TURTLE：面向长程工具使用的自演化基准生成方法
arXiv 论文提出 TURTLE，一种无监督环境设计（UED）方法，用 proposer、solver 和 feedback generator 三个大语言模型智能体演化现有工具使用任务，生成长程自调优测试集。
全部科技·金融动态
arXiv cs.AIAI 评分3939 arXiv cs.AIAI 评分3131 何时一项新增规划能力才具运营价值？基于可观测证据的判定标准
一项发表于 arXiv 的研究提出“可观测证据标准”，用于判定工业 AI 规划系统中单个新增能力是否产生独立运营贡献。
arXiv cs.AI精选AI 评分6464 arXiv 论文：更强的 AI 突破会加速自身思想空间的枯竭
arXiv 论文（arXiv:2610.27296）分析 36 年间 720 万篇计算机科学论文、73,089 份同行评审和 370 万研究者的主题迁移，发现 AI 领域在 Transformer 之后规模扩张但注意力明显收窄，超过半数转换方向的研究者转入 AI，审稿人置信度在 5 分制上下降整整 1 分。
推荐理由：论文用 36 年 720 万篇论文的数据提出突破会耗尽自身关注多样性的机制，为理解 AI 研究趋势提供了新视角。
arXiv cs.AIAI 评分3535 安全多智能体强化学习漏洞分析：MinMax Attack 攻击框架
一篇 arXiv 论文研究安全多智能体强化学习（SMARL）在推理时抵御观测攻击的脆弱性，提出 MinMax Attack 框架，联合为被攻击智能体选择对抗目标动作并考虑良性智能体的合作抵抗。论文推导了安全成本上界，刻画其与被攻击智能体预算和扰动预算的关系。实验显示该攻击在保持任务奖励的同时显著推高安全成本，隐蔽性更强。
arXiv cs.AIAI 评分4545 TEX：基于执行交叉验证的测试时扩展测试智能体框架
TEX 是一种基于执行驱动交叉验证的协作式测试时扩展框架：多个智能体并行生成测试与补丁，通过 K×K 交叉执行形成反馈矩阵进行客观验证。在 SWT-Bench Verified 上 TEX 达到 86.4%，刷新 SOTA 并比单智能体基线提升 +9.0%；即使从其输出中随机选取（84.4%）也超过此前 SOTA（84.0%）。
arXiv cs.AIAI 评分4040 SCAMPER：用于逼真啮齿动物运动的潜在控制模型
研究者提出 SCAMPER（Simulated Control via Augmented Motor Priors for Embodied Reinforcement learning），用于训练具身虚拟大鼠模型，使其在目标导向行为和随机探索中都能产生自然运动。
arXiv cs.AIAI 评分3636 TxnQA：面向交易事件序列的分析推理与证据溯源基准
TxnQA 是一个针对商户交易历史分析问答的基准，包含 27 个任务族（81 个模板）和 5 场景欺诈风险推理套件，答案由程序化计算。对 6 个 LoRA 适配的开源权重模型评测显示，Gemma-4-31B-IT 与 Qwen3-8B 的 E2E 得分分别为 0.867 和 0.816，被测 MoE checkpoint 仅 0.632-0.713。
arXiv cs.AIAI 评分4747 EGI-BENCH：企业级通用智能评测套件发布
Salesforce 等机构的研究者发布 EGI-BENCH，一个统一的企业级 LLM 智能体评测套件，整合 CRMARENA、HERB、MCP-UNIVERSE 等 8 个基准，提供单一命令行界面和 quick/deep 两种运行预算模式，并定义了 M1-M6 六维 EGI 分数。
arXiv cs.AIAI 评分3636 Magnolia：面向计算化学的持久记忆智能体框架
研究者发布 Magnolia，一个基于 LLM 的持久记忆 AI 智能体框架，可整合从分子对接到量子化学的计算流程、实验记录与聊天日志。框架采用三层记忆系统，将会话级观察提炼为项目级条目，经人工验证后升级为跨项目规则。
arXiv cs.AIAI 评分2929 SpaRLax：面向大语言模型推理的稀疏 RL 松弛方法
