语言大模型 / LLM

GATSim: Urban Mobility Simulation with Generative Agents

GATSim: 基于生成代理的都市交通模拟

Qi Liu, Can Li, Wanjing Ma

机构 * Key Laboratory of Road and Traffic Engineering of the Ministry of Education, College of Transportation, Tongji University（教育部交通工程重点实验室，交通学院，同济大学） 纠错

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.AI

AI总结 GATSim通过生成代理模拟都市交通，结合认知系统与多尺度反思过程，实现对复杂出行行为的高效建模与真实交通模式的生成。

Graph-based Agent Memory: Taxonomy, Techniques, and Applications

基于图的智能体记忆：分类、技术与应用

Chang Yang, Chuang Zhou, Yilin Xiao, Su Dong, Luyao Zhuang, Yujing Zhang, Zhu Wang, Zijin Hong, Zheng Yuan, Zhishang Xiang, Shengyuan Chen, Huachi Zhou, Qinggang Zhang, Ninghao Liu, Jinsong Su, Xinrun Wang, Yi Chang, Xiao Huang

机构 * The Hong Kong Polytechnic University（香港理工大学） ； School of Information（信息学院） ； Xiamen University（厦门大学） ； School of Computing and Information Systems（计算与信息学院） ； Singapore Management University（新加坡国立管理学院） ； School of Artificial Intelligence（人工智能学院） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文系统综述了基于图的智能体记忆，涵盖分类、关键技术、应用及挑战，旨在推动更高效可靠的图基智能体记忆系统发展。

AI Agent Systems for Supply Chains: Structured Decision Prompts and Memory Retrieval

供应链中的AI代理系统：结构化决策提示与记忆检索

Konosuke Yoshizato, Kazuma Shimizu, Ryota Higa, Takanobu Otsuka

机构 * National Institute of Advanced Industrial Science and Technology（国家先进工业科学与技术研究院） ； Nagoya Institute of Technology（名古屋技术大学） ； NEC Corporation（日本电讯公司） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出AIM-RM代理，通过相似性匹配提升基于LLM的多代理系统在供应链中的适应性和鲁棒性。

Comments A full version of the extended abstract accepted by the 25th International Conference on Autonomous Agents and Multiagent Systems(AAMAS 2026)

Learning to Summarize by Learning to Quiz: Adversarial Agentic Collaboration for Long Document Summarization

通过学习提问来学习总结：对抗性代理协作用于长文档摘要

Weixuan Wang, Minghao Wu, Barry Haddow, Alexandra Birch

机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 SummQ通过对抗性代理协作提升长文档摘要质量，利用生成和评审代理以及问题生成机制实现摘要的迭代优化。

Self-Consolidation for Self-Evolving Agents

自组织式自进化代理

Hongzhuo Yu, Fei Zhu, Guo-Sen Xie, Ling Shao

机构 * UCAS-Terminus AI Lab, University of Chinese Academy of Sciences（中国科学院大学Terminus AI实验室，中国科学院大学） ； Centre for Artificial Intelligence and Robotics, HKISI-CAS（人工智能与机器人中心，中国科学院香港研究院） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本文提出了一种自组织式自进化框架，通过对比反思和自组织机制，使LLM代理能有效利用历史经验实现长期进化。

A-MapReduce: Executing Wide Search via Agentic MapReduce

A-MapReduce：通过代理MapReduce执行广泛搜索

Mingju Chen, Guibin Zhang, Heng Chang, Yuchen Guo, Shiji Zhou

机构 * Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing, School of Artificial Intelligence, Beihang University（北京未来区块链与隐私计算创新中心，人工智能学院，北京航空航天大学） ； National University of Singapore（新加坡国立大学） ； Tsinghua University（清华大学） ； BNRist, Tsinghua University（BNRist，清华大学） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 A-MapReduce通过引入MapReduce范式，提出一种多代理框架，将广泛搜索转化为水平结构的检索问题，实现高效且低成本的广泛搜索执行。

Comments 33 pages

MiTa: A Hierarchical Multi-Agent Collaboration Framework with Memory-integrated and Task Allocation

MiTa: 一种具有内存集成和任务分配的分层多智能体协作框架

XiaoJie Zhang, JianHan Wu, Xiaoyang Qu, Jianzong Wang

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，清华大学，深圳，中国） ； Ping An Technology (Shenzhen) Co., Ltd., Shenzhen, China（平安科技（深圳）有限公司，深圳，中国） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 MiTa通过分层结构和内存整合提升多智能体协作效率，实现全局任务分配与片段记忆整合。

Comments Accepted to 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2026)

