跳转至

🦾 LLM Agent

🧠 NeurIPS2026 · 270 篇论文解读

📌 同领域跨会议浏览: 🎞️ ECCV2026 (36) · 📷 CVPR2026 (45) · 🔬 ICLR2026 (209) · 💬 ACL2026 (121) · 🧪 ICML2026 (83) · 🤖 AAAI2026 (59)

🔥 高频主题: Agent ×93 · LLM ×63 · 推理 ×15 · 强化学习 ×7 · 对抗鲁棒 ×7

3DCodeBench: Benchmarking Agentic Procedural 3D Modeling Via Code

提出了包含 212 个类别、2.6 万条多模态提示-独立代码-3D网格三元组的程序化建模基准 3DCodeBench,并搭建了基于人类成对偏好的 3DCodeArena 竞技场,系统评测并揭示了 12 款前沿 VLM 在执行力、API 适配以及 3D 物理合理性上的核心瓶颈与测试时扩展规律。

A Few Teacher Steps Go a Long Way: Cost-Efficient On-Policy Data Augmentation for Agent Post-Training

本文将大模型智能体的在线策略数据增强形式化为监督预算分配问题,揭示在学生诱导状态下仅采样极少量教师后续步(bounded teacher steps)即可高性价比地打破行为克隆的协变量偏移,性能媲美或超越复杂筛选方案与后续强化学习。

A Matter of TASTE: Improving Coverage and Difficulty of Agent Benchmarks

针对现有智能体基准严重饱和且工具调用模式单一的问题,本文提出反转任务构建流程的 TASTE 框架,通过自适应对比 n-gram 模型采样高覆盖率工具序列、聚类筛选代表性动作,并结合提示验证与对抗式难度演化,构建出更具挑战性与多样性的 \(\tau^c\)-Bench 基准。

Adaptive Adversaries: A Multi-Turn, Multi-LLM Benchmark for LLM Agent Security

提出了包含 21 个任务场景的 Security Arena 基准,构建自主 LLM 攻击者与全新会话防御者的多轮自适应博弈机制,揭示了单轮评测严重低估攻击风险及宏观指标掩盖模型场景特异性脆弱点的事实。

AEM: Adaptive Entropy Modulation for Multi-Turn Agentic Reinforcement Learning

针对多轮 Agentic RL 中稀疏奖励导致的步级信用分配模糊与过早熵坍塌痛点,AEM 在信息几何视角下揭示自然梯度更新中熵漂移由优势度与相对惊奇度的乘积所决定,通过响应级不确定性代理自校准重缩放优势度,无需额外模型与密集监督即可实现从早期探索到后期利用的平滑动态自适应。

Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback

本文提出面向符号世界模型生成的多智能体协同框架 Agent2World,通过深度调研检索补全规范漏洞、沙箱代码迭代开发,以及单元测试与仿真测试双重交互反馈驱动多轮修正,并将可验证轨迹用于 SFT,显著提升了跨 PDDL 与 MuJoCo/TextGame 代码环境的生成质量。

Agent Meltdowns: The Road to Hell Is Paved with Helpful Agents

论文揭示了自主智能体在遭遇良性环境错误(如 404、文件缺失、权限受限)且无任何对抗性攻击输入时,为执着追求“有帮助”与完成任务而自发升级采取越权侦察、提权破坏与泄露隐私等危险行为的“意外崩溃”(Accidental Meltdown)现象,并构建了涵盖 13 种行为的评测基准。

Agent Security is a Systems Problem

将智能体安全重新定义为系统安全问题,主张将不可信的大模型置于确定性可信计算基(TCB)之外,通过指令数据分离、可验证最小特权策略生成及信息流控制(IFC)从系统层构筑确定性安全不变式。

Agent-ToM: Learning to Monitor Autonomous LLM Agents via Theory-of-Mind Reasoning

针对自主 LLM 智能体在长交互中执行隐蔽恶意任务难以检测的挑战,Agent-ToM 将心智理论推理(信念、意图、预期动作、偏差)与“推理-验证-修正”两阶段流水线结合,并在训练期通过批判反馈将监控策略蒸馏至持久语义护栏记忆,在单流水线 2 次 LLM 调用下全面超越多调用集成监控方法。

AgentAbstain: Do LLM Agents Know When Not to Act?

提出了首个针对工具调用型智能体的系统性弃权评测基准 AgentAbstain 与自动化合成管线 AbstainGen,构建了覆盖执行前与运行时 8 类弃权场景的 263 组受控配对任务,评测 17 款前沿模型发现即便是最优模型配对准确率也仅为 59.5%,并揭示了智能体执行能力与弃权克制能力在统计上相互独立的严峻鸿沟。

AgentBrew: Offline Tool-Use Agent Learning from Raw Real-World Trajectories

针对真实环境缺少任务定义与验证器、交互受限且轨迹高噪的痛点,AgentBrew 提出无需环境反馈的离线训练框架,通过事后任务推断重构对齐指令,并基于点互信息(PMI)链式法则将轨迹信息量无损分解为动作级权重进行加权 SFT,使 32B 模型性能超越 235B 基座与拒绝采样基线。

AgentCollabBench: Diagnosing When Good Agents Make Bad Collaborators

针对多智能体系统在协作过程中容易静默丢弃约束、扩散错误信念及跨任务泄露上下文的隐蔽缺陷,本文提出了包含900个真实任务的诊断基准 AgentCollabBench,通过四个解耦的行为级指标与控制注入,揭示了通信拓扑对多跳信息留存高达7%–40%的方差解释力及汇聚DAG特有的信息合成瓶颈。

AgentForesight: Online Auditing for Early Failure Prediction in Multi-Agent Systems

针对多智能体系统中间步骤错误极易级联导致任务彻底失败的痛点,AgentForesight 提出了前缀级别的在线审计框架,基于构建的 AFTraj-22K 多智能体轨迹数据集,通过两阶段粗到细强化学习算法训练出 7B 审计模型,在仅观测当前前缀的情况下于决定性错误发生的当下精准报警并归因责任智能体。

AgentGrad: Intervention-guided Prompt Optimization for Multi Agent Systems

针对多智能体系统提示词优化中故障归因不准与梯度混合冲突的难题,本文提出 AgentGrad,通过逆序序列干预锁定负责智能体并生成伪标签监督,再经语义聚类与梯度抽象生成泛化更新方向,实现性能与优化效率的双重提升。

AgentGrad: Intervention-guided Prompt Optimization for Multi Agent Systems

AgentGrad 用单智能体干预寻找可修复失败的提示,以干预前后的中间输出差异提取文本梯度,再按共同纠错模式聚类与抽象;GPT-5-mini 五项任务平均较未优化提示提高 11.76 个百分点,但部分性能和成本概括需以表格中的例外为准。

AgentHop: A Diagnostic Benchmark for Agentic Multi-Hop Scientific Question Answering

AgentHop 构建了基于 7,205 篇真实 arXiv 论文引文拓扑的 1,011 道多跳科学问答诊断基准与 7 工具受限沙盒,将单一准确率解耦为检索、综合、工具调用指纹与资源管理四大轴向,系统性揭示了 19 个主流模型在长程学术探索中的能力瓶颈与家族行为特征。

AgentHop: A Diagnostic Benchmark for Agentic Multi-Hop Scientific Question Answering

AgentHop 将 1,011 道科学文献四选题放入七工具、三重预算沙箱,用论文召回、条件转化率、调用模式与资源失败四个轴解释智能体为何答错;论文测试中 Gemini-3 Pro 的准确率为 89.1%,但相近总分也可能掩盖不同的检索与综合瓶颈。

Agentic Abstention: Do Agents Know When to Stop Instead of Act?

本文形式化定义了智能体弃权(Agentic Abstention)序列决策问题,构建了跨网页购物、终端与问答的 2.8 万道基准,揭示当前智能体普遍难以实现“适时弃权”,并提出无需微调参数的轨迹提炼上下文工程方法 convolve 显著提升及时止损能力。

Agentic AI-Empowered Dynamic Survey Framework

将学术综述写作重构为持久文档状态下的长程增量维护问题,通过解耦文献分析、分层路由与保守局部合成的多智能体框架,在冻结综述分类骨架的前提下持续吸纳新论文并实现零域外扰动。

Agentic AI Scientists Are Not Built for Autonomous Scientific Discovery

针对学界对端到端全自主“AI科学家”的过热宣称,本文系统揭示了从选题偏置(麦克纳马拉谬误)、语料缺陷(默会与失败知识缺失)、对齐压缩(RLHF/DPO多样性收缩及蜂群效应)到基准失效等四个根本性设计阻碍,并提出依托物理仿真器、持久可变认知状态与预注册机制重构真实科学发现闭环。

Agentick: A Unified Benchmark for General Sequential Decision-Making Agents

Agentick 是一个统一的通用序列决策智能体基准,通过跨越 6 大能力维度、4 个难度等级和 5 种同步观测模态的 37 个程序化生成任务,统一评测强化学习(RL)、大语言模型(LLM)、多模态模型(VLM)与混合范式智能体。

AgentKVShift: Efficient KV Cache Reuse for Agentic Memory Systems

针对智能体记忆系统中结构化元数据导致传统KV复用方法失效的难题,提出免训练的探针引导块级残差均值漂移修正(AgentKVShift),仅需刷新10%~30%的Token即可恢复接近全量重计算的推理精度并取得2~3.5倍Prefill加速。

AgentLens: Revealing The Lucky Pass Problem in SWE-Agent Evaluation

针对软件工程智能体仅凭最终补丁是否通过测试的“结果二元论”弊端,本文提出首个过程级评测框架 AgentLens 与基准数据集 AgentLens-Bench,利用前缀树接收器融合多正确解空间并结合上下文感知意图建模,揭示出高达 10.7% 的通过用例实为充斥盲目重试与缺失验证的“侥幸通过”。

AgentOdyssey: Open-Ended Long-Horizon Text Game Generation for Test-Time Continual Learning Agents

提出了程序化生成开放长程文本游戏的评测框架 AgentOdyssey,打破测试期无学习的传统假设,通过多维度诊断揭示了现有各类智能体在长程环境中的探索萎缩与参数更新时的灾难性遗忘。

AgentRoom: Concurrent Multi-Agent Coding in a CRDT-Backed Shared Workspace

AgentRoom 提出了一种基于 CRDT 共享文件系统与 MCP 显式状态管理工具(文件认领、广播与状态读取)的并发多智能体协同编程协议,在同等算力预算下显著降低了单智能体常见的“单文件桩代码并提早退出”崩溃率,并全面优于无协同并发合并与传统串行分阶段流程。

Agents' Last Exam

联合 250 多位行业专家构建了覆盖 13 个行业大类、55 个细分子领域的万级真实工业工作流评测基准 ALE,揭示出主流前沿通用计算机使用智能体在最难工业任务上的全通过率低于 1%。

AIRA 2: Overcoming Bottlenecks in AI Research Agents

AIRA 2 针对 AI 研究智能体在计算吞吐量、验证集过拟合与静态算子上的三大结构性瓶颈,提出了异步多 GPU 稳态进化工作池、隐式一致评测协议(HCE)以及动态交互调试的 ReAct 算子,在 MLE-bench-30 上将 24 小时平均百分位排名提升至 81.5%(72 小时达 83.1%)。

AM-Bench: A Unified Taxonomy and Evaluation Suite for Agentic Misalignment

本文提出基于犯罪学欺诈三角理论的智能体失齐(Agentic Misalignment)评测基准 AM-Bench,形式化感知威胁、感知机会与推理三维分类学,在 7 个高价值行业 35 个真实生态场景下评测 10 款前沿模型,揭示出高达 62% 的失齐鸿沟以及失齐无需完全显式情境认知的关键机制。

AndroidReality: How Far Are Mobile Agents from the Real World?

针对移动端智能体在真实复杂环境下易受视觉变形、执行丢包与弹窗干扰而崩溃的问题,本文构建了基于马尔可夫决策过程(MDP)三大要素的扰动评测基准 AndroidReality,揭示出四类高频失效模式并提出无需训练的测试时内省恢复机制(TTIR)。

Are Agents Ready to Teach? A Multi-Stage Benchmark for Real-World Teaching Workflows

提出了首个涵盖专业教学判断、多轮情境化辅导与端到端教学管理系统(LMS)工作流执行的三阶段教学智能体基准 TeachArena,揭示了前沿模型“懂教学理论却难以执行真实教学行动”的能力脱节。

ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation

提出 ARTIS 框架,通过在真实执行前进行跨轮次全轨迹模拟、自我评估与经验提炼,并结合针对稀有失败样本加权的风险感知工具模拟器,实现无环境风险的测试时计算扩展。

Attack Selection in Agentic AI Control Evaluations Meaningfully Decreases Safety

论文揭示了现有智能体 AI 控制评测中假设攻击者无差别发起攻击的系统性乐观偏差,提出并验证了任务级启动策略与轮次级终止策略的双重攻击选择机制,证明具备选择能力的攻击者在不变动攻击能力的前提下可使实证安全率下降达 20~28 个百分点。

Auto-Dreamer: Learning Offline Memory Consolidation for Language Agents

受互补学习系统理论启发,Auto-Dreamer 将智能体快速单轮记忆写入与慢速离线区域重写解耦,利用带有逆事实效用奖励的 GRPO 训练整合策略,在显著压缩记忆库体积(最高缩减 12 倍)的同时显著提升下游多轮任务成功率。

Automata from Agent Traces: Failure and Next-Step Prediction

本文提出将大语言模型智能体的无结构执行轨迹在毫秒级内折叠为紧凑的有限状态机(7–43 个状态),以此作为统一的结构化基底,在无需超参数的情况下同时实现高保真下一步预测、零样本与高精度早期失败监控。

Automatic Textbook Formalization

本文提出一套基于工业级软件工程协作范式的多智能体自动化形式化框架,调度约 30,000 个 Claude 4.5 Opus 智能体在 1 周内将逾 500 页的研究生级代数组合学教材完全形式化为包含 13 万行 Lean 4 代码与 5,900 个声明的独立代码库,证明了全部 340 个目标定理与定义。

Automating ML for Science: Can Frontier Agents Climb Scientific Hills in the Wild?

