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。
狐狸进鸡窝：针对强化学习的供应链后门攻击
机构 * School of Computing and Information Systems, University of Melbourne, Parkville, Australia（墨尔本大学计算机与信息系统学院，墨尔本，澳大利亚）
专题命中 记忆与上下文管理 ：agent(abstract)；workflow(abstract)；分类 cs.LG
AI总结 提出SCAB攻击，通过污染仅3%的训练经验即可激活超过90%的触发动作，使受害者平均每轮回报降低80%，揭示了强化学习供应链中的后门攻击风险。
Comments Forty-Third International Conference on Machine Learning (ICML2026)
量化理论上的AI对齐保证：贝叶斯说服中的接收者效用界
机构 * Cornell University（康奈尔大学）
专题命中 记忆与上下文管理 ：agent(abstract)；AI agent(abstract)；分类 cs.AI
AI总结 通过贝叶斯说服模型，研究AI发送者优化错位目标时，人类接收者仍能获得多少有用信息，证明接收者效用比不超过3/2，并给出紧性下界。
Comments 12 pages, EC 2026 Poster and EC 2026 Incentive-Based AI Alignment Workshop Poster
从不可信输入到可信内存：LLM智能体中内存投毒攻击的系统研究
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 记忆与上下文管理 ：agent(abstract)；AI agent(abstract)；分类 cs.AI
AI总结 本文系统研究了基于LLM的智能体中的内存投毒攻击，识别了四种内存写入通道和九种结构漏洞，提出了六类攻击的分类法，并设计了评估基准MPBench，发现更积极读写内存的智能体更易被利用，且现有提示注入防御无法覆盖内存投毒攻击。
GIST-CMTF：LLM代理中因果最小工具过滤的目标状态推断
机构 * Rahul Suresh Babu ； Rohit Shukla
专题命中 记忆与上下文管理 ：agent(abstract)；tool-use(abstract)；分类 cs.AI
AI总结 提出GIST-CMTF层，通过预测候选符号目标状态并估计歧义性，解决工具增强LLM代理因用户请求多义性导致的错误目标执行问题，在120个任务上达到97.0%成功率。
通过精简减少上下文状态智能体的令牌使用
专题命中 记忆与上下文管理 ：agent(abstract,abstract_cn)；分类 cs.SE
AI总结 本文复制并扩展了上下文状态智能体框架，通过代码精简技术减少输入令牌使用，在SWE-bench Verified基准上平均减少42%令牌，分辨率下降12个百分点。
Journal ref 2026 34th IEEE/ACM International Conference on Program Comprehension (ICPC 2026)
PISA：一种增强AI能动性的实用心理学启发统一记忆系统
机构 * Zhejiang University（浙江大学）
专题命中 记忆与上下文管理 ：agent(abstract)；AI agent(abstract)；分类 cs.AI
AI总结 受皮亚杰认知发展理论启发，提出PISA统一记忆系统，通过三模态适应机制（模式更新、演化、创建）和混合记忆访问架构，显著提升AI代理的适应性和长期知识保留。
MASS：基于记忆增强社会模拟的深度社会科学研究
机构 * The International Joint Institute of Tianjin University, Fuzhou, Tianjin University, China（天津大学福州国际联合学院） ； TJUNLP Lab, School of Computer Science and Technology, Tianjin University, China（天津大学计算机科学与技术学院TJUNLP实验室）
专题命中 记忆与上下文管理 ：agent(abstract)；planning(abstract)；分类 cs.AI
AI总结 提出MASS范式，通过动态目标路径规划、多学科行为数据集和艾宾浩斯遗忘机制增强社会模拟真实性，提升LLM生成研究的洞察力与创新性，整体质量提升6.81%，洞察力提升17.19%。
暗箱中的反射：在反射提示优化中揭示并逃离黑箱
机构 * University of California, Berkeley（加州大学伯克利分校） ； Huazhong University of Science and Technology（华中科技大学） ； Hefei University of Technology（合肥工业大学）
专题命中 记忆与上下文管理 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 本文提出VISTA框架，通过解耦假设生成与提示重写，实现可解释的提示优化，有效解决GEPA在缺陷种子下的性能下降问题。