论文提出 SpaRLax，一种用于 soft CoT 推理的稀疏松弛 RL 训练方法，将 soft token 视为可微的中间计算步骤而非 MDP 中的动作，从而跨时间步传播梯度。方法采用 entmax 自适应稀疏度，在确定步骤截断长尾噪声、不确定时保留多个候选。在九个推理 benchmark 上取得最高平均性能。
arXiv cs.AIAI 评分3131 LSA-PAST：面向组合式增量学习的层级特定适配与原型迁移方法
一项新研究提出 LSA-PAST，一种针对组合式增量学习（composition-IL）的参数高效方法，在组合式增量学习场景下实现了最先进的准确率-遗忘权衡表现。该方法将 LoRA 集成到冻结 ViT 中，为状态、对象和组合分别配置深度专用适配器；PAST 再通过基于当前任务数据拟合的无排练仿射变换，把旧的锚定原型映射到当前适配器空间，从而稳定共享基元表示、缓解旧组合性能漂移。
arXiv cs.AIAI 评分3535 学习型控制变量法用于电动汽车充电站稀有停电概率估计
一项研究提出用基于廉价可观测特征（如温度和负荷预测）训练的停电分类器构建控制变量，降低配电馈线过载小概率事件的 Monte Carlo 仿真成本。实验显示单个特征的弱学习器可削减四分之一方差，boosted-tree 学习器约 60%。应用于印尼 Surabaya 馈线网络时，在相同仿真预算下，用学习型控制变量按 95% 置信限规划备用容量，比 Monte Carlo 将全市停电天数减少三分之一。
arXiv cs.AIAI 评分3535 MoSAIK：基于 K 空间自洽性的脑部 MRI 运动伪影 AI 校正方法
研究者提出 MoSAIK，从标准多线圈 T2 加权 TSE 脑部 MRI 的 k 空间数据中回顾性估计刚体运动参数，无需无运动参考、外部导航或额外采集，并将预测参数融入运动感知的模型化重建。Transformer 编码器估计的旋转与平移误差 MSE 均低于 0.2，Pearson 相关约 0.96 和 0.94。所有在体采集中超过 75% 的切片相较未校正重建获得信息增益，同时保留解剖细节。
arXiv cs.AIAI 评分3737 EDMA：基于逻辑熵的多模态问答方法
研究者提出熵驱动的多模态问答方法 EDMA，将多模态问答形式化为逻辑熵逐步下降的迭代过程，量化每种模态对答案的贡献。方法包含模态条件划分、熵驱动的多模态融合和基于熵的答题轨迹选择。
arXiv cs.AIAI 评分3737 PORA：学习判断 LLM Agent 何时值得更多推理
arXiv 论文提出配对结果引导推理分配方法 PORA，让 LLM Agent 在每个动作前通过对比同一状态下短推理与长推理的结果，学习决定何时使用更长推理。在 BFCL memory 上，PORA 超过最强现有方法 17.4–32.9 个百分点；在代码和数学任务上匹配或超过始终长推理，同时 actor token 减少 50.6%、模型请求数减少 31.2%。
arXiv cs.AIAI 评分4040 PROVISO：面向安全 LLM Agent 的溯源感知动作选择方法
arXiv 论文提出 PROVISO，一个在 Agent 提出动作后、执行前进行拦截决策的控制器，将可信观察、外部观察、提议动作和备选动作编码为溯源类型记忆，并依据学习到的校准价值提交最优动作。
arXiv cs.AIAI 评分3939 Omni-Woodpecker：通过证据-先验再平衡纠正 Omni LLM 幻觉
研究者提出免训练框架 Omni-Woodpecker（OWP），将 Omni LLM 的跨模态幻觉抑制从输出层操作转向表征层面的再平衡，通过正交分解分离隐藏状态中的接地证据与先验，并在解码前抑制误导性先验、恢复被忽略的证据。
arXiv cs.AIAI 评分5959 哈佛团队发布 40 亿参数临床记录决策模型 Clinical System One
论文提出 Clinical System One（CS1-4B），一个 40 亿参数的临床记录决策模型，训练数据来自 360 万患者的 1240 万问答，可在单次前向传播中回答多种类型化问题。
arXiv cs.AIAI 评分4949 ReuF2F：基于形式化本科研究问题评测编程智能体的 Lean 4 基准
ReuF2F 是一个 Lean 4 基准，从 REU 项目收集 244 个形式化的入门级开放研究问题，用于评估编程智能体在 Lean 中端到端解决开放问题的能力。评测将问题及其逻辑否定放入 Docker 容器中的 Lean 项目，并基于 mini-SWE-agent 构建了统一测试框架 Leanimum-agent。结果显示表现最好的模型也只解决约 40% 的问题，仍有较大提升空间。