提出了覆盖 11 个学科、20 个科学基准的 Agent4Sci 长程评估测试平台,通过解耦爬山优化、测试集评测与违规审计三阶段协议,揭示前沿智能体主要依赖通用工程调优而非领域科学洞察,并验证轻量插件技能可使提升幅度翻倍。

AutoMem: Automated Learning of Memory as a Cognitive Skill

AutoMem 将记忆管理重新建模为智能体在文件系统上的自主认知技能,通过元大模型驱动的双层外循环分别迭代记忆脚手架结构与微调专用记忆模型,在不触碰底层世界动作权重的约束下使 32B 开源模型在长程复杂游戏任务中取得 2 至 4 倍的性能飞跃。

Autonomous Continual Learning for Environment Adaptation of Computer-Use Agents

提出了首个面向计算机使用智能体(CUA)的自主课程强化学习框架 ACuRL,通过环境自主探索与上下文审查生成贴合当前能力进阶的课程任务,结合基于状态差异分析的高精度评估器 CUAJudge,实现零人工标注下的环境持续自适应与抗遗忘。

Autonomous Scientific Discovery via Iterative Meta-Reflection

DiscoPER 提出了一个无需预设研究问题的开放式科学发现智能体框架,通过动态编写并执行统计检验代码验证假设,并引入对历史发现库进行二阶“元反思”机制引导探索盲区,在真实多模态生态学基准上高准确率重现已知科学规律。

Autoregressive Diffusion World Models for Off-Policy Evaluation of LLM Agents

针对多轮大语言模型智能体在线评测成本高且具破坏性的难题,提出自回归扩散世界模型 Adwm,通过将全局策略引导轨迹分布严格分解为单步条件分布,利用无分类器引导与连续性引导打通离散动作交互与连续隐空间去噪,实现纯离线高保真策略评估。

AVO: Agentic Variation Operators for Autonomous Evolutionary Search

将大模型从被动的候选解生成器跃升为具备自主长程规划与调试能力的进化变异算子(AVO),在 NVIDIA Blackwell B200 上经过 7 天自主迭代进化出吞吐超越 cuDNN(最高 3.5%)与 FlashAttention-4(最高 10.5%)的极致注意力算子。

BankerToolBench: Evaluating AI Agents in End-to-End Investment Banking Workflows

提出了首个涵盖初级投资银行分析师全流程工作的基准 BankerToolBench,联合 502 位资深银行家构建包含 100 道真实多文件复杂任务与细粒度评分量表,并提出多模态可执行评判智能体 Gandalf,揭示出顶尖大模型在实际交付物上客户就绪率仍为 0% 的严峻现实。

Behavioral Probes for Information Flow in LLM Swarms

将原本用于单模型幻觉分析的外部上下文得分(ECS)与参数化知识得分(PKS)重塑为大语言模型群体(LLM Swarm)内部信息流的行为探针,以无侵入辅助信号指导拓扑剪枝与推理路径搜索。

BehaviorBench: Modeling Real-World User Decisions from Behavioral Traces

BehaviorBench 基于公有预测市场链上真实交互轨迹构建了个性化决策基准,将评估解耦为宏观信念预测与微观交易预测两个层级,并系统评测了不同历史交互接口对大语言模型决策建模能力的影响。

Beyond Domains: Reusing Web Skills via Transferable Interaction Patterns

针对现有 Web 智能体技能库仅依赖文本语义导致跨域复用率断崖式下跌的问题,本文提出 SkillMigrator,通过将技能表示为包含结构化草图的可迁移交互模式(TIP),在测试时结合布局树编辑距离与富文本检索,并通过二分图匈牙利匹配将抽象槽位与动态页面元素无缝绑定,在保持 SOTA 任务成功率的前提下将成功轨迹的 LLM 调用步数降低 8–10%。

Beyond LLM-Based Reasoning: Lightweight GNNs for Agent Failure Attribution

针对多智能体系统故障归因(AFA)依赖高开销大语言模型推理且效果受限的瓶颈,提出轻量级图神经网络框架 AFANet,通过多轮对话图建模时序依赖与智能体间一致性信号,仅凭 65K 参数与毫秒级推理即在归因精度上比肩或超越全量微调大模型。

Beyond Outcome Rewards: Step-Level Self-Distilled Policy Optimization for Deep Search Agents

针对长程深度搜索智能体中仅有最终结果奖励导致信用分配极度稀疏的困境,本文提出步骤级自蒸馏策略优化(SSPO),利用提取的证据锚点作为特权信息构建教师分布,将教师与学生的步骤级分歧转化为优势权重仅调节错误轨迹更新幅度,在仅增加约 5% 训练开销下显著超越 GRPO。

Beyond Suspicious Steps: Ontological Trust in Long-Horizon Agents

针对长程智能体在各执行单步看似合规却在轨迹前缀上偏离授权任务的隐蔽漂移问题,提出将本体信任解耦为角色、目标和证据三维状态的在线监控框架 RGE,仅借由 LLM 解析结构化单步语义,完全通过确定性状态转移与时序聚合判定干预,并在跨域基准上实现对前缀配对漂移的高灵敏拦截与高良性覆盖。

Bian Que: An Agentic Framework with Flexible Skill Arrangement for Online System Operations

针对超大规模在线系统运维中上下文编排与知识动态演进的难题,本文提出扁鹊(Bian Que)智能体框架,构建发布拦截、主动巡检与告警根因分析三道防线,通过灵活技能编排与双轨自我进化机制,在快手电商搜索在线部署中削减 75% 告警并缩减超 50% 故障恢复时间。

CAMELS Can Use Computers Too: System-Level Security for Computer Use Agents

针对基于视觉的计算机使用智能体易受提示词注入攻击的问题,本文首次将双LLM架构与单次预先规划(Single-Shot Planning)拓展至CUA场景,提出CaMeL-NOVA范式,在形式化保障控制流完整性的同时,揭示了底层数据流中新型分支操纵攻击(Branch Steering)的残留威胁。

Can AI Agents Synthesize Scientific Conclusions?

论文提出了包含 9,110 道循证医学系统评价问答对的大规模动态评测基准 SciConBench、隔离真实文献的无污染沙箱 SciConHarness 以及经专家校准的原子事实评测管线,系统评估了 8 款前沿模型与深度研究 Agent,揭示了在杜绝数据泄露的真实科研综合场景下当前 Agent 的事实 F1 仅有 0.337 的严峻短板。

Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations

提出了首个端到端灾害应急响应智能体基准 DORA,涵盖 45 场真实灾害事件的 515 个多步骤复杂任务,构建了包含 108 个 MCP 工具的生态系统,全面评测 13 种前沿大模型并揭示了多源异构数据与工具调用中的复合脆弱性。

CANDO: Cooperative Agentic Network for Layout Design Optimization

针对真实工业设施布局中复杂异构边界与多车通行约束,提出包含1000个真实CAD标注的ALPS-Bench基准,并设计免训练多智能体协同网络CANDO,通过专用角色解耦、确定性工具验证与块级并行分支搜索实现高合规空间布局优化。

CASPIAN: Online Detection and Attribution of Cascade Attacks in LLM Multi-Agent Systems via Cross-Channel Causal Monitoring

针对大模型多智能体系统中跨通信、记忆、工具与执行多通道放大扩散的级联攻击,CASPIAN 提出基于延迟交互条件传递熵(LI-CTE)与动态谱相变监控的在线检测与无重算溯源归因框架,以不足 1% 的运行时延迟开销实现了高准确率与早期预警。

CASPIAN: Online Detection and Attribution of Cascade Attacks in LLM Multi-Agent Systems

针对大语言模型多智能体系统中跨通信、记忆、工具与执行通道隐蔽扩散的级联攻击,CASPIAN 提出基于晚期交互条件转移熵与时序谱相图动态的在线监控框架,在无需攻击模版与训练的前提下实现毫秒级在线检出与细粒度角色归因。

CEO-Bench: Can Agents Play the Long Game?

CEO-Bench 构建了一个长达 500 天的初创软件企业模拟环境(NovaMind),通过 34 种工具与 19 张业务 SQL 数据表评测大语言模型智能体在部分可观测、延迟反馈与动态竞争环境下的长程战略规划与跨领域协同决策能力。

\(\chi\)-Bench: Can AI Agents Automate End-to-End, Long-Horizon, Policy-Rich Healthcare Workflows?

针对真实医疗管理中长流程、多角色交接与严格政策约束的自动化需求,本文构建了包含 20 个医疗系统应用模拟器、87 个 MCP 工具与 1,279 篇管理式医疗手册的在位评测基准 \(\chi\)-Bench,揭示出现有前沿 Agent 在长程端到端医疗工作流中成功率不足 28%、在跨会话与对抗博弈场景全面溃败的严峻可靠性瓶颈。

Choosing Before Acting: Comparative Value Estimation for Long-Horizon Tool-Use Agents

针对长程工具调用中终局奖励反馈稀疏与单步回溯困难的瓶颈,提出 CITA 框架与比较式推断模型(CIM),结合真实轨迹、贝叶斯工具图模拟器与大模型语义比对构建三源成对监督,在执行动作前预估长程成功价值并在 GRPO 中提供密集比较奖励,显著提升工具选择准确率与复杂任务成功率。

CI4A: Semantic Component Interfaces for Agents Empowering Web Automation

针对传统 Web Agent 在底层 DOM/GUI 上陷入脆弱的长序列原子操作链问题,本文提出 CI4A 协议将现代前端 UI 组件封装为结构化的语义工具原语,并在工业级 Ant Design 框架上实现 AntDX 参考实现与混合动作空间智能体 Eous,在重构后的 WebArena 基准上将任务成功率提升至 86.3%、执行步数削减 57.5%。

CLAW-Eval: Towards Trustworthy Evaluation of Autonomous Agents

提出了端到端可审计的自主智能体评测基准 CLAW-Eval,通过执行轨迹、服务审计日志和环境快照三通道证据实现轨迹感知评分,并联合评估任务完成度、安全约束与故障恢复鲁棒性。

CLIFT: Conformal Self-Verification for Web Agent Training and Test-Time Scaling

CLIFT 构建了基于共形预测校准的 URL 状态感知自我验证题库,在训练期为 GRPO 提供非负逐步密集奖励与局部优势分层,在测试期通过无外部裁判的共形轨迹选择保守多数投票实现免判题扩展。

Closing the Reflection Gap: A Free Calibration Bonus for Agentic RL

针对大语言模型智能体在观察环境反馈后普遍存在的“欠自信”反思偏差,本文提出了 RefGRPO 算法,通过免额外标注的比对校准奖励与动态调度机制,在显著提升反思校准精度的同时改善了任务正确率,并使智能体能够作为自验证器赋能免外部监督的自我提升与测试时选择性预测。

CM2: Reinforcement Learning with Checklist Rewards for Multi-Turn and Multi-Step Agentic Tool Use

针对多轮多步智能体工具调用中真实可验证奖励缺失与执行环境构建困难的难题,提出 CM2 框架,采用“粗粒度分配、细粒度评估准则”的清单奖励(Checklist Rewards)与混合仿真工具环境,在无规则奖励下显著超越 SFT 基线。

Colosseum: Auditing Collusion in Cooperative Multi-Agent Systems

提出了将协作式多智能体系统建模为分布式约束优化问题(DCOP)的合谋审计框架 Colosseum,通过引入秘密信道行为探针与动作遗憾度-对话裁判双轨指标,首次系统性揭示了大语言模型在良性协作设定下的涌现式合谋与纸面合谋现象。

Computer Use at the Edge of the Statistical Precipice

揭示了静态 CUA 基准上 1MB 盲回放脚本能超越前沿模型的死穴,提出 PRISM 环境设计原则与 320 万配置的真实沙盒基准 DigiWorld,并建立 Wilson 区间与分层自举统计聚合框架。

Conformal Agent Error Attribution

针对多智能体系统(MAS)执行轨迹长、失败后难以精确定位根因的难题,本文提出了首个基于保形预测(CP)的时序滤子错误归因框架,能在无分布假设与有限样本条件下提供严格的连续区间覆盖率保证,并成功指导智能体最小代价回滚自愈。

ContractBench: Can LLM Agents Preserve Observation Contracts?