Comments Accepted at ACL SRW 2026
AdMem: 面向任务求解智能体的高级记忆
机构 * Princeton University（普林斯顿大学） ； Amazon（亚马逊） ； Arm
专题命中 记忆与上下文管理 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 提出一种统一自动记忆框架，集成语义、情节和程序记忆，通过双层级设计和多智能体架构实现自动生成、奖励标注与自适应检索，提升长程多轮任务的鲁棒性和成功率。
AdaMEM：语言代理的测试时自适应记忆
机构 * Yunxiang Zhang（张 Yunxiang） ； Yiheng Li（李 Yiheng） ； Ali Payani（Payani Ali） ； Lu Wang（王 Lu）
专题命中 记忆与上下文管理 ：agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 提出AdaMEM框架，通过混合记忆架构（长期轨迹记忆+动态短期策略记忆）实现测试时自适应，无需在线更新参数，在ALFWorld、WebShop等任务上显著优于静态记忆基线。
Comments ICML 2026
通过参数化内存扩展自进化智能体
机构 * Alibaba Group（阿里巴巴集团） ； Peking University（北京大学）
专题命中 记忆与上下文管理 ：agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 提出TMEM框架，通过在线更新LoRA权重使智能体从经验中学习，从而在单轮交互中改变未来行为，并在多个基准上优于基于摘要和检索的方法。
拓展主动推断领域：感知-动作循环中的更多内在动机
机构 * Araya Inc.（Araya公司） ； Computational Creativity Group, Department of Computing, Goldsmiths, University of London（Goldsmiths大学计算创意小组） ； Game Innovation Lab, Department of Computer Science and Engineering, New York University（纽约大学游戏创新实验室） ； Sepia Lab, Adaptive Systems Research Group, Department of Computer Science, University of Hertfordshire（赫特福德大学计算机科学系Sepia实验室） ； Institute of Perception, Action and Behaviour, School of Informatics, The University of Edinburgh（爱丁堡大学信息学院感知、行为与行为研究所）
专题命中 记忆与上下文管理 ：agent(abstract)；autonomous agent(abstract)；分类 cs.AI
AI总结 本文探讨主动推断中是否可利用其他内在动机替代原有动机，同时保持核心机制，并通过形式化方法连接通用强化学习。
Comments 53 pages, 6 figures, 2 tables
ESBMC：形式化软件验证的演化、集成与未来方向综述
专题命中 记忆与上下文管理 ：AI agent(abstract)；agentic(abstract)；分类 cs.SE
AI总结 本文综述了ESBMC从研究原型发展为工业级形式化验证平台的过程，涵盖其技术演进、语言支持扩展、与LLM及AI代理的集成，并总结了其获奖、经济影响及未来挑战。
Comments 42 pages
LRAgent: 面向多LoRA LLM代理的高效KV缓存共享
机构 * KAIST（韩国科学技术院）
专题命中 记忆与上下文管理 ：agent(abstract)；agentic(abstract)；分类 cs.LG
AI总结 针对多LoRA代理系统中每个代理独立存储相同长轨迹的KV缓存导致内存和计算开销大的问题，提出LRAgent框架，通过将缓存分解为共享基座部分和适配器依赖部分，并利用共享A的多LoRA架构和Flash-LoRA-Attention内核，实现高效共享，在保持精度的同时显著降低开销。
Comments 25 pages, 10 figures, 22 tables
Journal ref ICML 2026 Poster
ExpGraph: 面向LLM智能体的模型无关经验学习与图结构记忆
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Nanyang Technological University（南洋理工大学） ； Meta Monetization AI（Meta 营收人工智能）
专题命中 记忆与上下文管理 ：tool use(abstract)；agentic(abstract)；分类 cs.CL
AI总结 提出ExpGraph框架，通过图结构记忆和强化学习实现冻结LLM执行器的外部经验复用，在问答、数学推理、代码生成和多步智能体任务上显著提升性能并减少交互步骤。
种植、持久化、触发：针对大语言模型智能体的潜伏攻击
