跳转至

🦾 LLM Agent

💬 EMNLP2026 · 142 篇论文解读

📌 同领域跨会议浏览: 🧠 NeurIPS2026 (271) · 🎞️ ECCV2026 (36) · 📷 CVPR2026 (45) · 🔬 ICLR2026 (209) · 💬 ACL2026 (121) · 🧪 ICML2026 (83)

🔥 高频主题: Agent ×44 · LLM ×32 · 推理 ×12 · 对话系统 ×8 · 强化学习 ×6

A Comprehensive Survey on Linguistic Steganography in the LLM Era

本文系统梳理了LLM时代的语言隐写术全景,系统归纳了148种隐写方案、60种隐写分析对抗防御、23种评测指标与9大开放挑战,首次厘清了从载体修改向提示词驱动生成、从启发式向可证明安全等五大关键范式转移。

ABDATABENCH: Evaluating AI Agents for Evidence-Grounded Antibody Record Construction

提出了首个面向科学文献与专利中完整抗体记录构建的基准评测 ABDATABENCH(44 篇文档、279 条记录、22 字段三级加权模式与非对称惩罚),并构建了以抗体记录为中枢的多智能体框架 ABCURATOR,通过确定性工具与技能演化工作流在专有与开源模型上分别取得 78.3 与 76.0 的高分。

Agent-as-Peer-Debriefer: A Multi-Agent Framework with Perspective-Based Refinement for Qualitative Analysis

本文提出 Agent-as-Peer-Debriefer 多智能体框架,将质性研究中提升可信度的“同行汇报”(Peer Debriefing)机制引入大模型定性编码流程,通过分层编码智能体生成自反思备忘录,并驱动理论导向、数据驱动、应用导向三个无利害关系的独立同行智能体进行五类结构化重构,显著提升了生成代码与人类编码方案的对齐质量。

Agent-G^2: Gaussian Guidance for Agentic Reinforcement Learning

针对长程智能体强化学习中稀疏奖励与固定提示深度的结构性失配,Agent-G^2 揭示了有效指导深度围绕最优值呈高斯带状分布的机理,提出一种利用在线探索统计动态更新高斯均值与方差的无额外探测开销指导框架。

AgentFold: Closed-Loop Agentic Search for Protein Folding Model Design

AgentFold 构建了面向科学机器学习代码库的闭环多智能体搜索框架,基于 MCTS 树控制器在 ESMFold 紧凑底座上迭代执行代码修改、自动调试与昂贵结构验证,不仅将最佳 lDDT 相比独立 Codex 提议提升 7.5%,还首次系统沉淀了指导几何深度学习设计的经验归纳模式。

AgentJudgeBench: A Multi-Difficulty Benchmark for Evaluating LLM Judges on Agentic Tool-Calling

针对当前智能体工具调用评测盲目依赖大模型裁判却缺乏基准校准的现状,本文构建了首个覆盖 6 种工作流拓扑、3 个难度等级和 3,808 条记录的评测基准 AgentJudgeBench,揭示了无参考真值时裁判普遍受限于 77–82% 结构性上限,以及前沿模型在接触参考真值时因“过度锚定”反而导致对齐度下降等关键失效模式。

AgentProv: Auditing Agentic LLM API Providers via Tool-use Policy Probes

针对黑盒大模型 API 提供商静默替换、量化降级或包装转售底层基座的问题,AgentProv 首次利用模型内生工具选择偏好构建动作级指纹,通过分块 MMD 置换检验实现无文本依赖且对系统提示注入强鲁棒的 API 身份审计。

AgentSpec: Speculative Decoding for Batch Inference of LLM Agents

针对投机解码在大批次 LLM 智能体推理中因高拒绝率与动态预算浪费而严重降速的瓶颈,本文提出 AgentSpec,通过基于下推自动机的结构隔离草稿生成与冗余感知动态预算分配,在 vLLM 上实现了最高 2.02× 的端到端吞吐加速且无损生成质量。

Aggregate While Searching: Online Partial-Trajectory Aggregation for Long-Horizon Reasoning

针对长程搜索智能体中独立采样轨迹无法中途纠偏且易发散的难题,本文提出 OPTA 框架,在固定检查点将活跃轨迹提炼为包含支撑发现、死胡同、未决冲突与进度总结的类型化全局共享状态,并针对接收轨迹实施选择性注入与上下文重置,在仅引入 2.3% 控制开销的前提下将 BrowseComp-Plus 上 Qwen3-30B 的准确率从 37.9% 提升至 59.6%。

AGORA: An Archive-Grounded Benchmark for Agentic Workplace Document Reasoning

AGORA 构建了首个面向真实工作场景、以受限档案集合为落脚点的跨领域智能体文档推理评测基准,包含 8 大行业领域、9,664 份真实文档(3.72 亿 Token)与 362 道具备唯一可验证数值答案的多跳推理任务,揭示了当前前沿大模型在内部杂乱档案检索与跨文件计算上的显著性能瓶颈(最高仅 59.39% 准确率)。

ANCHORS: Adaptive Normalization for Continual High-Order Retention via Sigmoid-Guided Magnitude Control

针对参数高效微调(PEFT)在连续自适应中因高重要性参数盲目更新引发的严重灾难性遗忘,ANCHORS 借鉴生物神经网络稳态可塑性机制,结合保留关键子空间的 CABR 逆低秩分解与基于 Sigmoid 幅度自适应缩放的 S-MagNorm 负反馈门控,在实现免历史样本重放的前提下,使下游推理与问答精度提升的同时保留超过 61% 的预训练基座能力。

APEx: Distillation of Agent Procedural Experience for Adaptive Deep Research Question Answering

APEx 构建了实例级执行轨迹与类别级规程技能的分层记忆体系,通过执行器-蒸馏器-规划器的三阶段交替 GRPO 训练及测试期自适应强化学习,以轻量开源模型实现了超越闭源大模型的高效深度科研问答。

Are Android GUI Agents Robust Against Runtime Anomalies? AnTrap: Evaluating Agents in Dynamic Adversarial Environments

提出了针对 Android GUI 智能体运行时异常的动态对抗评测基准 ANTRAP,涵盖状态、思维、动作与交互轮次四大层级共十个细粒度陷阱,并揭示现有智能体面对运行时异常普遍脆弱且强化学习仅能修复单步扰动而无法解决多步上下文死锁的根本瓶颈。

AuroraCounsel: A Multi-Agent Large Language Model Collaboration Framework for Psychological Counseling

本文提出 AuroraCounsel 框架,将专业心理咨询拆分为情感感知、结构化认知反思与引导应答三个协同智能体,通过情感驱动动态路由按需触发思考链,并利用 GRPO 强化学习内化阶段性提问与干预节奏,显著提升对话的专业度、共情力与安全性。

Beneath the Diff: Diagnosing and Mitigating Algorithmic Mode Collapse in Code-Level Autonomous Research Loops

本文首次系统诊断了基于代码编辑的自主研究循环(ARL)中的“算法模式坍塌”病理(表面代码差异多样但底层机制严重收敛、域内指标收益对留出评估过拟合2.0-2.6倍),并提出了包含类别覆盖重加权、持久编辑记忆和基于审计验证门的轻量缓解框架 DAPS,将语义聚类衰减降低 69.1% 并使盲测保真度相对提升 83.7%。

Beyond Next-Observation Prediction: Agent-Authored World Modeling for Sequential Decision Making

针对传统世界模型基于下一观察预测(Next-Observation Prediction)导致监督信号与动作决策脱节的根本矛盾,提出智能体自编世界模型(Agent-Authored World Modeling, AAWM),通过自探查(Self-Probing)、跨轨迹迁移检索与动力学综合,生成以决策需求为驱动的世界模型监督目标,在 ALFWorld 和 WebShop 上带来显著性能提升。

Beyond Outcome Gaps: Process-Aware Fairness Diagnosis for LLM-based Multi-Agent Decision Systems