MemCtrl: Using MLLMs as Active Memory Controllers on Embodied Agents

MemCtrl: 使用 MLLMs 作为具身智能体的主动内存控制器

Vishnu Sashank Dorbala, Dinesh Manocha

机构 * University of Maryland, College Park（马里兰大学 College Park分校） 纠错

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.AI

AI总结 MemCtrl 通过使用 MLLMs 的可训练内存头 μ 实现在线内存修剪，提升具身智能体在复杂指令下的任务完成能力。

Are LLMs Really Not Knowledgeable? Mining the Submerged Knowledge in LLMs' Memory

LLMs真的不具有知识性吗？挖掘LLMs记忆中的潜藏知识

Xingjian Tao, Yiwei Wang, Yujun Cai, Zhicheng Yang, Jing Tang

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； University of California, Merced（加州大学默塞德分校） ； The University of Queensland（昆士兰大学） 纠错

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.CL

AI总结 本文研究LLMs在问答任务中保留潜藏知识的现象，提出Hits@k指标评估潜在知识保留，发现LLMs实际知识量远超标准QA准确率，揭示提示策略对正确答案的抑制效应。

HARMONI: Multimodal Personalization of Multi-User Human-Robot Interactions with LLMs

HARMONI: 基于大语言模型的多用户人机交互多模态个性化

Jeanne Malécot, Hamed Rahimi, Jeanne Cattoni, Marie Samson, Mouad Abrini, Mahdi Khoramshahi, Maribel Pino, Mohamed Chetouani

机构 * Institut Curie, Université Paris-Saclay（巴黎-萨克勒大学Curie研究所） ； Institute of Intelligent Systems and Robotics (ISIR), Sorbonne University（索邦大学智能系统与机器人研究所） ； Assistance Publique – Hôpitaux de Paris (AP-HP), Université Paris Cité（巴黎公共医院（AP-HP）与巴黎城市大学） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 HARMONI通过多模态个性化框架，利用大语言模型提升多用户人机交互的持续个性化和动态适应能力。

LSHBloom: Memory-efficient, Extreme-scale Document Deduplication

LSHBloom: 高效内存使用，超大规模文档去重

Arham Khan, Robert Underwood, Carlo Siebenschuh, Yadu Babuji, Aswathy Ajith, Kyle Hippe, Ozan Gokdemir, Alexander Brace, Kyle Chard, Ian Foster

机构 * University of Chicago（芝加哥大学） ； Argonne National Laboratory（阿贡国家实验室） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 LSHBloom通过轻量级Bloom过滤器替代传统LSH索引，实现高效内存使用和超大规模文档去重，提升去重性能并降低运行时间和空间消耗。

U-Fold: Dynamic Intent-Aware Context Folding for User-Centric Agents

U-Fold：面向用户中心任务的动态意图感知上下文折叠

Jin Su, Runnan Fang, Yeqiu Li, Xiaobin Wang, Shihao Cai, Pengjun Xie, Ningyu Zhang, Fajie Yuan

机构 * Zhejiang University（浙江大学） ； Tongyi Lab, Alibaba Group（通义实验室，阿里巴巴集团） ； Westlake University（西湖大学） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 U-Fold通过动态意图感知上下文折叠方法，提升用户为中心任务中长上下文处理的效率和准确性。

Beyond Chat: a Framework for LLMs as Human-Centered Support Systems

超越聊天：一种LLMs作为以人为中心的支持系统框架

Zhiyin Zhou

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出了一种LLMs作为以人为中心的支持系统框架，旨在通过透明性、个性化等原则，提升人类在决策和幸福感方面的支持，同时应对隐私、偏见等风险。

Journal ref David C. Wyld et al. (Eds): CRYPIS, CBIoT, CAIML, NLCA, NC, WiMo, ICAIT, ICDIPV, ITCSE, 2025, pp. 271-289, 2025. CS & IT, CSCP 2025

Mistake Notebook Learning: Batch-Clustered Failures for Training-Free Agent Adaptation

错误笔记本学习：用于无训练代理适应的批量聚类失败

Xuanbo Su, Yingfang Zhang, Hao Luo, Xiaoteng Liu, Leo Huang

机构 * Bairong Inc.（柏龙公司） ； School of Mathematics, Harbin Institute of Technology（哈尔滨工业大学数学学院） ； School of Software, Jilin University（吉林大学软件学院） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 MNL通过批量聚类失败提炼结构化错误笔记，提升代理适应性和鲁棒性，无需参数更新。

Structure and Diversity Aware Context Bubble Construction for Enterprise Retrieval Augmented Systems