机构 * University of Science and Technology of China（中国科学技术大学） ； National University of Singapore（新加坡国立大学） ； Singapore Management University（新加坡管理学院） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
专题命中 记忆与上下文管理 ：agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 提出潜伏攻击（Sleeper Attack），即攻击者将对抗性内容注入智能体状态并持久化，在后续交互中被良性用户查询触发，导致有害行为；构建包含1896个实例的基准测试，实验表明当前最强LLM智能体仍易受此类攻击。
记忆诱导的深度强化学习代理在最优交易执行中的超竞争性结果
机构 * Institute of Finance and Technology, University College London（金融与技术研究所，伦敦大学学院） ； UZH Blockchain Center（苏黎世大学区块链中心）
专题命中 记忆与上下文管理 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 本文研究了在共享的最优执行环境中交互的深度强化学习代理是否能维持超竞争性结果，即在实现短损方面优于博弈论竞争基准。研究了一个双代理阿尔梅伦-克里斯特流动性清算游戏，并探讨了学习行为如何依赖于回合内环境反馈、解读中间价格的能力以及代理对过去的了解。我们首先使用事前调度学习代理来去除回合内反馈，以确定当代理在执行开始前承诺完成清算轨迹时会发生什么。然后允许代理使用多种DDQN架构根据演进的状态进行条件判断。我们发现，当代理能够访问回合内历史，特别是近期价格和自身过去行为时，超竞争性结果变得更加频繁和持久。这些发现表明，这种执行游戏中的超竞争性行为并非由多代理学习或当前价格观察单独驱动，而是由反馈、记忆和沿实际执行路径的状态依赖性交互驱动。
NeuSymMS：一种混合神经符号记忆系统，用于持久、自管理的LLM代理
机构 * iVedha Corporation（iVedha公司） ； MLSoft Inc.（MLSoft公司）
专题命中 记忆与上下文管理 ：agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 NeuSymMS通过混合神经符号架构，使LLM代理能够在多个会话中学习、记忆和推理用户信息，其核心方法是结合神经网络的事实提取和基于CLIPS的专家系统，主要贡献是提出了一个支持自管理记忆的双视野记忆模型。
Comments 7 pages
Auto-Dreamer：学习离线记忆巩固用于语言智能体
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）
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
Traj-CoA：通过链式代理进行患者轨迹建模用于肺癌风险预测
机构 * University of Washington（华盛顿大学） ； Fred Hutch Cancer Center（Fred Hutch癌症中心） ； Harvard University（哈佛大学） ； Google（谷歌）
专题命中 记忆与上下文管理 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 Traj-CoA通过链式代理系统处理电子健康记录数据，减少噪声并保留完整时间线，从而在肺癌风险预测中优于基线方法。
Comments Accepted by NeurIPS 2025 GenAI4Health Workshop
有用的记忆在由LLMs持续更新时会变得错误
机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； 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)；agentic(abstract)；分类 cs.AI
AI总结 研究发现，即使基于有用经验，LLM生成的记忆在持续更新后可能失效，建议将原始事件作为首要证据并明确控制记忆巩固过程。
GenCellAgent：基于大语言模型代理的通用、无需训练的细胞图像分割
机构 * Artificial Intelligence Department, Brookhaven National Laboratory, Upton, 11973, NY, US（1 人工智能部门，布鲁赫萨尔国家实验室，乌普顿，11973，纽约，美国） ； National Synchrotron Light Source II, Brookhaven National Laboratory, Upton, 11973, NY, US（2 国家同步辐射光源II，布鲁赫萨尔国家实验室，乌普顿，11973，纽约，美国） ； Biology Department, Brookhaven National Laboratory, Upton, 11973, NY, US（3 生物学部门，布鲁赫萨尔国家实验室，乌普顿，11973，纽约，美国）
