AM-Bench：面向智能体失准的统一分类与评测基准
研究团队提出 AM-Bench，一个基于欺诈三角框架、覆盖七个行业 35 个场景的智能体失准评测基准，沿感知威胁、感知机会和推理三个维度构建评测与检测系统。
#论文/研究
arXiv cs.AIAI 评分5959 arXiv cs.AI精选AI 评分6565 TorchTPU 论文介绍 Google 与 Meta 合作为 TPU 打造原生 PyTorch 后端
Google 与 Meta 的开源合作项目 TorchTPU 发布论文，提出在 Google TPU 上原生执行 PyTorch 的混合 eager/编译架构。该项目支持开箱即用的模型执行与 TPU 迁移，并通过 eager 执行优化、编译集成和原生硬件加速提供有竞争力的推理与训练性能。论文共 23 页，链接 https://arxiv.org/abs/2610.24161。
推荐理由：Google 与 Meta 合作的开源项目，论文说明了 TPU 上原生执行 PyTorch 的混合架构，关注框架与硬件适配的读者可作参考。
arXiv cs.AIAI 评分3535 超越 LLM：心理世界模型 MWM 框架实现心理建模、模拟、演化与可解释性
一篇 arXiv 论文提出心理世界模型 MWM 及其实现架构 MMEA，显式构建主观世界、建模认知与心理状态的交互，并模拟受历史经验塑造的心理持续演化。
arXiv cs.AIAI 评分4242 PraxisMemBench：面向持久化个人智能体的个人记忆与程序性记忆基准
研究者提出 PraxisMemBench，一个面向持久化个人助手的基准，让个人记忆与程序性记忆在日常与工作轨迹中共同演化、相互依赖。实验显示单独维护两类记忆不足，任务完成率从 84.6% 降至 77.9%；随交互历史增长，关系类失败率从 59.8% 升至 72.9%。
arXiv cs.AIAI 评分2525 MULTIFINGROUND 基准：识别不等于落地，评测多语言财务证据抽取
arXiv 论文提出 MULTIFINGROUND 基准，用于检验多语言财报中“概念识别”与“证据抽取”之间的差距。基准基于 90 家发行方 FY2025 的英、法、希腊语披露文件构建，评测事实识别、概念识别、穷尽式事实选择与概念区分四项能力。
arXiv cs.AIAI 评分2020 AgentStripes：一种面向 AI 智能体的证据分级成熟度模型
arXiv 论文提出 AgentStripes，一种针对 AI 智能体的证据分级成熟度模型，包含 0 到 7 stripes 等级、12 个过程域共 40 项能力、三道门（基础、安全、证明）以及 E0 到 E5 证据分级。
arXiv cs.AIAI 评分4848 Thinker-WM：基于共享多模态表征的统一世界模型，面向具身智能
Thinker 团队（Ubtech）发布统一多模态世界模型 Thinker-WM，通过共享中间 Unified Dynamics Transformer 联合建模与生成 RGB、度量深度和机器人动作。
arXiv cs.AIAI 评分3434 自适应分组过程奖励框架用于 GUI 智能体强化学习训练
一篇 arXiv 论文提出自适应分组过程奖励框架，解决 GUI 智能体强化学习中结果奖励稀疏导致的低效学习问题。该框架将 GUI 轨迹动态划分为语义连贯的子目标组，在动作与组两个层面估计过程奖励，并将其融入 GRPO 的结果优势以提供更细粒度的训练信号。过程奖励基准与下游 RL 训练实验验证了框架的有效性。
arXiv cs.AIAI 评分4646 MADDIE：多智能体药物发现引擎
arXiv 论文提出 MADDIE，一个由 Orchestrator 统筹、HitIdentifier、LeadOptimizer、Synthesizer 和 Evaluator 四个专职智能体组成的多智能体药物发现引擎，可灵活组合工作流、端到端完成药物发现流程。
arXiv cs.AIAI 评分4545 当激活转向被用作记忆时，什么能留存下来？
一项研究用冻结 LLM 旁的无训练激活记忆检验“用户事实必须以文本存储”的假设：经验被存为后层状态的偏移，按会话要点的白化键索引。在 Qwen3.5-2B 与 9B 上的预注册实验显示，该记忆有选择性（约 98% 无关回复不受影响），但事实几乎不被使用（干净使用至多 15%，上下文内为 96-98%），且不减去相反参照时，存储的“不喜欢”会被召回为“喜欢”。
arXiv cs.AIAI 评分4949 FDE-Bench：评估 AI 智能体端到端交付模糊真实业务需求的新基准