本文提出了针对大语言模型多智能体招聘决策系统(LLM-MAS)的端到端程序公平性诊断框架 SCOPED-Hiring,构建了涵盖 31.1 万余条结构化交互轨迹的基准,揭示了“最终录用率均衡但决策过程潜藏严重偏见”的核心现象,并通过基于诊断反馈的 Fair Skills 规则使全流程分层偏见负担降低 72.3%。

Beyond State Consistency: Behavior Consistency in Text-Based World Models

针对文本世界模型以表面文本重合度为优化目标导致“度量反转”的缺陷,提出行为一致性奖励(BehR)并通过 GRPO 优化,使仿真状态诱导出与真实环境高度一致的智能体动作决策。

CaptchaMind: Training CAPTCHA Solvers via Reinforcement Learning with Explicit Reasoning Supervision

针对多模态 Agent 在复杂 CAPTCHA 验证码中因缺乏细粒度视觉定位与中间推理监督而频繁失败的问题,本文提出了首个具备过程级标注的大规模基准 CaptchaBench,并构建了基于强化学习的求解器 CaptchaMind,通过边界框工具显式约束并直接奖励中间关键区域定位,在 8 类任务上取得 82.9% 的平均成功率,且能无缝泛化至真实商业验证码场景。

CAS: Conformalized Agentic Search via Adaptive Retrieval and Policy Weighting

针对搜索智能体在强化学习微调中面临的检索噪声、证据截断与模型盲目过自信双重可靠性危机,本文提出 CAS 框架,在检索端利用自适应预测集(APS)实现具备统计覆盖保证的动态文档截断,在训练端利用自适应共形推断(ACI)量化置信度并折扣低置信度轨迹的 GRPO 损失,大幅提升推理准确率并消除冗余搜索。

CAVEWOMAN: How Large Language Models Behave Under Extreme Context Degradation

CAVEWOMAN 提出了首个贯通输入剪枝与输出受限的双通道极端语言压缩评测基准,揭示了压缩提示词反致推理总成本激增达 96% 且精度全线暴跌、而压缩输出可无损提速降本达 3 倍却导致超半数正确答案与模型原本推理脱节的深刻不对称规律。

COLLABMEM: A Diagnostic Benchmark for Collaborative Memory Operations in Multi-Agent LLM Systems

针对多智能体系统中记忆失真混淆于规划与工具调用缺陷的痛点,COLLABMEM 提出了面向六项交互记忆能力的解耦式评测基准,并构建了基于权限过滤与时序现值标记的图记忆架构 TMS-GRAPH++。

ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL

针对长程交互中工作上下文单调膨胀与现有主动上下文管理动作探索粗糙、奖励分配失准的问题,ContextPilot 扩展了规划、长期记忆和软卸载工具集,并提出基于上下文和熵变敏感度的上下文感知局部 rollout 与快照级细粒度信用分配强化学习框架。

Cooperate to Compete: Strategic Coordination in Multi-Agent Conquest

论文提出了面向混合动机与长程决策的多智能体博弈环境 C2C,结合对角隐密目标、战争迷雾与实体支援行动,通过 82 场人类-AI 对战与 1300+ 场全 AI 对弈揭示了大模型在妥协倾向与伙伴固着上的系统性偏差,并通过激进索求与策略性欺骗等行为干预将智能体胜率从 22.2% 显著提振至 32.7%。

CoPRM: A Collaborative Process Reward Model for Guiding Search Agent Reasoning

针对基于大语言模型的搜索智能体在多步交替推理时面临的步骤评估不可靠瓶颈,本文提出协同过程奖励模型 CoPRM,通过在同类型动作间强制共识过滤并对跨类型决策引入基于结果的门控校准,实现即时质量与长程收益的协同,为多种训练范式的搜索智能体提供即插即用的测试时推理引导。

CoreMem: Riemannian Retrieval and Fisher-Guided Distillation for Long-Term Memory in Dialogue Agents

CoreMem 提出了面向消费级边缘设备与云端大模型协同的长期对话记忆架构,利用基于局部自适应 Fisher-Rao 黎曼度量与 Woodbury 加速消除检索枢轴效应,并结合 Fisher 迹敏感度与句法保护实现具备数学界保证的离散上下文压缩。

CulturePRM: A Process Reward Model for Mitigating Cultural Bias in Language Models

本文针对大型推理模型在文化常识推理中初始识别出本土规范却在中途将其弱化或替换为泛化普世准则的“文化覆写”(Cultural Overriding)现象,提出了参数量仅 1B 的过程奖励模型 CulturePRM,通过在句子级步骤上判别规范保留与覆写并结合 Best-of-N 重排序,在冻结基座推理模型的前提下实现了显著的去偏与文化对齐提升。

DeepSearch-World: Self-Distillation for Deep Search Agents in a Verifiable Environment

DeepSearch-World 提出了一个包含 420K 多跳问答任务的确定性、可验证离线维基百科搜索与阅读环境,通过脚手架教师引导与过程级状态内化蒸馏为标准 ReAct 轨迹,使 9B 开源模型无需闭源强模型轨迹即可实现长程深度搜索能力的自主迭代进化。

DeltaMem: Towards Agentic Memory Management via Reinforcement Learning

针对传统多智能体分阶段记忆系统存在的信息级联损耗与强化学习奖励稀疏瓶颈,DeltaMem 提出端到端单智能体 ReAct 记忆管理框架,结合受人类记忆演化启发的合成轨迹,通过基于记忆编辑距离的状态转移软奖励实现轨迹级策略优化。

DeskCraft: Benchmarking Desktop Agents on Professional Workflows and Human-in-the-Loop Collaboration

DeskCraft 针对现有桌面 GUI 评测局限于简短原子任务和静态前置指令的缺陷,提出了覆盖 11 款专业级生产力软件、538 项任务的评测基准,建立了包含三级执行难度(L1/L2/L3)与基于三类可组合触发器(步数、追问、完成)的人机协同交互协议,揭示出前沿模型在真实长程专业交付与主动澄清上面临的核心瓶颈。

Distributional Stabilization for Zero-Shot Relation Extraction via Structural Margin Contrast

针对联合编码零样本关系抽取在全词表评测下暴露出的“未归一化打分致召回崩溃”与“实例级BCE致置信度混淆”双重分布病态,本文提出保留基准推理通路并引入双重防御性辅助分支的 SCAR 框架,通过梯度隔离的 Z-score 粗细级联与标签感知交互式对比对齐,在保持极高吞吐的同时将全词表零召回关系类别从 35 类骤降至 1 类,Wiki-ZSL 宏 F1 最高提升 9.7 个百分点。

Do GUI Agents Know When Not to Act? Enabling Conflict-Aware Termination for Multimodal GUI Agents

针对多模态GUI智能体在面对不可行指令时盲目执行的“过度顺从”缺陷,本文构建了包含指令内部逻辑矛盾与指令-界面上下文冲突的评测基准 CONFLICTGUI,并提出了无需微调的推理期引导框架 CONFLICTGUARD,通过可行性校验协议与条件激活引导相结合,在保持正常任务执行精度的同时使冲突任务终止成功率大幅提升超35个百分点。

Dockerless: Environment-Free Program Verifier for Coding Agents

Dockerless 摒弃了对每个代码仓定制 Docker 镜像和测试运行环境的繁重依赖,通过生成验证问题并调度并行只读子智能体深入代码库检索证据,实现了高精度的无环境补丁验证,在后训练中取得了与执行驱动方案相当的性能。

DSAgentBench: Can Agents Automate End-to-End Data-Science Workflows in Real Computer Environments?