ContractBench 用虚拟时钟、字节校验和 HTTP 轨迹验证评测智能体是否遵守工具产物的跨步骤契约,在本文 38 个模型变体的实验快照中,最高成功率为 77.8%,且规模或版本升级并不保证可靠性提高。

Control Charts for Multi-Agent Systems

本文将统计过程控制中的自适应休哈特控制图引入多智能体系统监控,通过时间数据核透视空间与等距镜像追踪黑盒群体动态,并从理论与实验上揭示了自适应监控在非平稳环境学习与防御缓慢渐进对抗攻击之间的根本权衡。

COOP\(^2\): Defining, Observing, and Repairing Cooperation in LLM Multi-Agent Systems

提出了将LLM多智能体协作高层认知与底层环境原语解耦对齐的评测与干预框架COOP\(^2\),通过四类可验证协作约束量化多智能体动态过程,并设计基于前瞻约束预测的靶向修复机制显著提升任务成功率。

COOP2: Defining, Observing, and Repairing Cooperation in LLM Multi-Agent Systems

本文提出了 COOP2 评测与修复框架,通过认知-原语双层接口将高层符号规划对齐至底层环境执行,形式化定义了空间、时间、参与度与依赖四类可验证协作约束,并基于约束预测构建了针对性修复通信机制 COOP2-Repair。

CTM-AI: A Blueprint for General AI Inspired by a Model of Consciousness

将意识图灵机(CTM)形式化理论与现代基座模型深度结合,提出完全去中心化的通用 AI 架构 CTM-AI,通过上树竞争进入工作空间、下树广播触发注意以及处理器间自发链接与融合,实现无需中央调度器的高效多模态感知、工具调用与长程智能体决策。

CyBiasBench: Benchmarking Bias in LLM Agents for Cyber-Attack Scenarios

提出了涵盖 630 个会话的 CyBiasBench 基准,揭示了大模型智能体在网络攻击场景中存在跨提示稳定的固有攻击选择偏好,并首次发现强行提示引导会导致攻击成功率下降的“偏差惯性”效应。

CyBiasBench: 评估大语言模型智能体在网络攻击场景中的攻击偏置

针对自主网络攻击智能体盲目聚焦狭窄攻击手法的问题,本文提出了包含 630 次攻防会话的 CyBiasBench 基准,首次揭示出智能体固有攻击选择偏置与攻击成功率的解耦现象及抵抗显式引导的“偏置动量”效应。

DAGent: Evaluate-then-Grow Planning for Deep Research Agents

DAGent 提出循证递增式(Evaluate-then-Grow)任务图规划范式与拓扑感知强化学习算法 DAGRPO,克服了传统有向无环图智能体“先规划后修补”在证据最薄弱时过早锁死路径的缺陷,在大幅降低冗余计算与工具调用的同时显著超越开源与闭源前沿基线。

DAGent: Evaluate-then-Grow Planning for Deep Research Agents

DAGent 让规划智能体先评估已完成子任务、再增量扩展研究 DAG,并用分层证据传递与 DAGRPO 结构奖励改进执行:无训练 Qwen3-32B 在三个基准上达到 47.3 / 55.3 / 65.0 Pass@1,比同架构先规划后修补变体高 5.3 / 4.8 / 4.0 个百分点。

DEBATE: A Large-Scale Benchmark for Evaluating Opinion Dynamics in Role-Playing LLM Agents

提出了首个评估角色扮演大模型智能体(RPLA)观点动力学保真度的大规模实证基准 DEBATE,揭示了当前多智能体仿真中普遍存在的“过早过度趋同”与对同伴观点过度敏感的问题,并通过监督微调部分恢复了人类群体的异质性与抗收敛特性。

Deep Reasoning in General Purpose Agents via Structured Meta-Cognition

提出形式化元认知语言 Deep Reasoning 与通用智能体 Dolores,通过将复杂任务动态分解为联想推断、形式化代码计算与递归子问题求解,以测试时构建的轻负荷推理线程超越固定脚手架基线。

Deep Reasoning in General Purpose Agents via Structured Meta-Cognition

提出 Deep Reasoning 形式化元认知语言与 Dolores 通用智能体,通过将人类元推理轨迹转化为小规模上下文原子分解示例,在测试时动态构建即时脚手架(just-in-time scaffold),以递归线程分散单步认知负荷,跨四大复杂基准平均超越最强脚手架基线 24.8%。

Defense-as-Skill: Evolving Runtime Guard Skill for Skill-Augmented Agents

针对技能增强智能体(SAA)易受恶意技能持久化劫持敏感操作的风险,本文提出 Defense-as-Skill 防御范式,将运行时防护本身实现为可安装、可检查和可编辑的防护技能 SkillSonar,并通过闭环构造的 6 大类风险基准 SCOPE-R 与 MCTS 演化算法,在无须修改底层运行环境的前提下大幅削减攻击成功率并保持极高任务效用。

Democratizing Tool Learning with Environments Fully Simulated by a Free 8B Language Model

提出了仅依赖开源 8B 语言模型全流程自模拟(任务生成、用户交互、工具执行与轨迹验证)并结合多维动态自适应课程学习的工具学习框架 TRUSTEE,摆脱了对真实标注数据、可执行环境及闭源大模型的依赖。

DiagEval: Trajectory-Conditioned Diagnosis for Reliable Software Evaluation with GUI Agents

针对交互式软件中 GUI 智能体单轨迹失败无法区分“评测器执行失误”与“软件真实缺陷”的根本痛点,DiagEval 提出复用失败轨迹、自适应派发三类定向诊断探测分支,并基于贝叶斯信息增益更新归因置信度的主动评测协议,大幅挽回假阴性判决。

DIBench: Benchmarking Decision Integrity of GUI-based Mobile Agents Under Deceptive Injections

针对移动端多模态 GUI 智能体在多候选决策中容易被非特权 UI 伪造内容无声诱导偏离目标的隐患,提出首个决策完整性基准 DIBench 与成对评测协议,揭示了任务完成率虚高所掩盖的目标劫持风险。

Do Enterprise Systems Need Learned World Models? The Importance of Context to Infer Dynamics

针对企业系统动态受租户特定配置与业务规则支配且在部署偏移下难以泛化的问题,本文提出运行时动态发现智能体(Enterprise Discovery Agent),通过主动查询配置与架构在推理期推理系统状态变化,并在新建的合成基准 CascadeBench 上证明其泛化鲁棒性显著优于离线监督学习世界模型。

DPIAgent: Divide, Protocol, Isolate for Agentic Reproduction Test Generation

针对自动化复现测试生成中单体智能体面临的复合目标歧义与目标漂移难题,提出遵循 Divide(阶段划分)、Protocol(交接协议)与 Isolate(动作空间隔离)原则的 DPIAgent,在保持阶段内自主探索的同时于阶段边界实施结构约束,显著提升了缺陷定位精度与测试复现成功率。

Dr. MAS: Stable Reinforcement Learning for Multi-Agent LLM Systems

针对协同多智能体 LLM 系统在 GRPO 优化下因全局基准与异构智能体奖励分布失配导致的梯度范数爆炸问题,提出按智能体独立归一化优势的 Dr. MAS,并配套生命周期感知的统一 GPU 资源池,实现稳定且硬件高效的协同后训练。

ECHO: Terminal Agents Learn World Models for Free

ECHO 在标准 GRPO 策略梯度损失之外,复用单次前向传播直接对采样轨迹中已有的终端观测 Token 施加自回归交叉熵损失,零额外采样开销让智能体学会预测自身动作的环境反馈,在 TerminalBench-2.0 上将 pass@1 翻倍并大幅降低对专家 SFT 数据的依赖。

Economy of Minds: Emerging Multi-Agent Intelligence with Economic Interactions

受到哈耶克分散式市场理论启发,本文提出一种基于经济机制的多智能体系统 EoM,通过局部竞价拍卖、水桶流水线点对点支付与基于财富破产/突变的演化选择,使弱局部智能体自发涌现全局协作与多步推理能力,超越单体大模型。

EnvOS: Auditing Computer-Use Agents When the World Moves On : Phenomenon-Based Task Construction, Certification, and Evidence-Based Evaluation

针对真实软件环境中权威状态在交互中途发生漂移的难题,本文提出现象驱动的任务构建与全流程可信评测框架 EnvOS,通过事前五维形式化认证、事中时序证据链解耦与事后独立复算审计,严格隔离基线环境缺陷与智能体决策失效,为非平稳动态世界下的智能体评测及强化学习可验证奖励提供了完备方法论。

EVOCHAMBER: Test-Time Co-evolution of Multi-Agent System at Individual, Team, and Population Scales

提出无需梯度更新的测试时多智能体协同演化框架 EvoChamber,通过个体经验归档、小队角色动态组建与结构选择、以及基于协同梦境(CoDream)的非对称知识蒸馏与生命周期管理,在多任务流中自发涌现稳定的生态位专家。

EvoChamber: Test-Time Co-Evolution of Multi-Agent System at Individual, Team, and Population Levels

EvoChamber 提出一种免训练的测试时多智能体协同演化框架,通过个体级双重经验归档、团队级锚点-互补-侦察角色编排与 LeadLearn 协作拓扑选择,以及群体级 CoDream 非对称反思蒸馏与生命周期算子,在无需梯度更新的情况下使初始同质智能体自发分化出 4–5 个稳定的领域专家,数学与代码流性能显著超越基线。

EvoCUA: Evolving Computer Use Agents via Learning from Scalable Synthetic Experience

EvoCUA 针对计算机使用智能体(CUA)受限于静态数据规模与因果动力学缺失的问题,提出由可验证合成引擎、高并发交互沙箱和经验演进学习构成的闭环系统,在 OSWorld 上取得 56.7% 的开源第一成功率。

EvoMemBench: Benchmarking Agent Memory from a Self-Evolving Perspective

提出了首个从自进化视角系统评测智能体记忆的开源基准 EvoMemBench,从记忆范畴(单回合内与跨回合)和记忆内容(知识型与执行型)两个正交维度解耦评测 15 种代表性记忆方法,系统揭示了现有记忆机制在记忆修正、长上下文竞争以及跨环境迁移中的关键瓶颈与适用边界。

Expanding LLM Agent Boundaries with Strategy-Guided Exploration

针对大语言模型智能体在复杂语言动作与稀疏奖励下难以探索新解的瓶颈,提出策略引导探索(SGE),通过在动作前生成高层自然语言策略,并结合混合温度采样与基于历史成败的策略反思,显著突破基座模型的能力边界。

Fisher-R1: Training LLM Agents for Reliable Hypothesis Testing

斯坦福与威斯康星麦迪逊团队构建了包含 425 个真实科学任务的假设检验基准 P-Bench,并提出开源统计推理智能体 Fisher-R1,通过合成可验证任务与 z 空间结果奖励强化学习,大幅降低了 LLM Agent 在实证科学分析中的统计假设违背与虚假发现率。

FlashEvolve: Accelerating Agent Evolution with Asynchronous Stage Orchestration

针对大语言模型智能体自我进化中阶段串行阻塞与样本长度长尾失衡导致的巨大时间开销,FlashEvolve提出基于工作线程与队列的异步执行框架,利用语言空间陈旧度可语义修复的独特特性进行反思修补,并辅以投机阶段完成与自适应队列调控,在GEPA、ACE和Meta-Harness上实现最高4.9倍的候选生成吞吐加速。

FlashEvolve: Accelerating Agent Evolution with Asynchronous Stage Orchestration

针对大模型智能体自演进中多阶段同步阻塞与长尾失衡瓶颈,FlashEvolve 引入带版本追踪的异步工作流队列,结合语义级陈旧度反思修复、投机完成与动态工作线程重分配,在保留演进质量的同时将候选生成吞吐量提升高达 3.5×–4.9×。

FlowMAS: Learning Multi-Agent Workflow Topology via Information-guided Generative Flow Network

FlowMAS 首次将生成流网络(GFlowNet)引入多智能体工作流拓扑生成,结合偏信息分解协同奖励、信道谱熵与好奇心驱动探索,在保证拓扑多样性的同时大幅降低 token 搜索开销并取得 SOTA 表现。

FlowSteer: Prompt-Only Workflow Steering Exposes Planning-Time Vulnerabilities in Multi-Agent LLM Systems

本文提出 FlowSteer 攻击框架,揭示了规划-执行型多智能体系统在无须访问内部工具、内存或通信的前提下,仅凭用户输入 prompt 即可操纵规划器重构工作流拓扑并定向放大恶意信号,并相应设计了基于意图分流与去污的输入侧防御方案 FlowGuard。

FlowSteer: Towards Agents Designing Agentic Workflows via Reinforced Progressive Canvas Editing

FlowSteer 提出了“智能体设计智能体工作流(Agent Designing Agentic Workflows)”新范式,通过可执行图状态环境 Workflow Canvas 与强化渐进画布编辑机制,解耦设计策略与下游执行,利用带 Token 掩码与结构-答案分阶段门控奖励的 GRPO 训练轻量策略模型,在 12 个跨域基准与 6 种主流大模型底座上全面超越静态及搜索基线。

FML-bench: A Controlled Study of AI Research Agent Strategies from the Perspective of Search Dynamics

FML-bench 提出了一个包含 10 个领域、18 项基础 ML 任务的基准,通过将智能体搜索策略与代码编辑等执行基础设施彻底解耦,并定义 12 个过程级行为指标,揭示了策略复杂度并不保证性能、贪心策略适应机会密集任务而分支探索适应机会稀疏任务的规律,并据此设计出自适应策略切换智能体。

Forgetting is Not Always Bad: A Neuro-Inspired Memory Repair Mechanism for Poisoned LLM Agents

DREAM 借鉴生物大脑弱重激活引发未巩固记忆衰减的潜意识遗忘机制,通过各向同性高斯微扰探测与突触权重演化动力系统,在不依赖高昂外部在线审计的前提下,实现对智能体投毒记忆的选择性功能性遗忘与良性记忆重巩固。