研究者推出 FDE-Bench，首个基于真实客户项目构建的基准，用于评估 AI 智能体在需交互式需求澄清与迭代优化的端到端交付任务上的表现。基准包含 49 个涵盖组合优化与机器学习的案例，智能体需从模拟客户处挖掘缺失需求，并由专属评估器按客户验收标准打分。
arXiv cs.AIAI 评分3636 MultiWorldBench：独立控制的视角能否描述同一个共享世界？
研究者推出 MultiWorldBench，一个基于 Minecraft 的多人世界模型诊断基准，包含 495 个案例配置、七大任务套件和十项能力。以 Engine GT 为参照，Gamma-World 十项能力平均分最高（21.39），Solaris（MP）为 20.88，Solaris（SP）为 10.06，而 Engine GT 达 91.69。
arXiv cs.AIAI 评分5555 研究指出 LLM 无法自划智能体验证器可检查边界，提出 CoVer 方法
论文研究智能体验证器中固定检查与需judge裁决的划分能否由模型自行决定。在 EU AI Act、FINRA 指引及已部署信贷智能体等六个语料上收集约 22,000 个标注，来自三个实验室的四个模型：答案明显处几乎完全一致，监管文本上则崩溃；错误方向相反，无法选出一个保守模型；在已部署智能体自己的规则集上还共同高估固定检查的适用，恰是不触发升级的方向。
arXiv cs.AIAI 评分4040 Penumbra：面向监管义务的样本高效对抗搜索方法
arXiv 论文提出 Penumbra，一种针对金融、医疗等场景中监管义务的样本高效对抗搜索方法，从验证锚点出发在扩展编辑预算下寻找合规与违规的相邻响应对。在同等预算下，自适应分配在 59% 的候选上达到均匀分配全覆盖，同等记录数下覆盖的失败模式是朴素枚举的 1.43 倍。
arXiv cs.AIAI 评分4646 CEDR：基于连续潜空间扩散的推理方法
arXiv 论文提出 CEDR（Continuous Embedding Diffusion Reasoner），一种面向数学推理与代码生成的连续潜空间扩散训练与推理管线，从 Qwen3-4B 的三个隐藏层学习紧凑答案表示。
arXiv cs.AIAI 评分2727 DSP：基于扩散模型的离线目标条件强化学习长时程子目标规划方法
研究者提出扩散子目标规划框架 DSP，用于长时程离线目标条件强化学习（GCRL）的高层子目标生成。DSP 将高层规划转化为对目标条件子目标的引导式生成推理，结合条件与无条件流实现 classifier-free guidance，摆脱了对噪声敏感的价值估计引导。在离线 GCRL 基准上，DSP 在导航和操作任务中优于此前方法，尤其在需要多步子目标规划的迷宫环境中表现突出。
arXiv cs.AIAI 评分3636 APOLO：面向本体学习的自动提示词优化方法
APOLO 将本体学习（OL）转化为基于 LLM 模块的显式提示词优化问题，并利用多智能体系统从专家本体生成文本-本体配对训练数据。研究者提出贪心与自回归两种本体学习器架构，基于 DSPy 上的 GEPA 进化提示词优化器进行优化。
arXiv cs.AIAI 评分4141 LoRA 的秩到底买到了什么？一项谱与分布视角的低秩适应分析
一项 arXiv 研究分析 LoRA 中秩 r 的作用，证明在硬性逐因子范数预算（实践中权重衰减的理想化）下，秩并不控制模型容量：可达更新恰为核范数球内秩不超过 r 的矩阵，而各复杂度与位移泛函均由秩一更新取得最大值，线性读出模型类与 Rademacher 复杂度均与 r 无关。
arXiv cs.AIAI 评分3131 AtomWorld-Mem：用记忆恢复世界状态的原子体系长期演化模型
研究者提出 AtomWorld-Mem，一种记忆恢复式原子世界模型，通过空间编码器写入多尺度原子关键帧，并结合短期事件记忆与长期结构记忆，恢复瞬时晶体快照中缺失的潜在世界状态。
arXiv cs.AIAI 评分4040 超越情节式 AI：认知场网络实现受生物启发的持续认知
arXiv 论文提出认知场网络（CFN），一种带隐场回环的循环 Transformer 架构，更新式为 Φ_{n+1} = F_θ(X_{n+1}, Φ_n)，让全部 token 级隐场重新进入下一计算周期，而非显式规定记忆操作。
arXiv cs.AIAI 评分3434 ER-EDF：基于心理学的情绪调节框架，用于大音频语言模型的语音共情对话生成
ER-EDF 是一个基于心理学 Gross 扩展过程模型的共情对话框架，遵循三阶段流程：从语音识别用户情绪、匹配调节策略、再通过大音频语言模型（LALM）执行。该框架与具体模型无关，可无缝接入现有 LALM，并配套构建了口语共情对话数据集和超越词汇匹配的共情评测指标。在五个 LALM 和两个数据集上的自动与人工评估均显示其持续提升共情回复质量。