专题命中 记忆与上下文管理 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 GenCellAgent通过规划-执行-评估循环实现无需训练的细胞图像分割，自动分配最佳工具并支持文本引导分割，优于现有方法且减少标注负担。
Comments 43 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。
预测与赋能：通过桥接接口的代理理论
专题命中 记忆与上下文管理 ：agent(abstract)；AI agent(abstract)；分类 cs.AI
AI总结 本文研究了在确定性物理或模拟世界中部分可观测性下的代理问题，通过桥接接口模型，证明了预测、压缩和赋能之间的分离关系，并提出了一种设计原则以区分隐藏状态识别、接口细化、任务相关可控性和简单覆盖控制。
Comments This is a working draft: feedback and criticism is most welcome
符号执行与多LLM协调：在不完整的Rust CVE代码片段中检测内存漏洞
专题命中 记忆与上下文管理 ：agent(abstract)；planning(abstract)；分类 cs.SE
AI总结 本文提出结合符号执行（KLEE）与四代理多LLM架构，解决不完整代码问题，通过协作合成可编译的KLEE测试用例，检测Rust不安全代码中的内存漏洞，实现90.3%的测试用例编译成功率，检测到1,206个关键错误。
Comments 11 pages, 1 figure, to be published in : Ease 2026 The 6th International Workshop on Software Security Engineering
VimRAG：通过多模态记忆图导航大规模视觉上下文
机构 * Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团）
专题命中 记忆与上下文管理 ：agent(abstract)；agentic(abstract)；分类 cs.CL
AI总结 VimRAG通过多模态记忆图提升检索增强生成在处理大规模视觉上下文中的能力，采用动态有向无环图结构和图调制视觉记忆编码机制，实现高效的信息检索与推理。
超越状态一致性：文本基础世界模型中的行为一致性
机构 * Dalian University of Technology（大连理工大学） ； MBZUAI ； Peking University（北京大学） ； Microsoft（微软）
专题命中 记忆与上下文管理 ：agent(abstract)；planning(abstract)；分类 cs.LG
AI总结 本文提出行为一致性训练方法，通过改进世界模型与真实环境的功能一致性，提升长期对齐效果，实验显示在WebShop和TextWorld中表现优异，同时保持单步预测质量。
Comments 20 pages, 2 figures
ReflectCAP: 基于反思记忆的详细图像描述
机构 * IPAI, Seoul National University（首尔国立大学IPAI） ； Dept. of ECE, Seoul National University（首尔国立大学电子与计算机工程系） ； Adobe Research（Adobe研究）
专题命中 记忆与上下文管理 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI
AI总结 ReflectCAP通过反思笔记指导生成详细且准确的图像描述，平衡事实性和覆盖性，优于现有方法。
基于约束的纠正记忆：用于基于语言的药物发现代理
机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Advanced Interdisciplinary Sciences, University of Chinese Academy of Sciences（中国科学院大学先进交叉科学学院）
专题命中 记忆与上下文管理 ：agent(abstract)；planning(abstract)；分类 cs.AI
AI总结 本文提出CACM框架，通过精确的集合级诊断和简洁的记忆写回机制，提升语言基药物发现代理的可靠性，实验表明其在目标级成功率提升36.4%。
ActionNex：云计算中的虚拟故障管理器
机构 * Microsoft PRIMO（微软PRIMO） ； Microsoft Research（微软研究院） ； Microsoft Azure Core（微软Azure Core）
专题命中 记忆与上下文管理 ：agent(abstract)；agentic(abstract)；分类 cs.AI
AI总结 本文提出ActionNex，一个生产级智能系统，通过多模态信号处理和分层记忆子系统，实现故障管理的端到端支持，包括实时更新、知识蒸馏和基于角色和阶段的最优行动推荐，实验表明其在真实Azure故障中达到71.4%的精度和52.8-54.8%的召回率。
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