingkang Lu, Fan Jiang, Yefei Zheng

机构 * Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团） 纠错

专题命中 记忆与上下文管理 ：agent(title)；分类 cs.LG

AI总结 针对批量式轨迹蒸馏中跨批次证据缺失问题，提出边际优势累积（MAA）方法，通过差分信号构造、指数移动平均累积和语义身份合并，在16个设置中14个取得最佳结果，优化阶段token消耗减少约75%。

Comments 26 pages, 4 figures, 10 tables, 42 references

MemSlides: A Hierarchical Memory Driven Agent Framework for Personalized Slide Generation with Multi-turn Local Revision

MemSlides：一种用于个性化幻灯片生成与多轮局部修订的层次化记忆驱动智能体框架

Ye Jin, Yangyang Xu, Jun Zhu, Yibo Yang

机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Tsinghua University（清华大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 记忆与上下文管理 ：agent(title)；分类 cs.CL

AI总结 提出MemSlides层次化记忆框架，通过分离长期记忆（用户画像和工具记忆）与工作记忆，结合局部修订机制，实现个性化幻灯片生成中的用户偏好保持、多轮修订和可靠局部编辑。

Comments Code, website, project page, and video are linked in the paper

Controlled Memory Interference in Continual LLM Agents

持续大型语言模型智能体中的可控记忆干扰

Ao Ding, Hongzong LI, Shiqin Tang, Li Zhang, Liang Chen, Xuyang Chen, Zi Liang

机构 * China University of Geosciences (Beijing)（中国地质大学（北京）） ； Northwestern Polytechnical University（西北工业大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Chinese Academy of Sciences（中国科学院） ； The Hong Kong Polytechnic University（香港理工大学） ； École polytechnique fédérale de Lausanne（洛桑联邦理工学院） ； National University of Singapore（新加坡国立大学） 纠错

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

AI总结 本研究提出可控记忆干扰（CMI）框架，揭示记忆进化受经验相互作用影响，为持续大型语言模型智能体的记忆系统提供诊断与学习方法，提升记忆更新区分度与任务性能。

SERUM: State Extraction and Refinement for User Modeling

SERUM：面向用户建模的状态提取与优化

Andy J. Phu, James Mooney, Karin de Langis, Khanh Chi Le, Dongyeop Kang

机构 * University of Minnesota（明尼苏达大学） 纠错

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

AI总结 SERUM是首个无需人工标注即可从非结构化自我中心屏幕视频生成可解释过程模型的多阶段框架，经61段跨领域视频验证，其优化后的标签在马尔可夫模型预测与人工评估中均表现优异，为用户建模提供了可扩展方案。

Albilich: Steerable Proof-State Orchestration for LLM-Based Mathematical Research with CAS Integration

Albilich：用于结合计算机代数系统（CAS）的基于大语言模型的数学研究的可操控证明状态编排工具

Ting Gong, Michael Ruofan Zeng, Yong Yang

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

AI总结 Albilich是结合CAS等功能的开源数学自主研究智能体框架，在RealMath基准和Kourovka开放问题上取得优异效果，可实现AI辅助的可扩展数学研究。

Comments 7 pages, comments welcome!

RSMeM: Knowledge-Enhanced Memory Evolution for Remote Sensing Agents with Systematic Evaluation

RSMeM：用于遥感智能体的知识增强记忆进化及系统评估

Bingxian Wu, Yu Zhang, Zonghao Guo, Tang Liu, Chen Qian, Yuxiang Lu, Xingbo Du, Yanghao Li, Yidan Zhang, Chi Chen, Ling Yao, Maosong Sun

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

AI总结 研究针对现有遥感智能体问题，提出RSMeM机制，通过分层知识基础和失败感知经验提炼两个组件，迭代吸收领域知识转化为执行经验，经实验验证能提升工具使用性能和答案质量，具有强大知识密度。

Comments Accepted to ACL 2026 Main. Code: https://github.com/AI9Stars/RSMeM

CatalogAgent: A Supervisor-mediated Self-Learning System Enabling Context Engineering for GenAI Models