arXiv cs.AIAI 评分2424 跨越复杂度与创意层级的统一智能体视频编辑方法
arXiv 论文提出一套智能体（Agentic）工具方法，用于自动化视频编辑，覆盖场景预览、视频摘要和电影预告片三类任务，这些任务在编辑目标、复杂度与创意性上各不相同。作者对输出结果进行了评估，并讨论其对自动化与智能体自主性的影响。
arXiv cs.AIAI 评分3636 微分泛函主义：Jacobian 如何塑造现象经验的结构
David Balduzzi 在 arXiv 发布论文，提出物理相互作用的一阶结构（Jacobian）塑造现象经验结构的假说，并引入透明度（有效秩）与完整性（归一化代数连通度）两种度量。该框架在一系列算例中给出经验重叠、系统边界、时间厚度、空间结构、清晰与模糊观念、随机初始化网络的不连贯性及学习等现象的结构相关物。这些度量可在人工网络中大规模计算，也可从大脑的扰动数据中估计。
arXiv cs.AIAI 评分3232 LLM 辅助科研伦理：一个负责任委托、验证与认知价值框架
Kalin Stoyanov 在 arXiv 发表的论文提出分析 LLM 辅助科研的规范概念框架，将科学推理视为分布式过程，区分内容来源 O(g)、人类验证完成 V(g)、责任归属 R(g)、可问责的人类所有权 M(g) 和认知结果 E(g)。核心主张是伦理边界主要由充分验证和可问责的人类所有权决定，而非机器参与程度本身。论文据此提出"认知审计"概念，以结构化记录使 AI 辅助推理透明可审查。
arXiv cs.AIAI 评分4141 ECHO：面向长时程 Agent 的可审计双路径记忆系统
ECHO（Embodied Context & History Orchestration）是一个面向长时程 Agent 的可审计双路径记忆系统：快速路径记录不可变事件并提供多路召回，异步工作器把经验整合为可修订状态并重建索引，同时保留来源溯源、时间权威与答案实现的显式边界。
arXiv cs.AIAI 评分4141 IndustryForge-27B：面向工业 CAD 的领域增强多模态基础模型
研究者在 Qwen3.5-VL-27B 基础上，用约 52k 多模态样本（CAD 视觉问答、text2cadquery 参数化与装配级 CAD 代码、Inventor/SolidWorks 的 COM 子语料）经统一多任务 SFT 训练出 IndustryForge-27B。
arXiv cs.AIAI 评分3636 HFS：面向端侧智能体增强实时通信的协同网络调度框架
研究者提出 HFS 框架，解决端侧智能体增强实时通信（RTC）中人类直播视频流量与智能体上下文传输流量的并发争用问题。该框架通过应用层统一编排器联合控制多流发送速率，基于 WebRTC 的原型实现视频质量提升 1.5 倍、智能体响应时间降低 31%。论文已被 USENIX NSDI 2027 接收。
arXiv cs.AIAI 评分4646 IDEAgent：用智能体化质量-多样性搜索生成科研选题
研究者提出 IDEAgent，一个将科研选题建模为质量-多样性（QD）联合搜索的多智能体框架，通过 lineage 追踪选题演化，用多目标反馈驱动质量修复与精炼，并借助轻量级序列记忆和与已完成、历史及被否决选题的显式对比保证多样性。在横跨 8 个 CS 领域的 32 个主题上，IDEAgent 的 Yield 指标较最佳基线提升 3.89x，Yield≥2 的主题数量达基线的 8 倍，并已开源。
arXiv cs.AIAI 评分3939 AIMO Interpretability Challenge：基于模型内部机制区分稳健与虚假数学推理的竞赛
研究者提出 AIMO Interpretability Challenge，一项基于模型内部机制区分前沿数学大语言模型稳健推理与虚假推理的竞赛，已被 NeurIPS 2026 接收为竞赛项目。
arXiv cs.AIAI 评分3737 ReCore：面向长程智能体的规划图修复方法
arXiv 论文提出 ReCore，针对长程语言智能体的规划图修复问题，通过建模节点与边错误的耦合传播，定位导致持续错误传播的紧凑核心并仅将其交给 LLM 诊断修复，还给出长程规划后悔的理论上界。在合成 Agent Calling-Tree 图和 Who&When 归因基准上，ReCore 以每次成功修复最多 7.4× 更少的 token 达到与全图上下文修复相当的恢复效果。
arXiv cs.AIAI 评分3737 ENVPROBE：让智能体行动前先探测环境以校准世界模型