结构与多样性感知的上下文气泡构建方法用于企业检索增强系统

Amir Khurshid, Abhishek Sehgal

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出一种结构感知和多样性约束的上下文气泡构建方法，以提高企业检索增强系统中上下文的效率和信息完整性。

Investigating Tool-Memory Conflicts in Tool-Augmented LLMs

探究工具增强大语言模型中的工具-记忆冲突

Jiali Cheng, Rui Pan, Hadi Amiri

机构 * University of Massachusetts Lowell（马萨诸塞大学洛约拉分校） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.AI

AI总结 本文提出工具-记忆冲突的概念，发现现有LLMs在STEM任务中存在该问题，并评估了现有解决方法的不足。

Comments R2-FM Workshop @ ICML 2025

Hallucinate at the Last in Long Response Generation: A Case Study on Long Document Summarization

在长响应生成中最后 hallucinate：长文档摘要的案例研究

Joonho Yang, Seunghyun Yoon, Hwan Chang, Byeongjeong Kim, Hwanhee Lee

机构 * Department of Artificial Intelligence, Chung-Ang University（人工智能系， Chung-Ang 大学） ； Adobe Research, USA（Adobe 研究，美国） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文研究了大型语言模型在长响应生成中幻觉集中在后部的现象，并提出方法以提高长输出结尾的忠实性。

Comments 26 tables, 7 figures

HiMeS: Hippocampus-inspired Memory System for Personalized AI Assistants

HiMeS：基于海马体的记忆系统用于个性化AI助手

Hailong Li, Feifei Li, Wenhui Que, Xingyu Fan

机构 * Tencent Inc.（腾讯公司） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 HiMeS通过融合短期和长期记忆机制，提升个性化AI助手在知识密集型场景中的问答质量与用户定制能力。

Lessons from Neuroscience for AI: How integrating Actions, Compositional Structure and Episodic Memory could enable Safe, Interpretable and Human-Like AI

从神经科学中汲取教训：如何通过整合动作、组合结构和事件记忆来实现安全、可解释和类人的人工智能

Rajesh P. N. Rao, Vishwas Sathish, Linxing Preston Jiang, Matthew Bryan, Prashant Rangarajan

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；foundation model(abstract)；分类 cs.AI

AI总结 通过整合动作、组合结构和事件记忆，改进基础模型以实现安全、可解释和类人的人工智能。

Beyond Heuristics: A Decision-Theoretic Framework for Agent Memory Management

超越启发法：一个决策理论框架用于智能体记忆管理

Changzhi Sun, Xiangyu Chen, Jixiang Luo, Dell Zhang, Xuelong Li

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出DAM框架，通过决策理论方法解决智能体记忆管理问题，强调长期效用与风险评估，为不确定性下的记忆系统研究奠定基础。

Reflection-Driven Control for Trustworthy Code Agents

基于反射的可信代码代理控制

Bin Wang, Jiazheng Quan, Xingrui Yu, Hansen Hu, Yuhao, Ivor Tsang

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出反射驱动控制方法，通过内部反思循环提升代码生成的安全性和合规性，实现自主、安全且可审计的AI代码代理。

Comments Accepted to AAAI 2026 Workshop on Trust and Control in Agentic AI (TrustAgent)

MemEvolve: Meta-Evolution of Agent Memory Systems

MemEvolve: 代理记忆系统的元进化

Guibin Zhang, Haotian Ren, Chong Zhan, Zhenhong Zhou, Junhao Wang, He Zhu, Wangchunshu Zhou, Shuicheng Yan

机构 * OPPO AI Agent Team, LV-NUS lab（OPPO 人工智能代理团队，LV-NUS 实验室） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 MemEvolve通过元进化框架联合进化代理的经验知识和记忆架构，实现代理在环境交互中的高效学习与泛化能力提升。

From Personalization to Prejudice: Bias and Discrimination in Memory-Enhanced AI Agents for Recruitment

从个性化到偏见：记忆增强型AI招聘代理中的偏见与歧视

Himanshu Gharat, Himanshi Agrawal, Gourab K. Patro

机构 * Phi Labs, Quantiphi Inc.（Phi实验室、Quantiphi公司） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 研究揭示了记忆增强型AI招聘代理中偏见的系统性引入与强化，强调了对LLM基础AI代理的额外防护措施的必要性。

Comments In Proceedings of the Nineteenth ACM International Conference on Web Search and Data Mining (WSDM '26)

Journal ref In Proceedings of the Nineteenth ACM International Conference on Web Search and Data Mining (WSDM '26), 2026, Boise, ID, USA. ACM, New York, NY, USA