arXiv cs.AIAI 评分5050 Physical AI：概念、技术与挑战
上海交大 Weinan Zhang 等学者在 arXiv 发布 388 页、12 章的 Physical AI 专著，提出将物理 AI 定义为在真实世界约束下通过持续反馈感知、建模并作用于物理世界的人工系统。
arXiv cs.AIAI 评分3636 M-Plan：面向 LLM 智能体的记忆编排式综合规划框架
arXiv 论文提出 M-Plan，一个融合长期与短期记忆的闭环多智能体系统（MAS）规划框架。该框架为智能体提供全局-局部与过去-当前两类任务引导，在执行中按需给予局部提示，任务完成后将相关信息优化后写入长期记忆库，并保持即插即用设计。在 ALFWorld、Webshop 和 PDDL 多轮任务上的大量实验显示，M-Plan 在准确性和效率上均优于多种基线方法。
arXiv cs.AIAI 评分3636 SPOKE：基于偏好优化的 AI 智能体扑克策略训练方法
研究者提出结合 KL 锚定均衡的策略偏好优化方法 SPOKE，用于训练扑克 AI 智能体在隐藏信息下做出策略性行动。
arXiv cs.AIAI 评分4242 多智能体协作能否减少临床任务中的模型幻觉？arXiv 研究给出否定答案
一项 arXiv 研究评估了 4 个 LLM 系统（单个基线与 3 种多智能体拓扑）在 4 个模型、3 个临床任务上的表现，在推理过程中按事实性与忠实性分类测量幻觉。
arXiv cs.AIAI 评分3030 SPEM：面向 LLM Agent 高效技能使用的结构感知程序性记忆框架
研究者提出 SPEM，一个轻量级结构感知程序性记忆框架，用于解决 LLM Agent 技能库扩大后全量加载开销高、扁平语义检索忽略依赖与执行顺序的问题。
arXiv cs.AIAI 评分3333 LLM 何时难以解决规划问题：区分结构复杂性与语义可解释性
该 arXiv 论文研究 LLM 在经典规划中的困难来源，在七个 STRIPS 域上对比结构难度与符号词汇可解释性的影响。
arXiv cs.AIAI 评分3535 LightCRS：轻量级多域多模态对话式推荐系统
论文提出 LightCRS，一个轻量的查询条件式多域多模态对话推荐框架：离线用冻结编码器预计算商品表示，在线由 5.3M 参数模块通过跨域共享的 query-conditioned cross-attention 融合证据，并用候选间 Transformer 联合比较。
arXiv cs.AIAI 评分4040 MAMath-Bench：面向多智能体数学推理的过程感知鲁棒评测基准
研究者推出 MAMath-Bench，一个评估多智能体系统（MAS）多模态数学推理能力的过程感知基准，包含 1,003 道题，覆盖 11 个数学类别和文本、图像、音频等模态，并提供细粒度里程碑标注。评测发现：多智能体协作并不总能提升最终答案准确率；协作能扩大中间推理覆盖面但会增加推理冗余；现有系统仍易受对抗性推理错误影响，尤其是细微结构扰动。数据集已公开。
arXiv cs.AIAI 评分3939 修复而非仅重采样：Lean 4 中有界的编译器引导证明修复方法
论文提出一种有界的在线步级修复模块，在 Lean 4 自动定理证明中不再丢弃失败的 tactic，而是把编译器错误信息喂给预训练修复模型原位修复。该方法在 LeanDojo 基准 1,990 题子集上相对纯采样基线最多提升 32%，多解出 82 题且在 K∈{1,3,5,8} 各预算下均有效；首次修复尝试即贡献 84–96% 的总增益，并在 Lean Workbook 上近乎翻倍解题率且零回退。
arXiv cs.AIAI 评分2828 LLM 驱动的工业智能体：面向智能制造的综述
arXiv 一篇综述系统梳理了 LLM 驱动的工业智能体在智能制造中的应用。文章分析了通用智能体直接部署面临的五大挑战，提出了涵盖应用场景、具身形式与五个能力层级的统一分类法，以及四层系统架构与闭环任务执行机制，并回顾工业全生命周期的代表性应用与未来研究方向。
arXiv cs.AIAI 评分4242 DataPraxis：通过经验证的工作区演化扩展数据分析任务