一篇 arXiv 论文提出 ENVPROBE 框架，使长程语言智能体在执行过程中主动探测环境、修正过时或错误信念，再据此更新世界模型并修订计划。该框架按任务相关性和潜在错误对信念字段排定验证优先级。在三个受控环境中的实验显示，与不进行环境探测的智能体相比，ENVPROBE 显著提升了终端世界状态准确度。
arXiv cs.AIAI 评分3838 HYBRID-WM：混合智能体与参数化世界模型，实现可靠语言智能体规划
研究者提出混合世界模型规划方法 HYBRID-WM，在保留 ReAct、Reflexion 等语言智能体语义规划能力的同时，用轻量参数化世界模型提供更准确的状态转移预测，减少模型幻觉导致的错误状态传播。参数化模型构建紧凑的规划骨架来引导动作生成，并保持智能体想象转移与模型预测的一致性。在四个图结构规划基准上的实验显示，HYBRID-WM 持续提升任务成功率，且计算开销适中。
arXiv cs.AIAI 评分3636 PTD-PO：面向多模态策略优化的特权提示蒸馏框架
论文提出 PTD-PO（Privileged Tutoring Distillation Policy Optimization），一种面向 LVLM 的 RLVR 训练框架，在不向学生策略暴露答案的前提下提供密集监督。
arXiv cs.AIAI 评分5555 The Shape of Wisdom：语言模型如何在内部状态中收敛到同一答案
arXiv 论文让 Llama-3.1-8B、Qwen2.5-7B、Gemma-2-9B 和 Llama-3.2-1B 回答 2,256 个有重复答案的事实性问题，发现同答案的问题在各层收敛到状态空间的共享区域即答案质心。答案可读性在网络深度 47%-71% 的某一层跳变；跳变后将错误答案状态移向正确质心可使模型在 83%-97% 的情形给出正确答案，随机移动仅 2%-4%。
arXiv cs.AIAI 评分2626 谁能改换航向？AI 主权与集体学习能力的整合综述
arXiv 一篇整合综述梳理 72 篇文献，探讨机构如何将 AI 主权资源转化为可问责、可修正的能力。综述提出集体学习能力的五项条件与“权威可修正性”“保留选择价值”概念，并以美国、中国和欧洲法国对比资源与实际修正结果。
arXiv cs.AIAI 评分3535 PReMISE：将策略评分标准作为 LLM 评测裁判的测量规范
论文提出 PReMISE 框架，基于成对人类偏好数据自动发现策略级评分标准集，并从结构充分性、可靠性、偏好契合度和对抗鲁棒性四个维度审计 LLM 裁判所用评分标准。研究引入偏好排序选择将裁判准确率从 65.0% 提升至 68.6%，可靠性约束优化将 exploit 回复获高分比例从 46.4% 降至 36.0%，且裁判间一致性基本不变（α=.531→.519）。
arXiv cs.AIAI 评分2929 思维链如何破坏对拒绝行为的简单激活引导：大推理模型拒绝机制研究
一项 arXiv 研究发现，DeepSeek-R1-Distill-LLaMA-8B 等大推理模型的拒绝行为除残差流激活外还依赖思维链（CoT）。在固定 CoT 时激活引导仅能逆转 39% 的拒绝，移除 CoT 后升至 70%；两阶段干预下模型重新生成 CoT 时逆转率达 94%，且撤除引导后 CoT 单独保留 48% 的效果。
arXiv cs.AIAI 评分4747 CLIPR 框架：用可迁移的自然语言规则学习潜在用户偏好以实现人本对齐决策
CLIPR（Conversational Learning for Inferring Preferences and Reasoning）框架将用户偏好表示为显式、紧凑的自然语言规则集，供 LLM 推理时做人本对齐决策，并在性能异常下降时向用户求证和修订规则。
arXiv cs.AIAI 评分4343 心理健康 AI 安全声明必须保留时间性证据
arXiv 论文指出，心理健康 AI 的安全评估常在错误的时间尺度上进行，逐轮评分无法捕捉延迟升级、依赖形成等跨轮累积性失败。作者提出 Temporal Safety Non-Identifiability 的形式化论证，并据此建立 SCOPE 原则及其心理健康版报告标准 SCOPE-MH。
arXiv cs.AIAI 评分4242 非平稳性破坏多智能体强化学习中的置换替代检验：诊断与补救
一项 arXiv 研究在两个多智能体强化学习游戏中检验信息论度量的报告规范，发现忽略非平稳训练暂态这一前提时，假阳性率高达 100.00% 和 99.95%。仅排除暂态后假阳性率降至 3.05% 和 11.8%，而推荐的分块内置换零模型在两个游戏中分别达到 5.25% 和 5.50%。代码与数据已公开。