DSAgentBench 构建了首个基于真实 Ubuntu 操作系统的端到端数据科学智能体评测基准,包含 275 个覆盖完整生命周期的多阶段多工具任务,并通过无特权 GUI 交互与确定性执行评估器证明,当前前沿模型在跨工具编排与系统具身定位上仍面临巨大挑战。

DualStake: Dual-Path Confidence Calibration in Deep Research Agent

针对深度研究智能体(Deep Research Agent)在多轮检索推理中存在的严重过度自信问题,本文通过实证与机制分析发现检索后证据置信度(E-Conf)比生成后回答置信度(A-Conf)具备更强的不确定性表征并显著主导后者,据此提出双路校准框架 DualStake,利用带边界截断的赌注式奖励联合监督两路置信度,在不牺牲回答准确率的前提下大幅降低校准误差。

Dude: A Dual-Detection Multi-Agent System for Paper-Code Discrepancy Detection

Dude 是首个针对论文与开源代码不一致检测的双向多智能体系统,通过将审计任务解耦为论文导向与代码导向双向流水线,并引入清单驱动的跨粒度协商机制与两阶段显著性过滤,彻底消解了跨模态语言粒度不对称引发的“过度解读”与“过度报告”难题,在 SciCoQA 基准上将召回率提升 21.74%、F1 提高 15.03%,同时保持 93.67% 的极高精确率。

Dynamic Dual-Granularity Skill Bank for Agentic RL

针对智能体强化学习中单一轨迹级经验无法纠正局部错误以及外置记忆无序膨胀导致检索退化的问题,本文提出 D2Skill,通过解耦宏观任务技能与微观步骤技能构建双粒度技能库,并利用同策略配对采样构造后验效用信号,实现技能库的动态扩充、效用感知检索与自适应剪枝。

EgoArgus: Benchmarking VLMs as Situational Assistants for Modality-Grounded User Supports

EgoArgus 针对第一人称真实场景构建了包含 6,978 条真实视频多项选择题与 789 条合成情境干预片段的双轨基准,评估视觉语言模型在五类音视频对话交互场景下的情境理解、后续动作预测与适时干预决策能力,揭示了当前模型在面临图文冲突时严重倾向文本而忽视视觉真实线索的系统性缺陷。

EmoDap: Dual-Agent Prompt Retrieval Framework for Zero-Shot Fine-Grained Emotion Recognition

针对零样本细粒度情感识别中语义干扰与反向检索痛点,EmoDap 提出原型引导过滤与双智能体协同检索框架,并结合原型感知连续奖励与 GRPO 联合优化,刷新了四项基准零样本性能。

Evidence Laundering: Deep Research Agents Mistake Correlated Sources for Independent Evidence

论文揭示了深度研究智能体(Deep Research Agents)在利用多源一致性评估可靠性时,极易将来自同源改写、相互引用的相关联页面误判为独立证据(即“证据洗白”攻击),并通过基于掩码句式骨架的后检索溯源门控,在不误伤独立报道的前提下有效坍缩伪造共识。

Finding Where the Buck Stops: An Automated Failure Attribution-Based Reflection Framework for Multi-Agent Collaboration

针对多智能体协作失败时“全员反思导致正常智能体记忆污染”的核心弊病,本文提出“先诊断后校正”框架 DoCtOR:利用过程奖励模型精准定位导致失败的决定性错误步骤与责任智能体,通过反事实推理生成校正步骤,并借助 PPO 优化的反射器引导该责任智能体生成针对性反思。

Follow the Latent Roadmap: Navigating Revocable Decisions in Long-Horizon Tool-Use Agents

针对扩散大语言模型(dLLM)并行可撤销解码在混合质量上下文中所面临的错误传播与局部错误强化两大核心失效模式,提出纯嵌入空间的免训练解码框架 ASRD,通过时序一致性筛选可信锚点缓存(ATC),分别以熵加权先验引导 [MASK] 生成并以正交扰动探针打破候选 token 的虚假局部共识,在实现最高 7.2× 推理加速的同时带来高达 +6.4% 的推理精度提升。

From Agent Skills to Executable Environments: Frontier-Targeted Training for Tool-Use LLMs

本文提出将包含工作流与脚本的 Agent Skills 转化为自包含可执行环境的闭环合成流程 Grafting,并结合在目标模型动态能力边界上切片探测与强化的 Fathoming 算法,在 4B 模型上实现多轮工具调用能力的显著跃升。

From Atomic to Agentic: Towards Interpretable Evaluation of LLMs’ Agentic Mathematical Capabilities

本文提出了首个面向大语言模型内在数学智能体能力的过程级评测基准 AgenticMathBench(AMB),将结构化数学原子能力与规划、动作、反馈三类智能体核心行为双轴对齐并细粒度解耦,揭示出传统端到端答案正确率完全掩盖的模型微观智能体能力断层与瓶颈。

From Retrieval to Reconstruction: Constructing Evolvable Cognitive Memory for Long-Term Dialogue

针对传统检索增强生成中主观观点与客观事实混淆(语义坍缩)及静态检索缺乏意图自适应的瓶颈,提出基于 PEC2F 图模式的免训练认知记忆架构 CogMem,通过主客观解耦、离线记忆巩固和 ReAct 驱动的主动重构,在 LoCoMo 与 LongMemEval 上显著刷新长程多跳与时间推理基准。

GRASP: Gated Regression-Aware Skill Proposer for Self-Improving LLM Agents

GRASP 将大模型智能体的自我演进形式化为对容量受限行为技能库的受控编辑序列,通过细粒度机制化错误归因生成候选技能,并在包含既往失败与成功样本的平衡留出探针上施加严格“净增益且零新增退化”的双重门控,在零参数更新与轻量推断上下文的前提下彻底解决了传统言语反馈机制中的静默性能退化难题。

Grounding Memory Summarization in Utility Intent

针对智能体记忆摘要习惯优化人类可读性而丢失细粒度事实的问题,本文提出 MemSuit 框架,利用特权问答对引导教师模型进行自适应条目分解,通过自蒸馏让学生模型从原始对话习得下游效用感知摘要,并结合对比学习校准检索器。

GUI-PRA: Process Reward Agents for GUI Tasks

针对传统过程奖励模型(PRM)在图形用户界面(GUI)任务中由于静态单遍打分导致的评价知识缺口与视觉歧义问题,GUI-PRA 提出了经验注入准则合成与准则引导自回归感知的解耦架构,将过程验证转变为主动调用多粒度视觉工具的证据搜集过程,在 AndroidWorld 与 Mobile-MiniWoB++ 上显著超越基线。

HALT: Evaluator-Guided Clause-Level Pruning and Early Halting for Lower-Cost Multi-Agent Systems

针对大语言模型多智能体系统中 API 成本剧增与长上下文错误放大的两难困境,HALT 提出了宏观难度路由与微观评估器引导的双轴干预机制,在子句粒度上剪枝有毒锚点并在达成置信共识时早停,在大幅削减计算开销的同时甚至提升了推理准确率。

HardGen: Generating Hard Samples for Tool-use Agents

针对现有智能体工具调用合成数据过于平庸且依赖表面模式匹配的痛点,HardGen 提出“失败引导的依赖图采样 → 高级工具反向抽象与隐式难查询生成 → 闭环验证反馈 CoT 迭代修正”的三阶段管线,构建了包含 2.7 万条高难轨迹的语料库,使 4B 模型在 BFCLv3 上实现 79.14% 准确率并跨级别超越众多前沿大模型。

Holmes-SQL: Benchmarking LLM Agents on Evidence-Aware Investigative Reasoning over Structured Databases

提出了首个面向关系型数据库证据感知侦查推理的智能体基准 Holmes-SQL,揭示出即使智能体 SQL 执行成功率超过 97%,在状态不确定性与三级证据强度差异下面对谬误诱导时案件侦破率最高仅达 49%。

How Coding Agents Fail Their Users: A Large-Scale Analysis of Developer-Agent Misalignment in 20,574 Real-World Sessions

针对真实软件开发中代码智能体屡屡违背用户预期的交互痛点,本文基于 1,639 个代码仓共 20,574 场真实会话日志,构建了首个通过开发者反驳与纠偏显式落地的四维未对齐分析管线,揭示出 90.50% 的未对齐主要消耗开发者的认知精力与信任成本而非造成不可逆破坏,但 91.49% 的可见解决极端依赖人类介入纠错,且随着模型演进交互型约束违背占比反而持续上升。