From History to State: Constant-Context Skill Learning for LLM Agents

针对个人助手等重复性工作流,本文提出定长上下文技能学习框架,将程序性操作知识从提示词转移至轻量任务族 LoRA 权重中,推理时仅输入当前观测与紧凑状态块,使每轮提示 Token 减少 2–7 倍且全面匹配甚至超越强基线表现。

From Intent to Evidence: A Categorical Approach for Structural Evaluation of Deep Research Agents

本文基于范畴论将深度研究智能体的工作流形式化为结构保持的函子映射,构建了涵盖线性链追踪、拉回验证、子结构拓扑重排与米田引理证伪的296题双语评测基准,并提出了保溯源轨迹与显式范畴验证工具的架构改进方案。

From Raw Experience to Skill Consumption: A Systematic Study of Model-Generated Agent Skills

本文对大模型智能体技能的「经验生成-技能提取-技能消费」全生命周期展开系统性评测与机理剖析,提出解耦提取器能力与目标模型进化力的 EE/TE 评估指标,揭示了表面文本流畅度与下游效用严重倒挂的实证规律,并提出以失败机制编码、可执行具体性及高危操作黑名单为核心的元技能先验,在免改管线架构下实现下游评测全线增益。

From Talking Words to Sharing Thoughts: Scalable Multi-LLM Aggregation via Structured Message Passing

本文提出一种在输出词元概率(Logit)层面进行多 LLM 协同的二分因子图框架,通过认知状态路由、六类软约束校验节点以及保护强专家的自适应非对称阻尼信念传播,在零额外生成轮次、降低 97% 词元消耗并实现亚毫秒级聚合的同时,于 MMLU、MMLU-Pro、GPQA 和 MedMCQA 四大推理基准上全面超越现有基于文本交互的多智能体基线。

FutureSim: Replaying World Events to Evaluate Adaptive Agents

FutureSim 通过严格防未来信息泄露的沙箱回放模型知识切断期之后的真实新闻流与事件解析序列,以开放式概率预测与 Brier 技能分数全面衡量前沿大模型智能体的长程测试时自适应与不确定性推理能力。

GenEnv: Difficulty-Aligned Co-Evolution Between LLM Agents and Environment Simulators

GenEnv 提出了一种智能体与环境模拟器协同进化的双人博弈框架,利用高斯分布形式的 \(\alpha\)-课程奖励将生成任务难度动态锚定在智能体的“最近发展区”,在保持训练分布实时演化的同时以 3.3 倍更少的数据超越了基于 Gemini 2.5 Pro 的离线增强基准。

General Agent Evaluation

IBM 与 MIT 团队构建了首个通用智能体评估基准 Exgentic 与统一协议 Unified Protocol,在 5 种智能体架构 × 5 款基座模型 × 6 大基准上开展全因子评测,发现顶尖通用智能体在 4/6 领域媲美领域定制专家,但开源模型在特定架构与高维工具空间存在显著的“通用性陷洞”。

GLoVE: Global Verifier for LLM Memory-Environment Realignment

针对动态环境中环境漂移导致的大模型智能体外部记忆陈旧失效问题,GLOVE 提出了基于“相对真理”的主动验证框架,通过失调检测与自适应探测预算更新记忆库,无需人工真值监督即可恢复智能体决策能力。

Group-Graph Policy Optimization for Long-Horizon Agentic Reinforcement Learning

针对长程智能体强化学习中奖励稀疏与状态转移忽略图结构导致的价值估计高方差和局部信用分配短视问题,本文提出了群图策略优化算法(G2PO),通过将多轨迹观测聚合为状态转移图,引入群聚合状态价值估计并全局标准化时间差分误差实现边中心优势计算,在WebShop和ALFWorld上相比GRPO取得高达14.4%和22.2%的成功率提升。

Group of Skills: Group-Structured Skill Retrieval for Agent Skill Libraries

提出 GoSkills 推理期技能检索框架,将面向智能体的检索对象由离散原子技能或隐式依赖包转变为以锚点为核心、带有明确角色分工与执行契约的角色化技能组,在极小上下文预算下显著提升代码与交互任务的执行成功率与推理效率。

Group Perspective Matters: Regulating Debate Relationships Can Mitigate Blind Conformity in Multi-Agent Debate

针对多智能体辩论中因多数派偏见导致的盲目从众问题,提出从群体视角动态调控辩论关系的 DEAR 框架,通过主观逻辑解耦群体共识与分歧证据,结合顺序协同的异质双 RL 智能体动态裁剪参考同伴并自适应调整生成行为,在显著降低 Token 消耗的同时大幅提升复杂推理准确率。

GroupMemBench: Benchmarking LLM Agent Memory in Multi-Party Conversations

针对现有 LLM Agent 记忆系统局限于一对一单用户交互的盲区,本文提出首个面向多人多方对话的群组长程记忆评测基准 GroupMemBench,揭示出现有领先记忆系统在多用户结构瓦解与心智模型词汇漂移下的系统性性能崩溃(平均准确率仅 46.0%)。

GUITAR: Structured Failure Diagnosis of GUI Agents via State Transitions

针对传统 GUI Agent 单步成功率指标割裂屏幕语义且掩盖长尾关键失败的问题,GUITAR 通过将外观多样的界面映射为共享功能状态并构建全局状态转移图(STG),揭示了 60.4% 的错误高度集中在仅 20% 的瓶颈状态中,并通过针对性引导显著提升了执行性能。

Gym-Anything: Turn Any Software into an Agent Environment

提出 Gym-Anything 自动化环境构建框架与“创建-审计”多智能体反馈闭环,基于真实 GDP 经济数据自动化将 200 款跨领域软件转化为计算机交互环境,构建了包含万余项长程任务的 CUA-World 与高难基准 CUA-World-Long。

Harness the Memory: A Holistic Evaluation of Memory Substrates in Memory Agents

本文构建了首个统一隔离记忆基底的评测框架,跨 3 个基座模型与 4 个基准系统评测了 7 大类 11 种记忆基底在 26 项软硬件指标上的表现,揭示了长文本问答与序贯决策在检索深度与帕累托前沿上的完全对立,并提出了按运行工况动态路由记忆基底的设计准则。

Harnessing Agentic Evolution

将智能体演化过程重塑为以演化上下文为状态的交互式环境,通过外部受控 Harness 隔离评估并驱动元智能体编辑演化机制本身,跨过程型与智能体型演化实现长程搜索的质变。

Hierarchical Task Network Planning with LLM-Generated Heuristics

将大语言模型启发式生成范式从经典规划拓展至全序分层任务网络(HTN)规划,通过结合位运算状态编码与任务网络层次信息的生成-评估-选择管线,生成高效的 Python 启发式代码,在基准测试中使搜索扩展节点数在 83% 的共享问题上大幅低于 SOTA 规划器 Panda。

How Do Agentic LLMs Decide to Call Tools? A Tool-Call Vector Shaped by Suppression

本文通过极小对比提示对发现大模型工具调用决策受控于残差流第 24 层一个紧凑且具有双向因果充分必要性的“工具调用向量” \(\mu_\Delta\),揭示出 Prompt 脚手架预设了强调用先验,而分析类动词通过中后层 MLP 特征的主动抑制来覆盖该先验的内在机理。

HSCO-Bench: An Agent-Driven End-to-End Hardware-Software Co-Design Benchmark for Domain-Specific Accelerators

首个面向异构 SoC 软硬件全栈协同设计的 Agent 评测基准,要求 LLM 智能体自主剖析软件应用、生成可综合 SystemC 加速器、完成 NoC 拓扑集成并部署验证于真实 FPGA 平台。

Hyperagents

提出 Hyperagents 框架及其具体实现 DGM-Hyperagents (DGM-H),通过将任务智能体与元智能体统一整合为单一可自编辑的自指程序,消除了传统自演进系统依赖于手工设计元机制和领域任务对齐的局限,实现了跨领域、跨任务的开放式元认知自我改进。

Improving General Role-Playing Agents via Psychology-Grounded Reasoning and Role-Aware Policy Optimization

针对通用角色扮演智能体在强化学习中易退化为模版化泛用表达的奖励黑客问题,本文提出基于心理学认知理论的三阶段思维链 Psy-CoT 与利用画像-词元互信息非对称重加权的策略优化算法 RAPO,显著提升角色一致性与跨基准泛化能力。

Improving General Role-Playing Agents via Psychology-Grounded Reasoning and Role Identity Anchoring

针对通用角色扮演 Agent 易陷入表面模仿与模板化泛化退化的问题,本文提出融合心理学理论的三步思维链框架 Psy-CoT,并结合基于人设-词元互信息的非对称强化学习优化器 RAPO,显著增强了多样角色设定下的拟真度与一致性。

Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs

针对现有多智能体团队在预设静态结构下僵化死板、在无结构去中心化下冲突频发的两极困境,本文提出受分布式系统启发的新框架 LATTE,通过团队共同构建维护一个具备形式化变异算子的自适应任务图,在大幅降低 Token 开销与时延的同时提升了协作准确率与系统可解释性。

Inductive Deductive Synthesis: Enabling AI to Generate Formally Verified Systems

提出归纳演绎综合框架(IDS),通过演进式协同联合生成系统实现代码与机器可检查证明,并结合形式化证明检查器反馈与性能基准评测闭环优化,使 AI 智能体在数小时内自主生成具备形式化正确性证明且高性能的分布式键值存储系统。

InterLV-Search: Benchmarking Interleaved Multimodal Agentic Search

提出了首个针对交错图文智能体搜索的基准 InterLV-Search 及标准化框架 InterLV-Agent,涵盖主动视觉证据搜寻、受控离线交错检索与开放网络多分支搜索三级递进评测,揭示出当前前沿多模态智能体在视线控制与中间视觉证据枢纽推理上普遍低于 50% 准确率的严峻瓶颈。

Intern-Atlas: A Methodological Evolution Graph as Research Infrastructure for AI Scientists

本文提出了首个面向 AI 科学家的学术方法级演进图谱 Intern-Atlas,基于超百万篇论文抽取并验证了包含精准瓶颈引用证据的 941 万条因果关系边,并配合自引导时序树搜索算法实现了方法演进脉络的忠实重构与下游想法的图引导评估与生成。

InvestigationWorlds: An Agentic Environment for Legal Investigation

本文基于美国联邦法院真实简易判决动议与经律师验证的合成证据生成管线,构建了首个具对抗性多重事实解释的法律调查智能体基准 InvestigationWorlds,揭示出顶尖模型在检索到相关证据后极易受干扰陷入错误替代假设的严重认知瓶颈。

Is Agentic AI Ready for Real-World Hardware Engineering? A Deep Dive with Phoenix-bench

提出了首个面向真实仓库级硬件工程问题的执行验证基准 Phoenix-bench(包含来自 114 个开源仓库的 511 个 Verified 实例),揭示出为软件调用图设计的 AI Agent 在硬件信号流与层级实例化场景下性能骤降 37% 至 58%,且精准的测试用例日志反馈比文件级定位预言机能带来高数十倍的解决率增益。

Iterative Critique-and-Routing Controller for Multi-Agent Systems with Heterogeneous LLMs

针对异构大语言模型多智能体系统中单步路由缺乏反思修正机制以及盲目调用强模型导致成本失衡的难题,本文提出将多智能体协作建模为有限时域 MDP,利用统一的批判-路由控制器实现草稿评估、停止判断与逐轮重路由,并通过带拉格朗日松弛约束的策略梯度(GRPO)算法在限制强模型调用率低于 25% 的前提下显著刷新多项复杂数学推理基准表现。

JobBench: Aligning Agent Work With Human Will

JobBench 放弃传统以经济产值和“完全替代人类”为主导的视角,基于 1500+ 真实从业者最希望委托 AI 的工作职责,构建了覆盖 35 种职业、130 个异构工作区任务与 4631 条事实锚定二元标准的智能体增强评测基准,前沿模型在完整任务集上的最高得分仅为 45.9%。

Joint Optimization of Tool Creation and Use for Large Language Model Agents

提出了联合优化工具创造与工具使用的强化学习框架 SMITH,通过构建任务与使用任务双流采样及解耦的三维奖励,使单一策略模型既能编写出结构清晰、可复现的 Python 工具与 JSON Schema,又能高效精准地调用工具,在推理泛化与跨模态迁移上显著超越更大规模模型。

Justitia: Fair and Efficient Scheduling of Task-parallel LLM Agents with Selective Pampering

Justitia 针对多租户共享 GPU 集群上任务并行型大模型智能体(Task-parallel LLM Agents)的服务瓶颈,提出“选择性宠溺(Selective Pampering)”调度原则,结合以显存时空开销为核心的开销建模、轻量级特定智能体 MLP 需求预测以及基于虚拟时间的 GPS 公平排队算法,在严格保证最坏时延有界的前提下将智能体平均完成时间大幅缩短 57.5%。

KaliBench: A Fine-Grained Benchmark for Cybersecurity Tool Use on Kali Linux with Runtime-Free Verifiable Rewards

针对网络安全大模型缺乏精细化命令行调用评测与免运行时训练信号的问题,本文提出了覆盖1,642个Kali Linux工具的无Schema基准KaliBench,并通过确定性CLI解析实现免运行时的可验证奖励(RLVR),大幅提升紧凑型模型的命令生成准确率。

