Zhejiang University（浙江大学）

EvolveR: Self-Evolving LLM Agents through an Experience-Driven Lifecycle

EvolveR：通过经验驱动的生命周期实现自进化大语言模型代理

Rong Wu, Xiaoman Wang, Jianbiao Mei, Pinlong Cai, Daocheng Fu, Cheng Yang, Licheng Wen, Xuemeng Yang, Yufan Shen, Yuxin Wang, Botian Shi

机构 * Zhejiang University（浙江大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； East China Normal University（华东师范大学） ； Fudan University（复旦大学） ； Central South University（中南大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai Jiao Tong University（上海交通大学） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 EvolveR通过闭环经验生命周期实现LLM代理的自进化，结合离线自蒸馏和在线交互，利用策略强化机制迭代优化，提升多跳问答任务性能。

Comments Accepted by ICML 2026

Mixture-of-Experts Can Surpass Dense LLMs Under Strictly Equal Resource

专家混合模型可在严格相等资源下超越密集语言模型

Houyi Li, Ka Man Lo, Shijie Xuyang, Ziqi Wang, Wenzhen Zheng, Haocheng Zhang, Zhao Li, Shuigeng Zhou, Xiangyu Zhang, Daxin Jiang

机构 * Fudan University（复旦大学） ； StepFun ； University of Science and Technology of China（中国科学技术大学） ； Zhejiang University（浙江大学） 纠错

AI总结 本文研究在资源相等条件下MoE模型是否能超越密集模型，提出优化框架并验证了在最优激活率下MoE模型性能更优，且该区域在不同模型规模下一致，通过数据重用解决数据量增加的权衡问题。

Comments Published as a conference paper at ICLR 2026

ORACLE: Anticipating Scams from Partial Trajectories in Streaming App Usage

ORACLE：从流式应用使用轨迹中预见诈骗

Wenbo Gao, Songbai Tan, Zhongan Wang, Fei Shen, Gang Xu, Huiping Zhuang, Yunyun Yang, Ming Li, Xiaofeng Zhu

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shenzhen University（深圳大学） ； Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） ； Guangming Laboratory（光明实验室） ； South China University of Technology（华南理工大学） ； Hainan University（海南大学） 纠错

AI总结 本文提出ORACLE框架，通过流式应用使用轨迹预测诈骗，利用自适应上下文管理器和自蒸馏方案提升早期欺诈检测性能。

A$_3$B$_2$: Adaptive Asymmetric Adapter for Alleviating Branch Bias in Vision-Language Image Classification with Few-Shot Learning

A₃B₂：一种自适应非对称适配器，用于缓解视觉-语言图像分类中的分支偏差

Yiyun Zhou, Zhonghua Jiang, Wenkang Han, Kunxi Li, Mingjing Xu, Chang Yao, Jingyuan Chen

机构 * Zhejiang University（浙江大学） ； Swansea University（斯旺西大学） 纠错

AI总结 本文提出A₃B₂适配器，通过引入不确定性感知适配器阻尼机制，缓解少样本学习中的分支偏差问题，实验表明其在多个数据集上优于现有基线方法。

Comments Accepted by IJCAI 2026