How Far Are AI Scientists from Changing the World? A Thorough Evaluation of Automated Discovery Systems

本文全面审视从提示词生成论文(prompt-to-paper)到可执行闭环研究的 AI Scientist 系统演进,提出涵盖知识获取、假设生成、实验验证与持续进化的四维能力框架,确立从概念构想到独立复现的 E0-E4 证据分级体系,揭示当前系统从表面文本产出迈向具备可审计实验轨迹的严谨科研实体的核心鸿沟。

How Many Pixels Is a Digit Worth? Place-Aware Coordinate Entropy for GUI Agent Control

针对基于视觉语言模型的 GUI 智能体在输出离散屏幕坐标时缺乏可靠置信度信号的问题,本文揭示了坐标数字的“位权不对称性”,提出无需训练、无需多次采样的位权敏感坐标熵(PACE),仅凭单次前向贪婪解码中按十进制位权加权的坐标 token 香农熵即可大幅提升正确点击与错误点击的判别力。

HTAM: Hierarchical Transition-Attended Memory for Operator Optimization

针对大语言模型在 GPU 算子优化中面临的“粗粒度提示难执行、细粒度追踪噪声大”的粒度失配矛盾,本文提出分层状态转移注意力记忆框架 HTAM,通过构建两层分层转移图(HTG)与位置感知注意力转移效用评分,实现从全局优化方向到局部实现策略的由粗到精演进搜索,在 KernelBench 全集 250 个任务上达到 98.4% 正确率与 1.978× 几何平均加速比。

HyLaT: Efficient Multi-Agent Communication via Hybrid Latent–Text Protocol

HyLaT 提出了多智能体隐式-文本双信道混合通信协议,将繁复的推导与解释压缩至连续隐向量信道传输以消除 token 冗余,并将关键决策与最终结论保留在自然语言文本信道以确保可解释性与跨模型互操作性,在多智能体辩论与协作任务中以接近单智能体的开销实现了顶级协作性能。

I Am Multitudes: A Survey and Roadmap for Rethinking Personas in Large Language Models

本文基于 PRISMA 规范对 ACL Anthology 中 149 篇涉及身份与角色的论文进行了系统性元分析,揭示出当前 84% 的研究将智能体/用户身份简单窄化为静态的法定人口统计学标签且主要用于事后偏见审计,进而提出了涵盖理论解耦、动态自述、交互时序建模、五维多棱镜评测与多元对齐的社会感知型 LLM 路线图。

ICA: Information-Aware Credit Assignment for Visually Grounded Long-Horizon Information-Seeking Agents

ICA 将长程网页信息搜寻建模为证据归因问题,使用渲染的视觉网页快照作为跨轨迹可比的稳定证据单元,并通过分组 Rollout 成功率差值估计证据效用,将密集奖励反向赋予引入关键信息的检索与抓取动作,结合解耦的轮次级 GSPO 显著提升了开源智能体的深度检索能力。

InSight: A Benchmark for Agentic Claim Verification in Interactive Visualizations

InSight 构建了一个包含 21,349 条专家分析论断并根植于真实交互式 Vega-Lite 多视图环境的基准,通过纯视觉网页截屏与交互动作轨迹审计多模态 Agent 序贯搜集证据的能力,提出交互效率指标 IES 严惩无动作猜想与被动感知偏差。

Invisible to Humans, Triggered by Agents: Stealthy Jailbreak Attacks on Mobile Vision–Language Agents

针对移动端多模态智能体提出智能体独占感知注入攻击(Agent-only Perceptual Injection),利用自动化触控与人类物理触控的接触特征差异实现时序动态激活,配合受控诱导模板与 HG-IDA* 启发式脱敏搜索,在无系统特权与零人类可见性的前提下实现对 GPT-4o 等商用模型高达 82.5% 的规划劫持与 75.0% 的端到端执行越狱。

LADA: Enabling Adaptation of Black-Box LLMs to Dynamic Domain Changes at Test Time

针对黑盒大模型在动态测试环境中因领域漂移导致推理偏航的难题,LADA 提出跨数据集与错误类型的元训练框架,仅需目标域极少样本极速校准轻量适配器,并在推理阶段通过步级自适应重采样精准纠正错误中间步,在无需访问模型权重与 token 概率的前提下显著超越已有黑盒基线。

Last Step Matters: Early Uncertainty Cannot Predict Failure in Long-Horizon Agent Tasks

本文系统评估了长程深度调研智能体中各类不确定性信号的动态演变,揭示出由于智能体在推理中频繁发生“路径切换”,轨迹中前期的不确定性指标几乎无法预测最终失败(50%进度时平均 AUROC 不足 0.60),唯有任务终步的口头置信度具备强判别力(平均 AUROC 达 0.85),从而论证了“终步置信度引导后验重试”显著优于“轨迹内干预”的设计准则。

LatCom: Cross-Agent Latent Compression for Efficient Multi-Agent Collaboration

LatCom 针对多智能体隐空间协作中直接传递隐状态导致的接收端上下文膨胀与跨智能体表征冗余问题,通过两阶段训练(单发送者可读性学习与多发送者融合学习)将多个发送者的连续隐状态轨迹压缩为固定槽位数量的紧凑消息,在保持相当任务精度的同时实现 2.46× 推理加速并减少 70.3% 输出 Token。

LatentEvolve: Self-Evolving Test-Time Scaling in Latent Space

受认知科学互补学习系统(CLS)启发,LatentEvolve 通过海马体式的“白昼”情景检索与动量迁移、以及新皮层式的“黑夜”紧凑模型参数整合,构建了无需真实标签即可在测试时持续自进化的隐空间测试时扩展框架。

LatentMem: Customizing Latent Memory for Multi-Agent Systems

LatentMem 针对多智能体系统(MAS)中记忆同质化与长上下文信息过载的瓶颈,提出通过轻量经验库检索原始轨迹,并由记忆合成器结合智能体角色画像生成角色专属的定长连续隐向量记忆,并设计 LMPO 强化学习算法实现端到端端优化。

LegalWorld: A Life-Cycle Interactive Environment for Legal Agents

基于 7.5 万对中国民事一二审真实裁判文书,构建覆盖法律咨询、文书起草、一审庭审、上诉与二审庭审的五阶段全生命周期仿真环境 LEGALWORLD 与能力基准 LongJud-Bench,揭示法律大模型跨阶段因果累积与法庭辩论瓶颈。

LifeMem: Enabling Lifelong Experience Reuse for LLM Agents via Memory Distillation

LifeMem 针对跨异构环境终身学习中动作空间失配与灾难性遗忘痛点,提出基于工作流聚类与几何多样性约束的结构化技能蒸馏架构,在推理端结合环境对齐轨迹与环境不变量技能,在 10 个环境与 1.3 万个任务上显著抑制遗忘并大幅提升跨任务零样本迁移。

LLM Agents as Computational Typologists

提出了首个面向计算语言类型学研究的大语言模型智能体 AutoTypologist,通过层次化大纲检索、行间标注语料量化分析、动态证据图追踪与后置对抗式审计,实现了在真实参考语法书上的证据溯源型特征赋码与跨语言普遍性假说检验。

LLM Fine-tuning with an Unconstrained Fine-tuned Teacher

提出无约束微调教师(UFT)框架,将微调中教师模型的角色从被动的“知识传递”转变为“价值发现”,通过无约束微调暴露目标任务行为漂移与源模型不确定性预算,结合置信度自适应双教师蒸馏,在高效适配目标任务的同时有效保留通用先验能力。

LogicEnvGen: Task-Logic Driven Generation of Diverse Simulated Environments for Embodied AI