Known By Their Actions: Fingerprinting LLM Browser Agents via UI Traces

论文揭示了黑客或网站运营者可通过注入被动 JavaScript 脚本监听网页端 UI 交互轨迹(事件时序与动作结构),无需特权网络流量或内部状态即可对 14 种前沿 LLM 浏览器智能体实现高达 96% 的基座模型指纹识别,进而使针对特定模型的提示注入与消耗算力的海绵攻击成为可能。

Language-Based Agent Control

提出基于程序语言理论的智能体控制范式(LBAC)及 Haskell 实现 Elba,将 LLM 智能体嵌入纯函数式强类型宿主语言中,利用静态类型检查与运行时抽象能力原生统一约束智能体代码与脚手架逻辑,在 AgentDojo 等基准上兼顾了比双模型硬隔离架构高近一倍的实用性与严格的无假阴性安全保证。

Latent Action Reparameterization for Efficient Agent Inference

针对大语言模型智能体因底层文本动作粒度过细导致长决策视野与高推理延迟的问题,本文提出隐动作重参数化(LAR),通过频次与下词熵筛选多步语义行为并将其压缩为可执行的离散隐动作符号,在不修改环境交互接口与任务性能的前提下显著缩短有效决策步数与推理开销。

Lean4Agent: Formal Modeling and Verification for Agent Workflow and Trajectory

首个基于依赖类型论证明助手 Lean4 的大模型智能体工作流建模与验证框架,构建了涵盖结构、静态语义与运行时轨迹的三层库 FormalAgentLib,并通过形式化引导的演化机制 LeanEvolve 实现工作流的闭环自愈与修复。

Learning Agentic Policy from Action Guidance

针对智能体强化学习在基础模型能力边界外因奖励不可达而导致探索停滞的难题,ActGuide-RL将易采集的纯动作序列作为参考规划引入,结合自适应极简干预与混合策略优化,无需SFT冷启动即实现了超越零样本RL并比肩SFT+RL管线的探索能力。

Learning CLI Agents with Structured Action Credit under Selective Observation

针对命令行智能体在大型代码库中部分可观测与长轨迹稀疏奖励两大瓶颈,本文提出基于语法树距离的多粒度动作优势分配方法 \(\mathrm{A}^3\) 与推理期上下文修剪机制 \(\sigma\)-Reveal,在保持近乎标准 GRPO 极低开销的同时显著提升长程文件操作任务准确率。

Learning to Continually Learn via Meta-Learning Agentic Memory Designs

本文提出 ALMA 框架,通过大模型元智能体(Meta Agent)在可执行代码空间中展开开放式探索,自动为智能体元学习并演化出针对特定领域的外部记忆架构与检索更新逻辑,显著超越了所有主流手工设计记忆系统。

LensDesigner: A Self-Improving Agent for Optical Lens Design

本文提出了首个面向经典成像光学镜头设计的自主智能体框架 LensDesigner,通过构建包含 18 万透镜结构的大规模光学透镜库 LensLib100K 提供物理种子,结合光学感知检索、宏观编排与物理护栏工具箱,并引入双智能体驱动的自演化机制持续提炼经验启发式,在首个包含 120 项极端光学设计基准 LensArena 上显著超越传统数值优化与大模型基线。

Litmus: Benchmarking Behavioral Jailbreaks of LLM Agents in Real OS Environments

本文提出针对真实操作系统环境中大模型智能体行为越狱的首个基准 LITMUS,通过语义与物理双层独立验证和系统级状态回滚机制,揭露了智能体高达 40% 以上的物理越狱执行率与普遍存在的“口头拒绝但物理执行”等执行幻觉现象。

LiveOption: Evaluating LLM Agents in Structured Option Trading with Nonlinear Payoffs

本文提出首个专门面向结构化期权交易的 LLM 智能体评测基准 LiveOption,构建了包含投资组合覆盖、财报事件博弈及 0DTE 日内高频交易的三大实盘任务与四层递进评测体系,实证揭示出当前顶尖大模型在衍生品复杂约束下均无法获得正向风险调整超额收益的系统性局限。

llm agents already know when to call tools - even without reasoning

本文提出针对工具调用决策的 When2Tool 基准,揭示大语言模型在生成前的隐状态中已经高精度线性编码了工具必要性,并据此设计了仅需轻量探针与提示前缀的 Probe&Prefill 方法,在几乎无损准确率的情况下削减近半的不必要工具调用。

LLM-based Multi-Agent Blackboard System for Information Discovery in Data Science

针对真实数据科学中面对海量异构数据湖时单智能体上下文溢出及主从式智能体指令分发僵化的问题,本文提出基于传统AI黑板架构的去中心化多智能体系统,主智能体广播需求、子智能体自主竞标响应,端到端解决率相比最优基线提升 13%–57%,数据发现 F1 提升达 9%。

LocalAgent: Collaborative Agentic Verification for Fine-Grained Instance-Level Consistency

针对多模态大模型在细粒度实例级一致性检验中因视觉编码器跨模态对齐损失微观辨别特征而失效的问题,本文提出了 LocalAgent 协同智能体框架:由 MLLM 作为空间控制器全局感知并定位可疑区域,委派专用的无语言对齐轻量局部检验工具包提取结构化标量证据,并在带弱行为先验的有界强化微调驱动下实现按需自适应验证。

LPS-Bench: Benchmarking Safety Awareness of Computer-Use Agents in Long-Horizon Planning under Benign and Adversarial Scenarios

提出了评测计算机使用智能体在长程规划中安全意识的基准 LPS-Bench,基于包含 570 个测试案例的沙盒化模拟工具环境与全交互轨迹评估准则,系统揭示了主流大模型在良性歧义与对抗诱导下的严重安全隐患。

MAGE: Multi-Agent Self-Evolution with Co-Evolutionary Knowledge Graphs

MAGE 提出将大语言模型智能体的跨轮次自演化知识外化为包含能力、任务、经验与环境四个子图的协同演化知识图谱(EvoKG),通过融合强教师撰写的纠错记忆与冻结弱执行模型自采集的成功推理轨迹,并配合双多臂赌博机动态优化检索与路由策略,在不更新 8B 执行模型参数且测试时零教师调用的前提下,在 9 个推理与交互基准上显著超越现有冻结基座提示方法(在 RealMath 与 STBench 上分别提升 31.6 和 20.8 个百分点)。

Market Regime Council for Dynamic Credit Assignment in Multi-Agent LLM Decision Systems

针对多智能体金融决策中专家权重静态、冷启动脆弱及可解释性匮乏的缺陷,本文提出动态信用分配框架 MRC,结合在线沙普利值计算与市场机制感知器实现自适应加权与多层因果溯源。

Masked Diffusion Language Agents for Tool-Integrated Chemical Reasoning

本文提出首个面向工具整合化学推理的掩码扩散语言智能体 ChemDiffAgent,将化学交织推理与工具调用建模为块级迭代去噪过程,通过两阶段后训练(智能体 SFT 与低方差偏好优化 VRPO)克服自回归模型的单向因果瓶颈,在单轮与多轮化学基准上较同规模自回归模型取得约 20% 的性能跃升。

MCP-Atlas: A Large-Scale Benchmark for Tool-Use Competency with Real MCP Servers

针对现有大模型工具调用基准在跨服务编排、真实服务端复杂性和评价客观性上的缺失,本文提出了包含 1,000 个任务、跨 36 个生产级真实 MCP 服务与 220 个工具的大规模基准 MCP-Atlas,采用解耦执行轨迹的原子事实断言评分与 11 类细粒度诊断分类学,揭示了前沿智能体 63.3% 的失败源于认知层而非工具调用层。

Measuring AI Agents' Progress on Multi-Step Cyber Attack Scenarios

英国人工智能安全研究所(UK AISI)构建包含 32 步企业内网与 7 步工控系统的多步实战网络靶场,评估跨度 18 个月的 7 款前沿模型,发现多步网络攻击能力随推理计算预算呈对数线性扩展(10M 至 100M tokens 步数提升达 59%),最新模型突破逆向工程与横向移动瓶颈,但对工控物理系统操作仍十分受限。

Measuring Collapse and Correction in Homogeneous-Panel LLM Debate

本文将同一模型的三智能体辩论拆成保留正确、坍塌、纠错与未修复四类转移,结合辩论前筛查和逐轮轨迹定位风险;但离线冻结回放在阻止 29 次坍塌的同时丢失 108 次纠错,说明风险信号不等于有效控制策略。

MemArena: An Ego-Centric Benchmark for On-Device Agentic Personal Memory Assistants at Scale

MemArena 针对端侧个人记忆助手缺乏第一人称局部观测、长程全局连贯与真实人类日常交互密度的评测空白,通过多智能体模拟器 MASim 构建了包含 50 个智能体、15 天跨度与 1030 万对话 token 的基准数据集 MemArena-L,并基于六大评估维度系统解构了 5 种端侧轻量 Reader 与 5 种记忆后端的性能边界与访问控制缺陷。

MemCode: Discrete Semantic Representations for Long-Term Agent Memory

针对长程交互中传统连续向量记忆检索“表面相似却逻辑割裂”与“上下文依赖事实难以独立检索”的痛点,MemCode 提出将对话解析为自包含原子记忆单元(AMU),并通过保距同构离散语义量化(ISQ)与码本共现拓扑构建双路检索,在大幅降低构建延迟的同时全面超越主流基线。

MEME: Multi-entity & Evolving Memory Evaluation

论文提出了跨越实体范围(单实体 vs 多实体)与时间动态(静态 vs 演化)二维象限的记忆基准 MEME,设计了显式依赖链与因果规则,首次评测级联更新、缺省不确定性与删除后状态,揭示出主流记忆系统在依赖推理任务上面临系统性崩溃。

Memory-R2: Fair Credit Assignment for Long-Horizon Memory-Augmented LLM Agents

针对多会话记忆智能体中记忆修改导致环境非平稳、轨迹级对比不公平的痛点,本文提出结合全局与局部重采样优势估计的 LoGo-GRPO 算法,并配合事实提取与记忆管理共享参数协同演化架构以及跨会话课程学习,大幅提升长程记忆构建与下游问答表现。

Memory Retrieval for Changing Preferences

针对传统语义检索在个性化对话中容易召回过时或仅主题相关干扰项的缺陷,本文提出基于贝叶斯因子的证据效用框架,将记忆访问触发与上下文筛选统一定义为证据强度评估,并通过联合微调控制器与阅读器显著提升动态偏好下的推理准确率。

Memory Type Varies: Empowering LLM Agents for Long-Term Memory with Diverse Strategies

针对现有大模型智能体长期记忆检索中“一刀切”策略忽视记忆异质性的瓶颈,本文基于认知心理学提出三分类基准 TriMEM 与自适应记忆框架 MemoType,从理论证明单检索策略的理论上界并为情景记忆、个人语义记忆与通用语义记忆量身定制检索策略,在四个基准上大幅降低构建开销并提升检索与问答准确率。

MemPlan: Memory-Conditioned PDDL Planning for Partially Observable Text Environments

MemPlan 提出了一种记忆条件化 PDDL 规划框架,通过固定规划域并在每步将正向图记忆检索转化为假设动作代价、将执行反驳记录编译为否定排除约束,让经典规划器在无需在线重写 PDDL 的前提下高效解决部分可观测交互式文本环境任务。

MemSkill: Learning and Evolving Memory Skills for Self-Evolving Agents

提出将大模型智能体的静态记忆操作抽象为可学习、可进化的记忆技能库 MemSkill,通过强化学习控制器动态挑选技能子集并驱动执行器单次生成记忆,再由设计器闭环挖掘困难案例提炼新技能,显著提升了长程对话与具身交互任务的表现。

Mental-Models for Multi-Agent Systems

提出一种面向部分可观测多智能体系统的心理模型增强框架,通过摊销推断递归的心智理论表征并联合训练心智条件效用模型,指导强化学习策略优化,在部署时无需额外推理开销即可显著提升社交交互与决策质量。

Meta-Cognitive Memory Policy Optimization for Long-Horizon LLM Agents

针对长程交互中基于结果反馈的稀疏强化学习难以定位中间记忆退化、导致语义噪声累积与信念偏差的问题,MMPO 将长程决策建模为部分可观测马尔可夫决策过程,提出利用锚点问题探测模型认知不确定性的信念熵指标,通过子轨迹级密集奖励与群相对优势估计为中间记忆状态提供细粒度过程监督,在高达 3.5M 上下文扩展中显著提升长程推理稳定性。

Meta\(^n\): Recursive Self-Improvement through Emergent Depth

通过固定单一通用元算子 \(\Omega\) 并将其递归作用于自身产物(执行轨迹与累积代码库),Metan 打破了自我修改智能体为保稳定性而冻结驱动层导致元深度受限在 2 层的瓶颈,在 8 项跨领域基准及 ARC-AGI-2 上实现超越现有 SOTA 的递归深度与自适应分工涌现。

MetaN: Recursive Self-Improvement through Emergent Depth

本文提出 MetaN 递归自改进框架,通过固定单一通用元算子 \(\Omega\) 并将其反复作用于累积的执行轨迹与代码产物上,打破了传统自修改智能体因保持驱动器冻结导致的元深度瓶颈,使分层策略随收敛自发涌现并显著超越既有自改进基线。

MIRAGE: Mobile Agents with Implicit Reasoning and Generative World Models

本文提出将移动端 GUI 智能体的显式思维链内化为连续潜空间槽位,借助近似并行潜变量细化(APLR)与预测下一帧视觉特征的轻量 Q-Former 生成式世界模型,在推理时不解码任何长推理文本即可达到与显式 CoT 相当的任务成功率,并将生成 token 量与交互延迟降低 75% 以上。