论文提出 DataPraxis，一个基于经验证工作区演化的数据分析任务合成框架，通过逐步丰富工作区并继承组合来挖掘更深层问题，并在演化与任务组装后验证分析结果。
arXiv cs.AIAI 评分3636 MedPAO-Assist：可边缘部署、面向放射报告结构化的模态感知智能体 AI
研究者提出 MedPAO-Assist，一个可边缘部署的智能体框架，从放射科医生口述和语音指令直接生成结构化放射报告，仅需约 3.3 GB 峰值内存，在普通笔记本 CPU 上端到端平均延迟约 31 秒。
arXiv cs.AIAI 评分3939 基于 LLM 多目标强化学习的 Pareto 最优 RTL 代码生成方法
一项 arXiv 研究提出首个面向 LLM 电路生成的学习方法，不再优化单个电路，而是优化多次生成所得整个电路集在 PPA（功耗、性能、面积）目标空间中的质量与多样性。
arXiv cs.AIAI 评分2929 基于大语言模型与强化学习的自主建造与施工进度更新方法
一项研究提出结合大语言模型与强化学习的自主建造方法：采用增强型 soft actor-critic 强化学习算法为移动起重机规划施工动作，并借助机器人运动学与控制算法保证动作可执行。系统还定制了嵌入模型按用户兴趣提取施工环境信息，并调用 ChatGPT 5 更新施工进度、向控制系统提供安全信息、生成进度报告。该方法通过多个全尺寸挡土墙建造实验验证了可行性。
arXiv cs.AIAI 评分3636 Navalia：通过可验证任务合成与长程后训练推进 Cowork Agents
Navalia 是一个结合可验证任务合成与长程后训练的 Cowork Agents 框架，以企业财报为数据源，构建可执行计算链生成有证据可追溯的分析任务，并通过独立 LLM 审查和程序化校验保证答案正确性。
Hugging Face Daily PapersAI 评分3535 EvaOmni：一个证据锚定的音视频推理评测基准
EvaOmni 是一个证据锚定的音视频推理评测基准，包含 392 个视频和 1,027 条纯人工标注的问答对，覆盖 15 项能力和检索定位、基础理解、复杂推理三个层级。
Hugging Face Daily PapersAI 评分4545 多模态重排序是一种 System One 决策
这篇立场论文提出，通用视觉语言模型（VLM）可通过 System One 决策直接充当多模态重排序器，无需专门训练：用一道选择题对第一阶段检索的 top 16 候选打分，从一次前向传播中读取各候选标签概率完成排序。
Hugging Face Daily PapersAI 评分4747 Lafa：面向大流量语言模型的研究
一篇 arXiv 论文提出 Lafa（Large flow language model），一种扩展到 8B 参数的连续流语言模型，采用块内因果注意力前缀与双向异步流设计，可基于预训练自回归模型高效训练，仅用不到 30B tokens 训练了 0.5B、7B 和 8B 三个规模。
Hugging Face Daily PapersAI 评分4444 RiseHarness 框架：自进化方法提升长时程终端 Agent 可靠性
论文提出 RiseHarness，一个在模型权重固定的情况下迭代改进终端 agent harness 的框架。它以同配置下成功与失败的运行为切入点，结合轨迹与运行时监控的 harness 内部追踪，生成 Harness Handbook 定位跨任务的共性问题，并从其他 harness 框架检索相关实现作为设计参考，经行为检查与重复任务评估后保留有实测增益的版本进入下一轮迭代。
Hugging Face Daily PapersAI 评分4242 DecisionPivot：面向 LLM 系统决策模型的诊断基准
DecisionPivot 是一个诊断基准，包含 48 个任务、40,033 个条目、七种决策角色，用于评估 LLM 系统中负责路由、护栏与输出验证的决策模型。
Hugging Face Daily PapersAI 评分5353 Agent S4 通过进化智能体界面刷新开源计算机操作智能体纪录
研究者提出 Agent S4，一种能从任务经验中自主构建进化界面的计算机操作智能体，通过元智能体修订界面仓库并进行种群级进化筛选。