针对具身智能仿真环境过分追求视觉逼真度而忽视逻辑测试多样性的缺陷,LogicEnvGen 提出一种自顶向下的 LLM 驱动环境生成框架,通过决策树行为计划解构任务逻辑、启发式极小化算法抽取非冗余逻辑轨迹,并结合 Z3 约束求解器实例化物理合理的 3D 仿真测试环境。

LongDS-Bench: On the Failure of Long-Horizon Agentic Data Analysis

LongDS-Bench 构建了首个专注于长程多轮交互演化分析状态(更新、回滚、反事实扰动与多状态组合)的数据分析智能体基准,实验揭示最强闭源模型仅达 48.45% 准确率,且超过一半的错误源于长程状态管理失效与级联传播。

MAS-on-the-Fly: In-Context Structural Adaptation of LLM-Based Multi-Agent Systems

本文提出面向大语言模型多智能体系统的上下文结构自适应框架 MASFly,在冻结模型参数的前提下,通过检索增强的 SOP 实例化实现查询级自适应系统生成,并通过全局 Watcher 与个性化经验池实现执行期闭环过程监督与动态重配置。

MaS-VQA: A Mask-and-Select Framework for Knowledge-Grounded Visual Question Answering

针对知识驱动视觉问答中检索文档噪声累积与多模态证据孤立割裂的难题,本文提出联合执行图像区域掩码与文本短语筛选的统一 Mask-and-Select 框架,并以紧凑显式线索约束 MLLM 隐式知识生成,实现无需推理阶段额外训练的高精度多模态跨知识协同推理。

MemDefrag: Latent Memory Defragmentation for Large Language Models

针对大语言模型隐式长程记忆中位置编码累积失真与目标记忆难以寻踪的顽疾,论文发现 Transformer 中间层注意力密度蕴含天然的片段寻踪信号,提出完全无需训练且模型无关的 MemDefrag 框架,通过推理期注意力碎片整理(排序与截断过滤)和容量超限时的信息量自适应比例遗忘,在 50 步知识保留测试中将准确率从基线的 17.4% 大幅提升至 43.0%。

MemGuard: Persisting Verifier Signals for LLM-Agent Memory Governance

MemGuard 改变了将轨迹校验器仅用作一次性过滤器的传统做法,将多维度校验信号转化为持久化的生命周期描述符,贯穿记忆准入、合并消歧、质量感知检索与失效归档全流程,在四大主流 Agent 基准上全面提升成功率并降低执行步数。

MEMORA: A Memory-Enhanced Multimodal Committee Reranking Agent for Reasoning-Intensive Retrieval

针对传统稠密检索在复杂跨模态推理场景下“引入图像反而退化”的瓶颈,本文提出一种记忆增强的协同委员会重排序智能体(MEMORA),通过情景记忆驱动的意图因子动态规划、双分图证据抽取与自适应多轮控制,实现推理密集型多模态检索 SOTA。

MemoryForge: Synthesize Lifelong Memory for Human-Like LLM Agents

针对传统提示词描述式画像导致大模型智能体行为扁平泛化的问题,MemoryForge 提出基于自传体记忆条件驱动的新范式,结合情境生成、逆向人生组织与多分辨率仿真,从简要身份设定自主合成数十载连贯自传体记忆库,实现情境化动态检索与高拟人度行为表达。

MENTOR: Reinforcement Learning via Flexible Teacher Guidance for LLM Reasoning

针对小语言模型在工具集成推理中模仿静态轨迹泛化差、强化学习奖励在稀疏与严苛间难以权衡的问题,本文提出基于柔性教师优化奖励的在策略蒸馏框架 MENTOR,通过集合匹配对齐宏观工具选择并结合执行校验,显著提升了小模型的域外推理与工具泛化能力。

MetaBench: Benchmarking Two-Stage Reranking and Top-N Screening for Meta-Analyses

MetaBench 构建了涵盖 7,801 项 PubMed Meta 分析与 4.2M 候选池的基准体系,将文献筛选标准化为「全池高召回重排序 + 预算约束下 Top-N 纳排决策」两阶段管线,通过覆盖率分级和 PICOS 变异合成负样本驱动大模型智能体在有限检视工作量下实现高灵敏度与高精确度的筛选。

MobileGym: A Verifiable and Highly Parallel Simulation Environment for Mobile GUI Agents

本文提出基于浏览器的轻量级移动 GUI 仿真平台 MobileGym,通过将应用数据与系统上下文建模为全可控的结构化 JSON 状态,实现了单机数百实例高并发与毫秒级重置,配合类型化 AnswerSheet 协议与确定性状态比对判定,消除了 VLM 判定的幻觉并使模拟强化学习增益在真实手机上保留 95.1%。

MoCA-Agent: A Market-of-Claims Code Agent for Financial and Numerical Reasoning

MoCA-Agent 针对金融与表格问答中自由辩论粗粒度与代码生成静默计算错误问题,提出将输入分解为事实、公式、单位与方向等细粒度原子声称,通过多专家买卖交易与双门限市场撮合形成显式证据链,并结合操作感知验证与仲裁生成高可靠可执行代码。

RedNote-Vibe: A Lifestyle Social Media Dataset for Detecting AI-Generated Text and Analyzing Its Impact

构建首个跨越前大模型时代至 2025 年 7 月的小红书生活方式社交数据集 RedNote-Vibe(含 14.8 万篇笔记与 17 款大模型生成变体),并提出基于 31 维心理语言学特征的 PLAD 可解释检测框架,系统揭示了真实社交媒体中人机内容互动差异与策略性 AI 创作者现象。

MultiSessionCollab: Learning User Preferences with Memory to Improve Long-Term Collaboration

本文提出了多会话人机协作基准 MultiSessionCollab 与专为学习用户偏好设计的长期记忆架构,利用用户在交互中纠正偏好的行为信号构建强化学习奖励,通过 GRPO 训练智能体生成高完备性、无幻觉的会话反思,显著提升了长周期协作的任务成功率并大幅降低了用户沟通负担。

Not All Evidence Is Equal: Source-Sensitive Calibration in Large Language Models

通过控制命题内容并操控信息源可靠度与证据语法/词汇标记,本文构建了土耳其语-英语双语人类与大模型听者端采纳基准,揭示人类具有强证据源敏感校准能力(高信任源采纳度高 1.69 分),而主流大模型仅表现出微弱的表面线索感知(仅高 0.25–0.29 分)且缺乏深层认识论校准。

OffSeeker: Online Reinforcement Learning Is Not All You Need for Deep Research Agents

针对深度研究智能体严重依赖昂贵且不稳定的在线强化学习(Online RL)痛点,提出轻量端到端任务合成框架 DeepForge 及纯离线训练智能体 OffSeeker-8B,仅通过 33k SFT 轨迹与 21k DPO 偏好对便在六大权威基准上达到媲美 30B 级在线 RL 系统的顶尖性能,将训练期交互 API 开销彻底降至零。

Omnilingual MT: Machine Translation for 1,600 Languages via Scalable Multilingual Pretraining

Omnilingual MT 提出了覆盖全球 1,600 多种语言的通用机器翻译系统,通过 256K 超大词表扩展、两千种语言回译与语法多样性种子集 MeDLEy,配合解码器自编码增强的 OMT-NLLB 与强化学习微调的 OMT-LLaMA,使 1B–8B 专用小模型在翻译质量上全面超越 70B 通用大模型,并将具有可用翻译能力的语种数量直接翻倍。

OpenResearcher: A Fully Open Pipeline for Long-Horizon Deep Research Trajectory Synthesis

OpenResearcher 通过将一次性在线自举建库与多轮交互合成完全解耦,构建包含 15M 网页的受控离线检索环境并引入 search、open、find 三种显式浏览器操作原语,利用 GPT-OSS-120B 合成了 97K+ 条长程深度研究轨迹,使 30B 开源模型在 BrowseComp-Plus 上取得 54.8% 的准确率,相较基座提升 34.0 个百分点。