Workflows vs Agents for Code Translation

工作流与代理在代码翻译中的比较

Henry Gray, Tom Yotam, Octavian Udrea

机构 * Code Metal 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 研究比较了工作流与代理方法在MATLAB到HDL代码翻译中的效果，发现代理方法在语法修复和提升模拟覆盖率方面表现更优。

Journal ref NeurIPS 2025 Fourth Workshop on Deep Learning for Code

CoDA: A Context-Decoupled Hierarchical Agent with Reinforcement Learning

CoDA：一种解耦的层次代理

Xuanzhang Liu, Jianglun Feng, Zhuoran Zhuang, Junzhe Zhao, Maofei Que, Jieting Li, Dianlei Wang, Hao Tong, Ye Chen, Pan Li

机构 * Georgia Institute of Technology（佐治亚理工学院） ； Alibaba Group（阿里巴巴集团） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 CoDA通过解耦的层次代理设计，利用强化学习有效缓解上下文爆炸问题，在复杂任务中实现性能提升。

Comments Accepted to WSDM '26 Oral

Grounding Long-Context Reasoning with Contextual Normalization for Retrieval-Augmented Generation

通过上下文归一化增强长上下文推理用于检索增强生成

Jiamin Chen, Yuchen Li, Xinyu Ma, Xinran Chen, Xiaokun Zhang, Shuaiqiang Wang, Chen Ma, Dawei Yin

机构 * City University of Hong Kong（香港城市大学） ； Baidu Inc.（百度公司） 纠错

专题命中 长上下文与记忆 ：large language model(abstract)；language model(abstract)；prompting(abstract)；分类 cs.CL

AI总结 通过上下文归一化策略提升RAG在长上下文推理中的鲁棒性和稳定性

Supporting Our AI Overlords: Redesigning Data Systems to be Agent-First

支持我们的AI主宰者：重新设计数据系统以面向代理

Shu Liu, Soujanya Ponnapalli, Shreya Shankar, Sepanta Zeighami, Alan Zhu, Shubham Agarwal, Ruiqi Chen, Samion Suwito, Shuo Yuan, Ion Stoica, Matei Zaharia, Alvin Cheung, Natacha Crooks, Joseph E. Gonzalez, Aditya G. Parameswaran

机构 * University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出重新设计数据系统以更原生支持代理工作负载，通过代理推测的特点探索新的架构机会。

ChipMind: Retrieval-Augmented Reasoning for Long-Context Circuit Design Specifications

ChipMind：基于检索的长上下文电路设计规范推理

Changwen Xing, SamZaak Wong, Xinlai Wan, Yanfeng Lu, Mengli Zhang, Zebin Ma, Lei Qi, Zhengxiong Li, Nan Guan, Zhe Jiang, Xi Wang, Jun Yang

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 ChipMind通过构建领域知识图谱并结合信息论检索与意图过滤，实现对长上下文电路规范的高效推理，提升LLM在硬件设计中的应用效果。

Comments Accepted by the AAAl26 Conference Main Track

Scaling and context steer LLMs along the same computational path as the human brain

按计算路径扩展和引导大语言模型，使其与人脑一致

Joséphine Raugel, Stéphane d'Ascoli, Jérémy Rapin, Valentin Wyart, Jean-Rémi King

机构 * Meta AI ； Laboratoire de Neurosciences Cognitives et Computationnelles (Inserm U960)（神经认知与计算实验室） ； Ecole Normale Supérieure - PSL（巴黎高等师范学院 - PSL） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 本研究通过分析人脑和LLM的表示对齐性，发现两者在计算顺序上一致，但受模型大小和上下文长度影响。

Journal ref Neurips Proceedings 2025 - Spotlight

SafeCiM: Investigating Resilience of Hybrid Floating-Point Compute-in-Memory Deep Learning Accelerators

SafeCiM: 探究混合浮点计算内存深度学习加速器的鲁棒性

Swastik Bhattacharya, Sanjay Das, Anand Menon, Shamik Kundu, Arnab Raha, Kanad Basu

机构 * Department of Electrical and Computer Engineering, University of Texas at Dallas（得克萨斯大学达拉斯分校电气与计算机工程系） ； Advanced Architecture Research Group at Intel Corporation（英特尔公司先进架构研究组） ； Department of Electrical, Computer and Systems Engineering, Rensselaer Polytechnic Institute（拉特格斯理工学院电气、计算机与系统工程系） 纠错

专题命中 长上下文与记忆 ：LLM(abstract)；large language model(abstract)；language model(abstract)；分类 cs.LG

AI总结 SafeCiM通过引入位翻转故障分析，提升了混合浮点计算内存加速器在硬件故障下的鲁棒性，显著降低了LLM推理准确性下降的风险。