CatalogAgent：一种由监督者介导的自学习系统，实现生成式人工智能模型的上下文工程

Zhu Cheng, Zhenming Wang, Yu, Tang, Dan Liu, Bryan Zhang, Athanasios N. Nikolakopoulos, Pranav Souri Itabada, Jing Zhang, Chih-Chi Chou, Peng Gao, Fatemeh Mansoori, Bharat Bojja, Sarath Chander, Sameer Thombare, Umit Batur, Tarik Arici

机构 * Amazon（亚马逊） 纠错

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

AI总结 研究电商产品目录结构化属性缺失值预测问题，提出CatalogAgent系统，通过监督者调解冲突、记忆库和汇总器实现自学习，经上下文工程将监督者能力转移到生成器和评估器，有效提升其性能。

Track, Rank, Crack: Epistemic Working Memory Scales Multi-Hop Reasoning in Language Agents

追踪、排序、决断：认知工作记忆对语言智能体中的多跳推理进行衡量

Ning Liu

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

AI总结 研究语言智能体多跳推理链变长性能下降问题，提出SLEUTH方法通过结构化认知工作记忆提升推理，经实验优势随难度增加，还发现证据充分性问题及解决办法，表明组织推理方式是扩展多跳推理关键。

All Explanations are Wrong, But Many Are Useful: Exploring the Rashomon Explanation Set with Large Language Models

所有解释都是错误的，但许多解释是有用的：用大语言模型探索罗生门解释集

Pan Li

机构 * Scheller College of Business, Georgia Tech（舍勒商学院，佐治亚理工学院） 纠错

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

AI总结 研究指出机器学习模型解释存在准确性与可解释性权衡非根本性的观点，引入罗生门解释范式，提出RashomonLLM工作流程，经实验验证其在多任务中显著优于基线，提升业务性能并奠定消费者信任基础。

Hybrid Open-Ended Tri-Evolution Makes Better Deep Researcher

混合开放式三重进化打造更优深度研究者

Hongming Piao, Chi Liu, Mengzhuo Chen, Yan Shu, Xidong Wang, Derek Li, Ying Wei, Bryan Dai

机构 * IQuest Research ； Zhejiang University（浙江大学） 纠错

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

AI总结 提出混合开放式三重进化框架，通过混合模式强化学习协同进化提议者、求解者和评判者，使8B模型在深度研究任务上超越静态开源8-32B模型及先进训练方法。

Semantic Quorum Assurance: Collective Certification for Non-Deterministic AI Infrastructure

语义法定数保证：面向非确定性AI基础设施的集体认证

Jun He, Deying Yu

机构 * OpenKedge.io 纠错

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

AI总结 提出语义法定数保证（SQA），一种通过多样化验证者群体和风险自适应法定数谓词，将非确定性LLM代理的不安全操作批准率从18.5%降至0.3%的控制平面原语。

Comments 21 pages, 2 figures, 6 tables

Rosetta Memory: Adaptive Memory for Cross-LLM Agents

Rosetta Memory: 跨LLM智能体的自适应记忆

Hao Yang, Shiqi Shen, Haoxuan Li, Zhipeng Wang, Zhi Gong, Xu Chen

机构 * Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院） ； Weixin, Tencent（腾讯微信） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

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

AI总结 提出记忆中心式LLM自适应方法，通过双轮廓条件算子与最小增益采样课程，解决上游记忆激活下游LLM的跨模型适应问题，在多项QA任务中优于基线。

Comments 19 pages, 7 figures

IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval

IFCMemoryBench：评估基于大语言模型（LLM）的智能体在建筑信息模型（BIM）信息检索中的长期记忆能力

Changyu Du, Alexander Vosseler, Filippo Mazza, André Borrmann

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

AI总结 本文推出IFCMemoryBench基准，评估基于LLM的智能体在BIM信息检索中的长期记忆，发现现有通用记忆系统在该场景下表现差，存在领域迁移差距。

Comments KDD 2026 Workshop on Evaluation and Trustworthiness of Agentic AI

State-dependent error correlations shape voting thresholds in committees of AI agents

状态依赖误差相关性塑造人工智能代理委员会中的投票阈值

Haifeng Li, Mo Hai

专题命中 记忆与上下文管理 ：AI agent(title)

AI总结 研究人工智能代理委员会投票阈值，结合萨赫 - 斯蒂格利茨筛选与误差依赖性，通过齐次可交换高斯 - copula模型及对大量投票数据的估计，发现考虑依赖关系可提升相关系数、降低损失，改进投票阈值选择。