OpenSkill: Open-World Self-Evolution for LLM Agents

OpenSkill 提出了首个无目标任务监督的开放世界大语言模型智能体自演化框架,通过解耦检索任务领域知识与客观验证锚点,构建基于确定性断言的虚拟测试套件驱动多轮反馈精炼,在 SkillsBench 等三大基准上取得最高自动化通过率且技能可零样本跨模型无损迁移。

OptiMAS: Automatically Optimize Multi-Agent System

针对传统离散搜索在多智能体系统(MAS)演化中面临的搜索不稳定性与支系经验割裂难题,OptiMAS 提出了首个基于统一 ReAct 基础设施与文本梯度的数据驱动连续优化范式,通过双轨记忆与自适应重采样在四大异质基准上实现了显著超越离散演化与手工 SOTA 的稳步自进化。

P-Search: A Parallel Plan–Act–Verify Framework with Decoupled GRPO for Deep Research

提出 P-Search 深度研究框架,通过「前置背景建模-无依赖分支规划-并行子智能体执行-迭代证据闭环验证-最终综合」五阶段串行管线,结合星形子图采样与解耦 GRPO 强化学习,显著降低单路径锚定与级联分解误差。

Peak-Then-Collapse and the Four Interface Channels of Knowledge Graph Tool Use

本文针对强化学习验证奖励(RLVR/GRPO)在知识图谱工具调用场景中的泛化性进行系统评测,揭示了奖励设计引发的“冲顶后骤崩”(Peak-Then-Collapse)及四种典型失效模式,并提出了四通道信号衰减分析框架与单轮自蒸馏稳定方案。

PlanBench-XL: Evaluating Long-Horizon Planning of LLM Tool-Use Agents in Large-Scale Tool Ecosystems

提出了包含 1,665 个工具与 327 个零售长程任务的交互式评测基准 PlanBench-XL,通过局部工具可见性与显式/隐式/误导性检索阻断机制,系统评估 LLM 智能体在部分可观测与动态失效环境下的双向探索与自适应重规划能力。

PredNav: A Predictive Cognitive Map for Zero-Shot Object Goal Navigation

受海马-内嗅皮层预测认知地图机制启发,PredNav 提出将零样本目标导航(ObjectNav)的前沿探索建模为显式拓扑认知地图上的房间级结构化预测,结合视觉证据、离线先验与多视角 VLM 目标验证,在 MP3D 与 HM3D 基准上显著超越现有零样本导航方法。

PRISM: Entropy-Guided Multi-View Exploration for Scientific Idea Generation

PRISM 针对大语言模型在科学设想生成中易陷入局部惯性与同质化方案的瓶颈,提出利用对称假设转移熵量化候选视角间的正交性,动态筛选互补视角子集并条件化引导骨干模型生成结构化科研设想,在 500 个跨学科基准问题上显著超越已有自主科研 Agent 基线。

Privacy-Preserving Text Sanitization for Distributed Agents Collaboration via Disentangled Representations

针对跨机构分布式智能体证据交换中显式隐私与隐式写作风格指纹双重泄露问题,提出 DiSan 框架,通过两流编码器将文本正交解耦为任务角色表征与本地私有风格表征,并结合联邦超球面原型对齐与对抗防御,在将 RAG 答案级 PII 泄露率降低 20 倍的同时保持了 83.17% 的高保真度。

PsyAgent: Constructing Human-like Agents Based on Psychological Modeling and Contextual Interaction

PsyAgent 提出了一个显式结合大五人格个体结构(IS)与八大多场景交互规范(MSC)的架构范式,通过两阶段 SFT+DPO 参数高效微调,在保持跨场景规范适应的同时大幅提升了紧凑模型的长程人格保真度与行为一致性。

Q-CAT: A Non-Parametric Query Filtering System for Multi-Session Dialogue

Q-CAT 针对企业多会话对话及 LLM 交互中敏感信息泄露与治理策略频繁变动的难题,提出了无需参数微调的非参数化查询过滤系统,通过合成查询池检索与反馈迭代,在保证毫秒级超低延迟的同时实现动态策略敏捷适配。

Read the Paper, Write the Code: Agentic Reproduction of Social-Science Results

构建了一个严格信息隔离的多阶段智能体复现系统,仅凭论文方法文本与原始数据从零生成 Python 代码,在 48 篇经人工核验的顶级实证社会科学论文上实现了超 90% 的系数符号复原率,并首次量化证实论文本身的“方法欠说明”(underspecification)是阻碍自主科学复现的首要瓶颈。

Reasoning and Tool-use Compete in Agentic RL:From Quantifying Interference to Disentangled Tuning

针对智能体强化学习(ARL)中思维链推理与外部工具调用在共享参数空间下相互竞争干扰的根本瓶颈,本文提出基于特征归因的诊断框架 CEA 证实其梯度正交性,进而提出冻结基座并采用确定性 Token 级硬路由解耦专属 LoRA 的 DART 框架,在 13 项基准上逼近双智能体上限。

Retrieval-Augmented LLM Agents: Learning to Learn from Experience

提出了经验检索增强生成框架 EXPRAG 及其检索感知微调范式 EXPRAG-LoRA,将历史交互轨迹作为情景记忆注入提示词并联合微调模型,使开源 LLM 智能体在未见硬任务上的泛化成功率显著提升,并能直接从自身历史失败轨迹中实现上下文自改进。

Risky Business: Measuring The Faithfulness-Safety Tension

揭示大推理模型在思维链可监控性(忠实度)与对抗鲁棒性(安全性)之间的核心对立张力,提出 HazMart 具身店主基准与目标化推理替换方法,并在残差流定位出可独立调节的非对称抗性与顺应性表征通路。

RoboSPA: Can VLA Models Go Beyond Simple Scenes and Handle Spatial Reasoning Complexities?

针对现有 VLA 基准局限于简单场景与短程指令、难以暴露空间与规划瓶颈的问题,本文提出包含 527K 轨迹、5 个难度等级的评估基准与数据集 RoboSPA,结合物体归一化目标精度与进度分等诊断指标,系统揭示了前沿 VLA 模型在细粒度空间推理与长程规划上的断崖式性能衰退。

SciLENS: RL-Driven Autonomous Agents for Scientific Localized Evidence Navigation and Synthesis

提出完全离线的科学文献导航与宏观合成智能体 SciLENS,构建索引 1200 万篇论文的双层本地存储架构,首创将数据驱动图表可视化作为推理工具以压缩拓扑拓宽上下文瓶颈,并通过基于 20 个前沿模型共识筛选的合成多跳子图与逆向分解细则强化学习(IcePop)实现对齐。

SecAgent: Efficient Mobile GUI Agent with Semantic Context

SecAgent 针对移动端 GUI 智能体面临的非英语生态数据匮乏与多步历史表示冗余两大痛点,构建了包含 12.1 万步人工精细标注的中文移动 GUI 数据集 CMGUI 与多选评估基准 CMGUI-Bench,并提出一种仅保留单步视觉历史与递增自然语言摘要的语义上下文机制,配合 SFT 与 GRPO 强化微调,使 3B 参数模型在任务成功率上超越同量级基线并比肩 7B–8B 模型。

Seeing is Believing? Evaluating Vision-Language Model Susceptibility in Agent-to-Agent Multimodal Persuasion

针对多模态智能体协作中受恶意同行操纵的隐蔽安全风险,本文提出 MMPERSUADE 评测基准与时序折扣累积增益指标(PDCG),利用结构化函数调用概率解耦语义与视觉影响,揭示出“能力越强的模型反而在对抗性多模态输入下更易被说服”的对齐悖论。

Self-Corrected Speech Reasoning: Diagnosing and Improving Audio LLMs via Internal Verification

针对语音大模型在自纠错场景下能转录纠错内容却无法将其作为有效推理前提的“最终条件采纳失败”现象,本文提出包含 13,295 个样本的双难度基准 SCUR-Bench 与三路诊断协议,并设计融合结构化条件奖励与语音对比正则的强化学习框架 PACER,使端到端推理错误率与条件相关错误分别相对下降 39.8% 和 67.5%。