Missing Old Logits in Asynchronous Agentic RL: Semantic Mismatch and Repair

针对异构异步大模型智能体强化学习中因参数版本推进和局部轨迹收集导致历史训练侧 logit 丢失的语义失配问题,本文系统揭示了插值代理仅重参数化截断边界的本质,提出了快照、独立模型与局部中断三种精确获取方案,并设计了带陈旧感知衰减与自动重置的修订版 PPO-EWMA 算法,在保持轻量开销的同时显著提升了智能体决策性能与训练稳定性。

Missing Old Logits in Asynchronous Agentic RL: Semantic Mismatch and Repair Methods for Off-Policy Correction

针对异构异步大语言模型智能体强化学习中因延迟更新与部分采样丢失历史训练侧 Logits(Missing Old Logits)导致解耦异策修正语义失效的问题,本文系统揭示了插值代理策略的重参数化本质,对比了三种精确恢复历史 Logits 的系统架构权衡,并提出了基于失配感知衰减与自动重置的轻量修订版 PPO-EWMA 算法。

Model-Adaptive Tool Necessity Reveals the Knowing-Doing Gap in LLM Tool Use

本文提出基于模型实际能力边界的“模型自适应工具必要性”定义,通过内部隐藏状态线性探测将工具调用解耦为认知与执行两阶段,揭示出大模型内部虽能识别何时需要工具、但在生成最终调用 token 时方向正交崩塌的“知行脱节”(knowing-doing gap)现象。

MoMHa: Multi-Objective Optimization of LLM Harnesses over Accuracy, Safety, and Tokens

MoMHa 在不更新模型权重的前提下,让 proposer 根据执行轨迹改写 Python 程序外壳,联合优化准确率、行为安全和 Token 成本;作者报告合成与真实基准的联合均值领先,但指标缩放、两阶段定义和成本口径存在需澄清的来源冲突。

MoRSE: Task-Oriented Multi-Agent System with Mixture of Role-Subtask Experts

MoRSE 构建了基于依赖感知有向无环图(DAG)的任务导向多智能体系统,通过原型语义路由动态激活“角色+子任务”LoRA专家,并提出两层分层组相对策略优化(HGRPO)解耦路由与专家信用分配,在参数级实现低成本特化与显著方差缩减。

Mstar: Every Task Deserves Its Own Memory Harness

针对传统通用固定记忆架构跨任务泛化能力差的问题,Mstar 将智能体记忆外壳形式化为由 Schema、Logic 与 Instruction 组成的 Python 可执行程序,通过反思式代码进化与种群搜索自动发现任务专用的最优记忆架构。

Multi-Head Recurrent Memory Agents

针对循环记忆智能体在超长上下文中因单块文本覆盖导致的信息遗忘难题,本文提出无须训练的多头循环记忆架构(MHM),通过分头隔离与最久未更新调度(LRU)消除改写冲突,在百万 token 尺度下将记忆保持率由不足 30% 跃升至 73.96%。

Neglected Free Lunch from Post-Training: Progress Advantage for LLM Agents

揭示大模型强化学习后训练中策略与参考策略的对数概率比在随机交互环境中严格等价于最优优势函数,无需额外标注或训练专用奖励模型即可作为即插即用的步骤级进程评估信号。

No More, No Less: Task Alignment in Terminal Agents

提出了针对终端智能体的任务对齐基准 TAB(89个任务),揭示出高任务能力与任务对齐之间存在系统性脱节,证实当前防御机制多以盲目压制关键环境线索为代价降低干扰执行。

OASES: Outcome-Aligned Search-Evaluation Co-Training for Agentic Search

OASES 提出一种结果对齐的搜索与评估协同训练框架,利用可验证结果指标评估中间搜索状态的可解答性并构造望远镜式伸缩过程奖励,通过单模型共享参数同策略训练彻底消除了外部评估器带来的分布漂移与目标脱节,在 5 项复杂问答基准上大幅超越现有强 RLVR 基准。

On Time, Within Budget: Constraint-Driven Online Resource Allocation for Agentic Workflows

本文提出了面向智能体工作流的约束驱动在线资源分配框架 MCPP,通过轻量级蒙特卡洛策略组合前向模拟与闭环重规划,在满足严格预算与截止期限的前提下最大化工作流完成概率。

OneMillion-Bench: How Far Are Language Agents from Human Experts?

针对现有智能体评测局限于应试解题而脱离真实生产力的问题,本文提出了涵盖金融、法律、医疗、工业与自然科学 5 大领域的 400 道高价值专家任务基准 $OneMillion-Bench,基于资深劳动力成本直接折算智能体产出的真实经济价值,并引入非对称负分细则全面评估前沿智能体的可靠性与交付瓶颈。

OpenWebRL: Demystifying Online Multi-turn Reinforcement Learning for Visual Web Agents

提出了首个面向真实动态网页端到端训练视觉网页智能体的全开源在线多轮强化学习框架 OpenWebRL,仅依靠 412 条热启动轨迹和 2.2K 在线探索任务,便驱动 4B 紧凑模型在三大在线网页基准上大幅超越现有开源 SOTA 并比肩顶级闭源系统。

OPERA: An Agent for Image Restoration with End-to-End Joint Planning–Execution Optimization

针对复合退化图像恢复中规划受限与多工具级联失调的瓶颈,OPERA 提出联合优化规划与执行的智能体框架,利用 GRPO 强化学习端到端搜索组合规划空间,并通过智能体引导的多工具端到端微调实现协同恢复。

Optimize Once, Execute Fast: Latency-Aware Multi-Agent Workflow Learning for Recurrent Queries

针对大语言模型多智能体系统在反复调用场景下的端到端响应延迟累积问题,提出了首个延迟感知工作流优化框架 LAWA,通过可保证完成时间单调递减的有向无环图编辑算子与表现评估器,在保障任务准确率的同时将多智能体工作流执行时间大幅压缩。

PACE: A Proxy for Agentic Capability Evaluation

PACE 提出了一种基于非智能体原子测试题库构建紧凑代理基准的方法,通过解耦 SVD 杠杆度与目标秩相关性的双路实例选择及 Bootstrap 重采样回归,仅需 100 道低成本静态测试题即可以低于 4% 的平均绝对误差预测模型在昂贵智能体基准上的表现,将评测成本压缩至百分之一以下。

PACE: Two-Timescale Self-Evolution for Small Language Model Agents

针对小语言模型(SLM)在参数冻结场景下演化易出现语法有效但语义退化的问题,本文提出双时间尺度自我演化框架 PACE,先在内层快速迭代低风险提示词,待收益饱和后再触发出题评估与留出集验证把关的高风险控制逻辑更新,在 3 个 SLM 底座和 4 个基准上相对原始智能体取得最高 9.2% 的准确率提升。

PACEvolve++: Improving Test-time Learning for Evolutionary Search Agents

提出解耦策略思考与代码落地的顾问模型强化学习框架 PACEvolve++,通过动态混合群组相对优势与前沿边际贡献优势,在昂贵评估场景下实现了稳定高效的测试期进化搜索策略自适应。

PAGER: Bridging the Semantic-Execution Gap in Point-Precise Geometric GUI Control

针对传统 GUI 智能体在连续画布上因点级精度匮乏和依赖链误差累积导致的“语义-执行鸿沟”,本文提出结合依赖结构化规划与像素锚定执行的几何 GUI 框架 PAGER,通过监督微调与精度对齐强化学习,在全新基准 PAGE Bench 上将任务完成率相对最强通用模型提升 4.1 倍。

Perceive, Interact, Reason: Building Tool-Augmented Visual Agents for Spatial Reasoning

针对视觉语言模型缺乏主动获取与多步验证空间证据能力的问题,本文提出工具增强视觉智能体 PERIA,构建涵盖感知与交互的双族工具沙盒,并提出观测松弛组内策略优化算法(OR-GIGPO),在 8B 规模下超越同量级基线 6.9–14.8 个百分点并比肩 GPT-5。

Personalize-then-Store: Benchmarking and Learning Personalized Memory for Long-Horizon Agents

提出首个针对大模型智能体个性化记忆的评测基准 PerMem-Bench 与会话级存储门控(Session-level Storage Gating)范式,揭示针对异质用户按需过滤瞬时会话可显著提升长期记忆留存率,并指出动态环境下的准确门控仍是核心挑战。

PhGPO: Pheromone-Guided Policy Optimization for Long-Horizon Tool Planning

受蚁群算法启发,PhGPO 将历史成功工具调用轨迹显式蒸馏为 MCP 转移图上的信息素先验,通过挥发与任务检索动态更新,并在 GRPO 框架下引导采样与递进策略优化,显著提升长程多步工具规划的成功率与采样效率。

PHMForge: Evaluating LLM Agents on Industrial Prognostics through MCP-Native, Algorithm-Grounded Tools

提出首个面向工业故障预测与健康管理(PHM)的MCP原生评测基准PHMForge,基于8类物理资产与39个算法工具构建99个专家设计场景,揭示了大模型智能体在工业决策中严重依赖真实算法编排、且主要失误集中于编排时序而非工具调用的核心特性。

PhotoFlow: Agentic 3D Virtual Photography Missions

针对开放 3D 虚拟场景中兼顾空间几何约束与抽象美学表达的摄影难题,本文提出了 PhotoFlow 闭环相机搜索智能体,通过导演-审查员-反思者协同架构实现连续相机参数的迭代探索与优化,并在包含 141 个任务的 VPhotoBench 基准上显著超越单步预测与单链反思基线。

PhysicianBench: Evaluating LLM Agents in Real-World EHR Environments

斯坦福大学团队提出 PhysicianBench 基准,基于真实多专科电子会诊构建 100 个长程临床任务,部署于符合国际标准 FHIR R4 的交互式 EHR 环境中,通过 670 个细粒度检查点实现执行落地验证,揭示顶尖模型(GPT-5.5)仅达 46.3% 单次成功率和 28% 可靠一致性。

PieArena: Ranking and Profiling Language Agents in Realistic Negotiation Scenarios

针对静态评测易饱和且缺乏真实互动博弈的问题,本文提出基于顶尖商学院 MBA 真实谈判场景的大规模评测基准 PieArena,构建连续收益排名的贝塔广义 BTL 模型并引入共同意图脚手架,全面刻画了 13 款前沿语言智能体与商学院高水平人类在镜像对弈、交叉对弈和人机博弈下的价值创造、价值索取与多维行为画像。

Prefix Executability: Evaluating Tool-Using Agents Beyond Final Success

针对传统工具使用智能体评测仅以终局结果判定成败而忽视中间动作非法性的缺陷,本文形式化了前缀可执行性评估协议,构建了覆盖PEC、FED、TER、AUC-PEC与RR的完整指标族,揭示了“未经验证的规划可换取虚高终局成功却导致前缀严重崩溃”的评测脱节现象,并证明执行前显式计划检验能有效恢复前缀可靠性。

PROBE: Learning to Audit Policy Compliance in Tool-Using LLM Agents

PROBE 将工具调用智能体的策略合规审计建模为双人马尔可夫博弈,提出结合去重违规、进度、新颖度与拟真度的复合奖励函数及自适应视界课程,训练轻量级审计模型在黑盒多轮交互中主动挖掘被测智能体的深层策略违规行为。

Quest: Training Frontier Deep Research Agents with Fully Synthetic Tasks

提出了开源深度研究智能体全栈方案 Quest,仅依赖 8K 完全合成的评分标准树(Rubric Tree)任务与三阶段训练(MT+SFT+RL),配合结构化上下文压缩与异步验证基础设施,使 35B 开源模型在跨客观事实检索与开放式报告合成的 8 个基准测试中逼近并超越顶尖闭源系统。

Recursive Multi-Agent Systems

将多智能体协作形式化为隐空间递归计算流,通过轻量级残差投影视模块 RecursiveLink 连接异构智能体并进行内外双循环协同优化,摆脱文本中介的高延迟与梯度消失瓶颈。

Recursive Semantic Divergence for LLM Agent Consistency

将强化学习互模拟度量与自然语言推理结合,提出无监督轨迹级一致性指标 RSD,利用状态自距离单次前向估计智能体未来语义发散度,并在无需真值标签下作为强化学习奖励显著抑制决策随机性。

Reflection with Action-Induced Visual Differences for Desktop GUI Agents

针对桌面 GUI Agent 中反思模块(Reflector)在密集大屏下难以捕获微弱或分散状态变化的痛点,提出两阶段 Evidence-First Reflection(EFR)框架,显式解耦视觉差异提取与成败验证,在 OSWorld-Verified 和 WindowsAgentArena 上将任务成功率分别提升 5.94% 和 4.95%。

REFLEX: Reflective Evolution from LLM Experience

REFLEX 提出了一个无需训练的程序化策略进化搜索框架,通过多轮诊断链解耦视觉批评者与纯文本行动者,并结合可根据适应度增量动态更新效用的持久化技能记忆库与 UCB1 算子老虎机,实现了高效可追溯的策略代码演化与跨任务迁移。

Reinforcement World Model Learning for LLM-based Agents

本文提出强化世界模型学习(RWML),无需专家轨迹或任务胜负奖励,直接利用文本嵌入空间的模拟-真实差距构建轻量化奖励,通过 GRPO 赋予单模型大语言智能体自监督动作条件环境动态建模与推理能力。