SHIFT: Self-reconstruction Harnesses Implicit Fine-grained Thinking for Retrieval

针对大语言模型稠密检索中生成表征冗余与端到端监督弱的双重失配,SHIFT 提出在潜空间自回归生成软思考向量,通过残差投影剥离因果自回归噪声并结合双向自注意力动态聚合,辅以细粒度次词自重构损失端到端塑造推理语义,在 Bright 与跨域推理基准上显著超越现有显式改写与潜空间检索器。

SIRI: Self-Internalizing Reinforcement Learning with Intrinsic Skills for LLM Agent Training

SIRI 提出了面向长程 LLM Agent 的自内化强化学习三阶段课程框架,使智能体能从自身成功的无技能轨迹中自主总结技能、通过成对 rollout 在线验证宏观效用,并利用分层强化学习优势加权将高价值动作内化至模型参数中,从而在推理部署时完全摆脱对外部技能库与检索的依赖。

Size Sound Symbolism Survives Genealogy Across 27 Language Families

本文通过构建涵盖 13 个语系 27 种语言且经母语者音频校准的 810 个大小形容词数据集,结合基于归一化编辑距离(LDN)的三分位留一语言交叉验证与对抗去偏表征学习,严格证明了跨语系的大小语音象征义(如 /i/ 对应微小、/o, a/ 对应巨大)在剥离谱系近邻与源语言线索后依然稳健存在。

SkillBrew: Multi-Objective Curation of Skill Banks for LLM Agents

针对智能体技能库长期单向追加导致冗余膨胀、单标量排序无法权衡结构特性的核心痛点,提出全局库级多目标精炼框架 SkillBrew,形式化为带效用约束的帕累托优化问题,通过反事实留一法归因与双层 Propose-then-Verify 循环实现技能库的高效自进化。

SkillMe: Evolving Agent Skills for Recurring Personal Workflows

针对通用智能体技能在个人周期性工作流中因本地工具、环境暗约束及特有失败模式导致的水土不服问题,SkillMe 提出了情境化技能演化框架,通过高能力发布者按需归纳与验证初始技能、多异构执行者在临时工作区中随需渐进使用并回传证据溯源反馈、再由发布者归因修订闭环演化,显著提升执行成功率并压降执行方差。

SkillPyramid: A Hierarchical Skill Consolidation Framework for Self-Evolving Agents

SkillPyramid 提出了一个分层的技能整合与自演化框架,通过双向关系构建将扁平技能库重构为下层可复用原子操作、上层抽象求解范式的高内聚拓扑金字塔,并在任务执行中按需组合、验证与增量吸收新技能,在 ALFWorld、WebShop 和 ScienceWorld 上平均奖励提升 38.0%、交互步数缩减 27.7%。

SkillsVote: Lifecycle Governance of Agent Skills from Collection, Recommendation to Evolution

SkillsVote 提出了首个覆盖智能体技能全生命周期的治理框架,通过开源技能画像过滤、执行前基于文件系统的 Agentic 推荐、执行后子任务级多维责任归因以及仅依赖可复用成功探索的证据门控演化,化解了大规模技能库的上下文干扰与经验污染问题,在 Terminal-Bench 2.0 和 SWE-Bench Pro 上实现了稳健的在线自进化与跨任务离线迁移。

SocialCritic: Grounding Multi-Agent Dialogue via Advantage-Based Endorsement Suppression

针对多智能体对话中未经证实的幻觉通过交叉代理背书与采纳形成决策错误的问题,本文提出后退时域控制器 SocialCritic,结合任务效用、规范与认知三类局部优势打分及片段级靶向修复,在匹配生成预算下显著阻断错误扩散并提升任务执行精度。

SocialCritic: Grounding Multi-Agent Dialogue via Advantage-Based Endorsement Suppression

针对多智能体交互中虚假陈述被其他发言人采纳并转化为决策动作的社交放大风险,本文提出了结合解耦优势评价网络与局域跨度修复的滚动时域控制器 SocialCritic,在背书边界处有效阻断错误扩散。

ST-EVO: Towards Generative Spatio-Temporal Evolution of Multi-Agent Communication Topologies

提出首个时空演化多智能体系统 ST-EVO,通过流匹配生成式调度器在对话轮次间动态演化空间通信拓扑,并融合预测熵状态感知与历史轨迹检索正则化,在 9 项基准任务上平均准确率提升 14.20% 且节省近半 Token。

STARK: Strategic Advantage Reinforcement with Confidence-Driven Exploration for Long-Horizon Agentic Learning

针对长程智能体强化学习中被动线性采样导致的认知模式坍塌与信用分配维度单一问题,STARK 在低置信度关键决策点发起注入反思前缀的动态分支探索,并构建解耦环境状态难度与认知模式质量的双轨(战略-战术)优势估计器,使 1.5B 模型在分布外测试中超越 GPT-5。

Stephanie2: Thinking, Waiting, and Making Decisions Like Humans in Step-by-Step AI Social Chat

Stephanie2 针对即时通讯场景中多条短消息交互的需求,提出包含“显式思考、主动等待与自适应消息节奏”的逐步决策对话代理,将消息延迟显式建模为思考时间与打字时间之和,有效避免抢话打断并显著提升交互自然度与角色识别混淆率。

Streaming Communication in Multi-Agent Reasoning

提出步骤级流式通信框架 STREAMMA,将多智能体协作的传递粒度从完整回复下沉到单步推理,利用长思维链中前序步骤高可靠、后序步骤易退化的位置异质性,在实现高达 26.9× 流水线加速的同时显著抑制错误级联,在数学、科学与代码基准上平均提升 7.3 个百分点。

SWE-MEM: Learning Adaptive Memory Management for Long-Horizon Coding Agents

提出 SWE-MEM 框架,为软件工程代码智能体配备按需调用的自适应记忆管理工具,通过两阶段课程微调与考虑轨迹分割与步骤级信用分配的 Memory-aware GRPO,在 32K 紧凑上下文预算下于 SWE-Bench Verified 达成 43.4%(4B)与 60.2%(30B)的解决率,同时显著降低总 Token 消耗。

Syntactic Complexity Convergence in Dialogue: Analyzing Human-LLM Alignment Dynamics

通过构建四维依存句法复杂度量化体系,揭示了人类对话中同指标渐进收敛与人机对话中跨指标动态适配(Linear-CKA 负斜率显著)的本质差异,并据此设计出无需依赖语言模型似然估计、准确率达 96.0% 的对话级 LLM 介入检测框架。

T-Mem: Memory That Anticipates, Not Archives

针对传统大语言模型长程对话记忆受限于词汇/语义相似度检索而无法召回隐含语义关联的盲区,T-Mem 提出基于“粒度(条目/场景)× 方向(描述型/联想型)”四象限的索引触发器机制,在写入期预演未来线索,使跨基准准确率差距从 28–50 pp 骤降至 5.45 pp。

TaxoAgent: Utility-Aligned Policy Optimization for Hierarchical Semantic Classification

TaxoAgent 将层级语义分类重塑为显式的“粗到细”决策轨迹,通过融合分类准确率、层级结构约束、语义距离与轨迹连贯性的全局复合效用,利用群组相对策略优化(GRPO)强化高价值决策路径,显著降低了跨分支严重错误与层级违规率。

Teaching by Learning: Harnessing LLMs Collaboration for Adaptive Data Synthesis via Cognitive Load Feedback

针对多模型协作数据合成中粗粒度结果反馈或全局均值反馈稀释关键推理步信号的难题,本文提出 CoFAG 框架,利用目标模型在解码分叉处的高不确定性构建稀释抵抗的推理压力指标(ISI)量化内部认知负荷,通过三智能体闭环与直接偏好优化(DPO)自适应引导生成高推理价值的指令数据。

The Autonomy Tax: Defense Training Breaks LLM Agents

本文揭示了针对提示词注入的防御训练破坏多步大模型智能体自主执行能力的“能力-对齐悖论”(自主性代价),指出主流防御过度拟合表层特征导致智能体在无恶意观测时即丧失工具调用能力、重试机制引发超时级联放大,且易被高级攻击高概率绕过。

The Selection Effect: Why Compact LLM Verifiers for Emotion Classification Fail Behind Encoder Confidence Gates

针对封闭标签情感分类,本文构建了成本感知的选择性路由与多目标 Pareto 搜索框架,证明在具备领域内有监督编码器时,紧凑型 LLM 验证器因门控机制筛选出的样本天然具有标注模糊性与分布新颖性(选择效应),无法改进高质低成本 Pareto 前沿,同质 LLM 扩展甚至无力回天,而分流共形拒识与小型编码器集成才是更优方案。

TIDE: Trajectory-based Diagnostic Evaluation of Test-Time Improvement in LLM Agents

针对传统终端成功率无法刻画智能体多轮动态交互过程的问题,本文提出无感知轻量级诊断框架 TIDE,从优化效率(AUV)、循环停滞行为适应(LR)和工作记忆效用(MI)三个互联维度对测试时改进(TTI)进行轨迹级解耦分析。

Time is Not a Label: Continuous Phase Rotation for Temporal Knowledge Graphs and Agentic Memory

针对图结构智能体记忆中离散时间戳元数据引发的“静态-动态两难”问题,本文提出 ROMEM 模块,通过语义速度门控与复数空间连续相位旋转实现“几何阴影”,使陈旧事实被动态旋转失效,在无需昂贵 LLM 仲裁或破坏性删除的前提下实现纯追加式时序记忆。

TokenCliff: Benchmarking Output Token Budget Sensitivity in Multi-Turn LLM Agents

TokenCliff 构建了涵盖 4 个能力域与多步复合拆分的 660 个确定性无噪声交互任务,评测 10 款主流 LLM 在 200 至 8,192 输出 Token 预算下的多轮推理表现,揭示出高达 32 个百分点的急剧断崖式性能衰退,并证明峰值准确率与模型规模均不能代表智能体的预算鲁棒性。

ToolForge: A Data Synthesis Pipeline for Multi-Hop Tool Interaction in LLM Agents

ToolForge 构建了一套无需大规模真实 API 调用的工具交互数据合成管线,通过 19 个基础虚拟工具与双门控变体扩展工具空间,结合四种交互范式、噪声检索模拟与多层验证机制(MLV),仅用 4,250 条合成样本微调 Qwen3-8B 就在 5 个域外 QA 基准上相对提升 21.6%,并在 BFCL 上超越基于 25k 样本训练的基线。

ToolWeave: Structured Synthesis of Complex Multi-Turn Tool-Calling Dialogues

ToolWeave 提出了一套基于结构化分解与参数溯源的多轮工具调用对话合成框架,通过由浅入深的工具图谱构建、基于结构模序的工作流采样与细粒度规划,有效杜绝了参数幻觉,并将对话中真实多步工具调用的比例从传统方案的不足 7% 提升至近 45%。

TraceProbe: 基于可执行沙箱与动作重放的大模型智能体安全故障诊断基准

TraceProbe 构建了包含 155 个可执行沙箱场景的智能体安全诊断基准,将风险源划分为非对抗越权、内部权威篡夺与外部攻击三大类,通过规范化轨迹、结构化证据包与无模型调用的全新沙箱动作重放,实现了对终态安全但过程违规(隐式违规)的步级精确定位与防御阻断点归因。

Truth or Tribe: How In-group Favoritism Prioritizes Facts in Persona Agents

论文提出了基于极小群体范式的“Truth or Tribe”三元博弈模拟框架,揭示了大语言模型智能体在面对事实冲突时存在强烈的内群体偏好,宁可采信相似人格同伴的错误结论而忽视相异同伴的客观真理,并提出了三种针对性的提示干预消除策略。

TSHMem: A Temporal-Semantic Hierarchical Memory Graph for Long-Term Conversational Agents

TSHMem 构建融合对话轮次、自洽陈述、分层摘要与实体的异质图,通过时序意图解析与图转移概率时间重加权,实现了兼顾时效性、语义相关性与稀疏长尾鲁棒性的高证据利用率记忆检索。

Validity Is Not Visibility: A Lifecycle FSM for Agent Memory

针对智能体长期记忆将事实真实性与查询可见性混为一谈导致的“当前-历史查询不可兼得”困境,本文提出免训练的检索层框架 MEMFSM,在存储侧通过四状态有限状态机(FSM)解耦事件废弃与时间过期,在检索侧引入意图感知路由,并在自建双向评测集 VALIDMEM 上取得显著优于现有基线的检索精度。

WeaveBench: A Long-Horizon, Real-World Benchmark for Computer-Use Agents with Hybrid Interfaces

针对现有计算机使用智能体基准仅孤立评估单一界面且任务可被单信道规避的缺陷,WeaveBench 构建了涵盖 8 大真实工作领域的 114 个长程混合界面任务,通过最小桌面控制插件接入真实部署态智能体运行时,并提出结合分层子句检验与作弊扫描的轨迹感知裁判,揭示当前前沿大模型在该基准上最高仅取得 41.2% 的真实通过率。

When Denser Credit Is Not Enough: Evidence-Calibrated Policy Optimization for Long-Horizon LLM Agent Training

针对长程 LLM 智能体在重复锚点状态下因小样本偶发成功引发的“发散锚点偏差”,本文提出免 Critic 的证据校准策略优化(ECPO),通过动作级经验收缩估计校准优势并结合方差分解门控不可靠状态,显著消除训练后期震荡并在 ALFWorld 与 WebShop 上取得稳定提升。

Why Act Without Asking? Evaluating Mobile GUI Agents under Ambiguous Instructions

针对移动端 GUI Agent 在面对歧义指令时几乎从不主动提问(平均仅 0.1% 澄清率)而盲目试错的“盲目执行”(Act-without-Asking)顽疾,本文构建了首个步级歧义评测基准 MID-Bench 与严格单轮用户仿真协议,并提出了极轻量的免训练澄清门控级联机制,使开源模型在保持确定任务精度的同时将歧义任务成功率从 0% 提升至 40%~56%。

World Models for Policy Refinement in StarCraft II

本文提出面向星际争霸 II 的玩家视角动作条件化文本世界模型 StarWM 与 StarWM-Agent 决策系统,通过五模块文本因式分解表示构建 SC2-Dynamics-50K 指令微调数据集,并在轻量级“生成-模拟-精炼”循环中利用前瞻模拟指导策略修正,在非作弊高难内置 AI 对抗中取得显著胜率提升与宏观运营优化。

WorldLines: Benchmarking and Modeling Long-Horizon Stateful Embodied Agents

构建了首个面向长程动态家庭场景的状态化具身智能体基准 WorldLines,揭示了现有扁平文本与图记忆系统在状态覆写与细粒度事件定位上的根本缺陷,并提出了基于观察者门控与多轨类型化记忆的 ObsMem 架构。

WRIT: Write-Read Intensive Trajectory Synthesis for Multi-Turn User-Facing Agents

WRIT 首次将面向用户的多轮工具调用智能体轨迹复杂度解耦为「写决策次数」与「单次决策的读证据负担」双维度,通过正向写原型发掘、反向读密集证据池扰动生成、对话行为原语脚本注入及沙盒双模型交互仿真,仅凭 2K 条合成微调轨迹即可让 4B 小模型在无需思考时(no-think)全面超越 GPT-5.1 并大幅降低推理 Token 消耗。

You Only Align Once: Propagating Cooperative Behaviors in Multi-Agent Systems through Seed Agents

本文提出“对齐传播”(Alignment Propagation)机制,通过监督微调将前沿模型的合作推理与说服对话蒸馏至单一“种子智能体”,仅凭自然语言交互便能在未修改的群体中成倍传播合作行为,并零样本泛化至未知博弈环境与不同模型架构。