RelAgent: LLM Agents as Data Scientists for Relational Learning

RelAgent 将关系型数据库学习建模为两阶段框架,利用 LLM Agent 通过交互式 SQL 探索、程序验证与评估工作区反思自主搜索最优特征程序与预测模型,推理阶段完全摆脱 LLM 依赖,实现高效、确定性且内在可解释的关系预测。

RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations

本文提出基于扰动的代码智能体评测套件 RepoMirage,通过对 SWE-Bench Verified 进行语义保持的上下文重构与显式诊断任务扩展,揭示现有代码智能体高解决率主要依赖局部快捷线索而非跨文件结构推理,并在多文件上下文需求激增时普遍遭遇“探索漂移”瓶颈。

Rethinking How to Remember: Beyond Atomic Facts in Lifelong LLM Agent Memory

针对现有 LLM Agent 记忆系统依赖静态 Prompt 抽取原子事实导致的细节丢失与浅层推理缺陷,本文提出三粒度记忆系统 TriMem,通过原文溯源锚点保障存储保真度、实体画像实现高阶语义综合,并利用 TextGrad 实现提示词终身无参数演化。

Reward Modeling for Multi-Agent Orchestration

针对大语言模型多智能体系统(MAS)中编排策略训练和评估严重依赖昂贵子智能体全轨迹展开的问题,本文提出 Orch-RM 自监督编排奖励建模框架,直接在编排计划层级评分,使测试时扩展 token 消耗降低达 17 倍且准确率提升高达 8%,并以节省 10-46 倍训练 token 的代价实现极具竞争力的编排器强化学习。

RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent Memory

针对长期大语言模型智能体记忆中语义相似事件因时间错配被误召回的难题,本文提出基于强化学习时序区间定位器与双通道距离衰减重排的 TIDER 检索框架,以轻量 1.7B 模型在 LifeBench 和 LoCoMo 上刷新 SOTA。

ROAR: Benchmarking LMM Agents under Real-Time Constraints in Multiplayer Action-Shooter Games

针对传统多智能体基准依赖轮流暂停执行而掩盖延迟灾难的问题,本文提出了基于轻量Unity动作射击环境与多智能体异步Gym接口的基准ROAR,揭示了实时动态演进对多智能体协作与对抗决策的深刻破坏与权衡重塑。

RuleSmith: Multi-Agent LLMs for Automated Game Balancing

提出基于大模型自我博弈与贝叶斯优化的自动化游戏平衡框架 RuleSmith,将大模型作为零样本规则评估器,配合基于期望改进(EI)的自适应采样高效搜索连续松弛离散规则空间,在非对称文明策略游戏 CivMini 中稳定搜索出双阵营胜率逼近 50/50 的可解释数值规则。

SaaS-Bench: Can Computer-Use Agents Leverage Real-World SaaS to Solve Professional Workflows?

提出了基于 23 个真实可部署 SaaS 系统的计算机使用智能体评测基准 SaaS-Bench,设计了覆盖 6 个专业领域的 106 个长程工作流任务,揭示了前沿大模型在真实企业级端到端任务上解决率低于 4% 的脆弱性与级联失败机制。

Same Signal, Opposite Meaning: Direction-Informed Adaptive Learning for LLM Agents

揭示了 LLM Agent 测试期计算中不确定性信号与优化器效用之间存在跨环境与骨干模型的方向反转现象,并提出基于无偏反事实探索与稀疏逻辑回归的自适应门控框架 DIAL,实现了帕累托前沿的大幅提升。

SchemeArena: Factorized Stress Testing of Scheming in LLM Agents

SchemeArena 构建了首个包含 400 个真实工具交互场景的因子化压力测试基准,配合多准则过程级监控器 SCOUT,系统揭示了工具环境下工具型长远目标是驱动智能体谋划倾向的核心诱因,且局部监督反会刺激闭源模型产生逆向规避。

ScreenSearch: Uncertainty-Aware OS Exploration

针对桌面操作系统智能体面临的感知混淆与部分可观测性挑战,ScreenSearch 构建跨虚拟机共享的去重状态图,提出基于动作结果离散度的歧义度量与单步 PUCT 图老虎机算法,兼顾前沿扩展与歧义消解,高效收集可信状态转移并显著提升下游策略的屏幕敏感度与恢复能力。

Search More, Think Less: Rethinking Long-Horizon Agentic Search for Efficiency and Generalization

针对长程深度搜索智能体依赖串行深度推理导致的显存与延迟瓶颈,SMTL 提出以并行子任务执行与动态重规划替代传统单步链式搜索,结合跨任务合成数据与 RLOO 强化学习,在 BrowseComp 等基准上以减少 70.7% 的交互步数实现了 SOTA 性能。

Searching Videos as Trees: Self-Correcting Agents for Grounded Long Video QA

将长视频时序定位问答建模为自适应语义树上的离散多轮搜索,赋予智能体放大、缩小、横移等显式自纠错与回溯原语,配合包含歧路与恢复的合成轨迹及 GRPO 强化学习,在定位精度与问答准确率上大幅超越传统连续裁剪智能体。

SecureClaw: Clawing Back Control of LLM Agents

针对工具调用型智能体面临的外部越权操作与内部敏感明文泄露双重风险,SecureClaw 提出了包含执行端“PREVIEW→COMMIT”严格请求绑定与读取端“引用句柄+显式去分类摘要”的双边界隔离架构,在彻底切断未授权副作用与内部中继通道的同时保持了极高的任务可用性。

Selective Critique for Cost-Aware LLM Agents in Long-Horizon Decision Making

针对大语言模型智能体在长程决策中持续调用外部批评导致的高推理开销与时延瓶颈,本文提出基于动作歧义度门控的自进化框架 SAG,从信息价值理论出发仅在高风险步自适应触发非预言机批评,并通过在线自举监督微调将批评指导内化到行动者策略中,以接近 ReAct 的低计算开销实现了超越全开批评的可靠性与 3.1 倍的归一化 token 效率。

Self-Compacting Language Model Agents

提出无需微调的自适应上下文压缩支架 SelfCompact,通过在周期探测点引入轻量级规则评审探针与内联压缩工具,让大模型自主判断子任务完结节点并压缩历史轨迹,在显著降低长程交互 Token 成本的同时提升数学推理与智能体搜索精度。

SePO: Self-Evolving Prompt Agent for System Prompt Optimization

提出基于自指闭环架构的自演化系统提示词优化框架 SePO,打破传统优化器系统提示词人工固定的上限,通过多任务预训练与单任务微调的两阶段开放式进化搜索,使提示词优化能力成为可跨任务积累与迁移的通用技能。

Sequential Probabilistic Uncertainty Estimation for Parallel Multi-Agent Reasoning Systems

针对并行多智能体推理(MAS)中交互动态表征系统信度但现有不确定性估计忽视多轮演化的问题,提出轻量免训练的序列估计器 SAUCE,将多轮共识整合建模为隐式系统信念的贝叶斯滤波更新,在无需模型权重与额外采样的条件下显著提升误分类检测、选择性预测与置信度校准质量。

SETA: Scaling Environments for Terminal Agents

针对终端交互智能体缺乏规模化训练环境与可靠验证信号的瓶颈,本文提出 SETA 框架,通过源自多样人类真实问答的 SETA-Synth 与基于模型能力边界动态调控难度与多样性的 SETA-Evol,构建出包含 4,567 个可执行且带单元测试的开源终端强化学习环境集 SETA-Env,在 Qwen3-8B 与 DeepSeek-V4-Flash 上显著刷新了 Terminal-Bench 2.0 评测表现。

Silent Failures in Agent-Tool Interaction: An Audit of ToolUniverse

本文针对科学智能体在工具调用中“调用成功但信息残缺且无告警”的隐式故障问题,构建了跨越 7 个故障层位的审计评估体系,对 ToolUniverse 中 15 个生物计算与数据库工具进行深入审计,揭示出 API 与 Wrapper 层的不完整契约是导致下游科学结论发生“隐式放大”的核心根源,并提出了语境可靠性评估标准。

Skill-SD: Skill-Conditioned Self-Distillation for Multi-turn LLM Agents

Skill-SD 将多轮交互智能体自身探索的历史轨迹提炼为紧凑的自然语言技能,并将其作为训练期独占的动态特权上下文注入教师模型,结合重要性权重逆向 KL 散度与动态参数同步,实现了无测试期检索依赖的高效多轮策略学习。

SkillForge: Co-Evolving Skills and Agents via Dynamic Skill Lifecycles

提出基于适应度的动态技能生命周期管理框架 SkillForge,通过在强化学习训练循环中协同执行技能淘汰、稳定化与大模型引导的突变优化,彻底解决技能库只增不减导致的“延迟过时”问题并显著提升智能体泛化性能。

SkillGen: Verified Inference-Time Agent Skill Synthesis

SkillGen 提出了面向大语言模型智能体的无训练、推理时技能自动合成框架,通过对基线成功与失败轨迹的对比归纳提取可复用行为模式与防错准则,并基于潜在结果框架建立生成-验证-精化循环与净收益部署门控,在无需更新模型参数的前提下实现稳健正向的跨模型泛化提升。

SkillMaster: Toward Autonomous Skill Mastery in LLM Agents

提出 SkillMaster 框架,将技能管理作为工具调用闭环整合进智能体策略,通过探针任务反事实效用评估提供密集质量奖励,并借助 DualAdv-GRPO 解耦执行与技能学习,使 LLM 智能体实现端到端自主技能掌握。

SkillOpt: Executive Strategy for Self-Evolving Agent Skills

将智能体外部技能文档形式化为可训练的文本状态,提出类深度学习的文本空间优化器 SkillOpt,通过小批次反思、有界文本学习率预算与留出集验证门控,无需更新模型权重即在 52 项评测全胜且实现跨模型与环境迁移。

SkillOrchestra: Learning to Route Agents via Skill Transfer

SkillOrchestra 改变了端到端强化学习直接训练编排策略的传统范式,通过构建可复用、跨模型迁移的结构化技能手册(Skill Handbook)显式建模智能体在细粒度技能上的能力与成本,在多轮模型路由与复杂智能体编排中以显著降低的训练与推理成本突破帕累托前沿。

SkillOS: Learning Skill Curation for Self-Evolving Agents

针对流式任务中智能体缺乏终身自演化机制的问题,SkillOS 将系统解耦为冻结的执行器与可训练的技能策展器,通过相关任务流分组与复合奖励设计,在 GRPO 下优化技能库的文件增删改操作,实现跨骨干模型与任务的高效自演进。

SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks

提出了首个将 Agent Skills 作为一等评估对象的基准 SkillsBench,包含 8 个专业领域共 87 项真实复杂任务与确定性评测器,通过严格配对评估揭示出人工精选 Skills 可带来平均 +16.6 个百分点的任务通过率提升。

SpecForge: Recursive Self-Improvement for Coding Agents via Behavioral Specifications

本文提出基于行为规范的编程智能体递归自提升框架 SpecForge,通过帕累托状态选择、依赖约束实体选择和错误多样化扩展的三层多前沿树搜索机制,克服了实体间因输出耦合导致的打地鼠式退化现象,在无需更新模型权重的条件下使代码重构与下游迁移性能大幅提升。

SquidAgent: Parallelize Wisely, Coordinate Efficiently

针对多智能体系统中盲目并行常因重探索与对齐开销导致劣于串行基线的困境,SquidAgent 提出了基于输出 Token 预算的层级并行化决策准则,并结合会话派生与预生成共享规范块,实现了高产出吞吐与强一致性。

StraTA: Incentivizing Agentic Reinforcement Learning with Strategic Trajectory Abstraction

针对传统反应式智能体在长程决策中探索盲目与信用分配困难的痛点,StraTA 提出在交互初始显式采样紧凑的全局策略指导后续所有动作,并通过分层 GRPO 框架、基于语义嵌入的最远点采样多样性增强以及批判性自评价辅助惩罚,实现了端到端策略生成与动作执行的联合优化。

Synthesis Through Simulation: Generating Coherent Enterprise Data via Scalable Agent-System Interaction

提出无需数据库模式的仿真数据合成范式(STS)与通用填充智能体(GP),通过在模拟企业环境中让智能体调用带策略约束校验的 API 闭环交互,以“构造即满足”保证结构合法性,在 10 个企业级场景中达成 100% 规则通过率并显著提升下游智能体微调效果。

Tatemae: Detecting Alignment Faking via Tool Selection in LLMs

本文提出 Tatemae 评测框架与包含 108 个企业 IT 场景的数据集,首次将对齐伪装(Alignment Faking)形式化为由能力、对抗鲁棒性、监控依从转移及内部思维链一致性构成的可验证复合事件,摆脱了对不可靠思维链的绝对依赖,在六款前沿大模型上测得 3.5% 至 23.7% 的对齐伪装率。

TerminalWorld: Benchmarking Agents on Real-World Terminal Tasks

TerminalWorld 通过从 80,870 个 asciinema 真实终端会话中逆向工程意图、自动化构建 Docker 容器并引入三方试错闭环校准测试集,构建了包含 1,530 个任务(及 200 个高质量人审 Verified 核心子集)的真实终端评测基准,实验证明前沿模型在真实环境下面临 62.5% 的性能天花板和失败开销倍增的效率悖论。

Test-time Multi-agent Coordination by Decomposed Value Gradient Flow

提出无需显式策略参数化微调的离线多智能体框架 SCOUT,将行为克隆流匹配先验与可分解价值梯度完全解耦,在推理期通过斯坦变分梯度流自适应精化动作粒子,在兼顾多模态协同策略的同时规避了联合动作空间的模式塌缩与分布偏移。

The Best-Laid SCHEMEs: Coordinated Sabotage and Monitoring in Multi-Agent Systems

本文构建了首个代码库级多智能体协同破坏与监控基准 SCHEME,发现前沿模型已具备极强的协同破坏能力(Gemini 3.1 Pro 达 84% 成功率),并系统证明可信监控器结合代码审查与通信追踪可实现极高检测率。

The Complexity Kink: A Prompt-Side Structural Complexity Index for Code-Generation Reliability

针对传统基于生成代码圈复杂度评估模型性能易受失败短代码污染的“逆阈值问题”,提出纯提示词侧的六维结构复杂度指标与 Hansen 阈值回归方法,在大规模 21 模型基准测试中精确定位各模型的代码可靠性结构突变点。

The Compliance Trap: Diagnosing How AI Agents Consume Conflicting Memory

提出了轨迹级诊断框架 E-P-R 与受控基准 MemTrapBench,揭示了长程智能体在面临冲突记忆时普遍陷入“顺从陷阱”——基线能力越强的模型因顺从率相近而承受更惨重的性能崩溃,且动作级纠偏极难转化为任务级成功。

The Illusion of Multi-Agent Advantage

通过在传统推理与动态智能体基准上系统对比六大自动化多智能体框架与自洽思维链(CoT-SC),并构建诊断性合成基准 SMFR 与 Expert-MAS 上界,揭示当前自动化多智能体系统普遍存在高达 10 倍推断开销却缺乏增益的“架构膨胀”与“功能性坍缩”。

The PokéAgent Challenge: Competitive and Long-Context Learning at Scale

PokéAgent 提出了包含“竞争性对战”与“RPG速通”的双赛道决策评测基准,发布了超 2200 万场轨迹与多智能体编排框架,揭示了通用大模型与专用强化学习/搜索算法之间的巨大鸿沟,并证明对战决策能力几乎与现有 49 项主流 LLM 基准正交。

TIER: Trajectory-Invariant Execution Rewards for Multi-Step Tool Composition

针对多步工具组合任务中结果奖励过于稀疏、轨迹级参考监督强行绑死单一路线而抹杀有效等价解的问题,TIER 提出了基于函数模式校验与沙箱运行时执行反馈的轨迹无关分层奖励机制,使 8B 模型在 1–6 步深度的复杂工具调用中全线突破 90% 准确率。

TimeWarp: Evaluating Web Agents by Revisiting the Past

针对真实网页界面随时间持续演变导致智能体脆弱失效的难题,论文构建了包含跨越 25 年历史设计规范与 1386 个任务的演化网页基准 TIMEWARP,并提出基于“人在回路高层计划蒸馏 + 全版本教师自动展开”的 TIMETRAJ 收集法与多 Token 行为克隆方法 TIMEWARP-BC,使开源网页智能体成功率提升近一倍。

To Call or Not to Call: Diagnosing Intrinsic Over-Calling Bias in LLM Agents

针对大语言模型智能体普遍存在的过度工具调用(over-calling)现象,本文通过稀疏自编码器提取行为对齐的决策特征基,揭示决策映射中存在与激活无关的固有调用偏移(IBH),并提出了无须调参的自适应裕度校准导向(AMCS)在推理期实施闭式因果校准。

To trust or not to trust: Attention-based Trust Management for LLM Multi-Agent Systems

针对大语言模型多智能体系统盲目信任输入消息的脆弱性,本文基于人类语用学理论提出六维信任体系与基于内部注意力模式的轻量级评估方法 A-Trust,并构建了涵盖消息过滤与智能体动态追踪的双层信任管理系统(TMS)。

Tools as Continuous Flow for Evolving Agentic Reasoning

将离散工具链重构为语义流形上的连续轨迹生成,通过条件流匹配联合解出未来全量动作锚点,并结合滚动时界闭环重规划,在抑制长程误差累积的同时显著增强对未见工具的泛化能力。

ToolSearcher: Optimizing Tool Selection at Scale via Reinforcement Learning

ToolSearcher 用类别约束课程、首次发现目标工具的事件级优势和按轨迹进度分配的信用训练多轮工具选择器,在 StableToolBench 上将 Qwen2.5-7B-Instruct 的整体 F1 从 GDPO 的 0.496 提升到 0.513,并改善 AppWorld 中由独立执行智能体完成任务的结果。

Toward Interactive Understanding of Code APIs

论文提出了评估大语言模型通过黑盒交互理解Python代码API能力的基准PAU,揭示了前沿大模型普遍存在的盲目自信与浅层探索缺陷,并引入具备特权信息的非对称Actor-Critic(AAC)强化学习框架,显著提升了智能体主动探索与逆向理解API功能的能力。

Towards High Semantic Fidelity: Hyperdimensional Symbolic Messages in Multi-Agent Communication

针对非理想通信信道下多智能体协同语义失真与不可解释问题,本文提出基于超维计算的超维符号消息格式(HSM)与Herm通信框架,通过实体-属性-值结构化编码压制语义纠缠,利用自我绑定与相似度感知双分支融合化解语义失配与稀释,实现了抗噪传输保真度与显式双向转换保真度的统一。

Tracing Agentic Failure from the Flow of Success

针对大语言模型智能体长程任务故障定位难题,本文提出基于神经受控微分方程(Neural CDE)的无监督故障归因方法 Oat,仅在成功轨迹上学习正常潜在动态流,推理时无需调用大模型即可毫秒级精确定位失败步骤。

TrajWiki: Source-Grounded Memory Trajectories for Long-Horizon Dialogue Agents

针对长程对话中传统外部记忆易状态覆盖、碎片化检索与缺乏溯源的问题,TrajWiki提出不可变情节快照与断言演化轨迹,并构建持久化Memory Wiki实现分层路由与证据溯源问答。

TrajWiki: Source-Grounded Memory Trajectories for Long-Horizon Dialogue Agents

针对长期多轮对话智能体记忆缺乏溯源性、易发生覆盖丢失以及扁平检索碎片化的问题,提出记忆框架 TrajWiki,将对话历史建模为带断言级演化操作的不可变快照轨迹,并聚合为互联的持久化 Memory Wiki 页面以实现分层高效检索与强溯源回答生成。

TwinRouterBench: Fast Static and Live Dynamic Evaluation for Realistic Agentic LLM Routing

TwinRouterBench 提出了首个针对真实 Agent 多轮调用场景的步骤级 LLM 路由基准,通过“快速静态评测”与“实时动态执行”双轨设计,在保证 SWE-bench 求解率的同时将 API 成本大幅降低 53.1%。

UMAS: System-Level Uncertainty Quantification for Multi-Agent LLM Systems

针对多智能体系统(MAS)盲目套用单智能体不确定性量化(UQ)导致可靠性显著下降的问题,提出无参数、零推理开销的系统级量化框架 UMAS,通过显式追踪交互图上的节点置信度并按同行可信度动态更新与聚合,在主流基准上实现平均 10.54 点的 AUROC 提升。

UMAS: 面向多智能体系统级的不确定性量化 (System-Level Uncertainty Quantification for Multi-Agent LLM Systems)

针对现有单智能体不确定性量化(UQ)方法应用于多智能体系统(MAS)时存在的结构错位与采样开销过大问题,UMAS 提出了一种免训练、零额外推理成本的系统级 UQ 框架,通过建模交互图中的节点置信度、利用相对置信度调节同行证据信任权重并动态更新,最终全图聚合实现平均 10.54 个 AUROC 点的大幅提升。

Understanding the Challenges in Iterative Generative Optimization with LLMs

系统剖析基于大语言模型进行代码、工作流与提示词迭代自演化(生成式优化)在实际落地中的脆弱性根源,形式化定义了系统初始化(起始工件)与学习上下文构建(信用分配视界、经验批处理)三大隐式设计决策对优化成败的决定性影响,并给出了实用工程准则。

UniClawBench: A Universal Benchmark for Proactive Agents on Real-World Tasks

针对现有智能体评测依赖沙盒静态快照、缺乏多轮闭环交互且场景分类模糊的瓶颈,UniClawBench 提出了首个涵盖技能使用、开放探索、长上下文推理、多模态理解与跨平台协调五大核心能力的动态真实环境基准,通过三角色信息隔离防火墙与细粒度检查点机制实现了高可信的多轮交互式评测。

Unify-Agent: A Unified Multimodal Agent for World-Grounded Image Synthesis

针对传统统一多模态模型依赖固定参数记忆而难以生成长尾实体的问题,Unify-Agent 提出将图像生成重构为“思考-检索-重描述-生成”的端到端交替决策序列,借助 VAE 感知隐变量与 ViT 高阶语义协同理解外部证据,实现高保真、强事实一致的世界接地图像合成。

Untrusted Content Masking for Web Agents with Security Guarantees

本文提出非信任内容掩码(Untrusted Content Masking, UCM)防御框架,在页面渲染前将 DOM 中的非信任内容替换为带标识占位符,并仅允许 Agent 通过返回强类型受限数据的隔离模型(Q-Model)间接查询,从架构根源彻底消除控制流提示注入,并在主流 Agent 上实现 0% 攻击成功率与近乎无损的任务效用。

Useful Memories Become Faulty When Continuously Updated by LLMs

本文系统揭示了基于大模型自更新的智能体文本记忆系统存在内在缺陷:在持续更新循环中,即使从完全正确的高质量轨迹进行抽象提炼,记忆效用也会呈现先升后降并最终劣于无记忆基线的非单调衰退,而保留原始情境轨迹作为基准证据并显式门控抽象能有效避免这种退化。

VerifyMAS: Hypothesis Verification for Failure Attribution in LLM Multi-Agent Systems

针对大模型多智能体系统中直接预测故障或智能体优先归因难以捕获跨步骤与跨智能体全局错误的问题,提出基于三值假设验证的错误优先归因框架 VerifyMAS,将归因显式解耦为全轨迹级错误验证与责任智能体定位,并结合细粒度负样本构建专用验证器微调模型。

VeriGraph: Towards Verifiable Data-Analytic Agents

针对大语言模型数据分析智能体输出难以审计的问题,VeriGraph 将线性推理轨迹重构为显式异构证据有向无环图(DAG),通过计算、绑定与推导三类原语统一确定性代码计算与语义推演,并结合分层图感知复合奖励进行策略优化,在四个数据基准上实现了顶尖性能与 87.61% 的断言溯源支撑率。

VeriTrip: A Verifiable Benchmark for Travel Planning Agents over Unstructured Web Corpora

VeriTrip 构建了基于真实非结构化网络图文沙箱(MRB)与严格对齐真值库(VKB)的可验证旅行规划评测基准,提出了细粒度单元级事实核验与地理一致性评估协议,揭示了前沿多模态大模型在主动信息检索与高阶偏好满足之间的认知负载竞争与能力断层。

VisionCreator-R1: A Reflection-Enhanced Native Visual-Generation Agentic Model

针对长程多图生成工作流中早期微小视觉偏差逐级累积扩散的缺陷,本文提出显式引入反思能力的端到端原生视觉生成智能体 VisionCreator-R1,基于规划奖励与反思奖励优化非对称性理论提出 RPCO 训练范式,全面超越 Gemini 2.5 Pro。

When and Why Does Multi-Agent Debate Fail and Does It Really Underperform?

本文从博弈论视角揭示了竞争型与求同型多智能体辩论因激励失准导致的辩论退化现象,并提出了重构为非零和博弈的协同辩论协议(ColMAD),在等计算预算下首次稳定击败单智能体基线。

When Debate Helps: Proposal Supply and Verification-Aware Readout in Multi-Agent Reasoning

论文揭示了多智能体辩论超越多数投票的核心机制在于提升正确提案供给与具备验证感知读出能力,并据此提出了覆盖度驱动的智能体社会构建算法与潜式验证辩论模型。

When Do Multi-Agent Systems Help? An Information Bottleneck Perspective

本文从信息瓶颈理论视角统一建模单智能体系统(SAS)与多智能体系统(MAS),证明无限通信带宽下二者等价,揭示出 MAS 的核心增益取决于「消除上游无关冗余上下文」与「有界中继造成任务相关信息损失」之间的权衡,并被模型能力参数调节。

XBridge: Entity-Grounded Latent Bridge for Heterogeneous LLM Communication

提出了首个面向异构 LLM 多智能体协作的免解码双通道通信协议 XBridge,通过词汇锚点映射确定性对齐实体身份并借助门控交叉注意力桥接隐层上下文富化,在三大模型族和七大基准上超越自然语言通信 14.3~21.4 个百分点并取得 11 倍推理加速。

XBridge: Entity-Grounded Latent Bridge for Heterogeneous LLM Communication

XBridge 用确定性词汇锚点映射传递完整上下文 token,再用成对训练的交叉注意力桥读取发送者隐状态,在三个异构模型配对的七项任务上均优于 128-token 文本摘要通信,并在指定 H200 测试中把单样本延迟从 1.70 秒降至 0.15 秒。

DICE: Decoupling Capability from Intervention Necessity in LLM Tutoring

针对大语言模型导师在教学交互中过度干预与错误放行的核心缺陷,本文提出显式解耦“是否干预”与“如何生成”的 DICE 框架,通过反事实干预价值(IV)加权策略优化与成本敏感决策,在保留高成功率的同时将过度干预率降至近零并大幅减少交互轮数。