OmniHallu：面向多模态大语言模型跨模态理解与生成的统一幻觉检测
OmniHallu 提出了一种面向多模态大语言模型（MLLM）的统一幻觉检测方法，覆盖跨模态理解与生成场景。论文指出，尽管 MLLM 已在多种任务中取得显著进展，但其生成结果仍可能与输入语义矛盾或造成错误表述，即出现幻觉问题。现有研究通常针对特定类型的幻觉分别处理，而该工作旨在提供更统一的检测框架。这类能力有望帮助开发者更系统地评估和提升多模态 AI 应用的可靠性与事实一致性。
独立 AI 资讯库
AI 前沿动态、原文归档与媒体镜像
从自动抓取数据库实时读取，适合快速浏览、检索和后续扩展成完整资讯站。
12346资讯
12212正文归档
77820媒体
LLM 能实现数据库规范化吗？用于模式规范化的基准与多智能体框架
该论文研究大型语言模型（LLM）在必须满足数据库级约束的结构化输出任务中的可靠性。作者以数据库规范化为切入点，评估 LLM 在相关推理任务上的能力，并提出用于模式规范化的基准与多智能体框架。研究指出，尽管 LLM 越来越常被用于生成结构化结果，但其能否稳定满足数据库设计中的严格约束仍有待验证。该工作对构建基于 LLM 的数据库设计、模式迁移和自动化数据工程工具具有参考意义。
NLPCC 2026 共享任务 11 概述：基于 Agent 的科学论文实验复现
该论文介绍 NLPCC 2026 共享任务 11，聚焦利用基于 Agent 的方法复现科学论文中的实验。原文指出，可复现性是科学进步的重要基础，但科学出版物数量与复杂度不断增长，使全面人工核验日益不可行。论文摘要还提到，近年来大语言模型（LLM）Agent 的发展为自动化相关任务提供了可能性，但所提供原文未包含后续具体任务设置、数据集或评测结果。
ProMediConv：法律纠纷调解中主动式对话 Agent 的基准测试
该论文提出 ProMediConv，用于评测法律纠纷调解场景中的主动式对话 Agent。论文指出，纠纷调解对维护社会和谐与韧性至关重要，但培养专业调解员成本高、耗时长。现有基于 LLM 的调解研究仍受限于不够真实的任务设定和低保真数据集。该研究有望为开发和评估面向法律调解的 AI Agent 提供更具现实性的基准。
通过语义感知的完整性重建实现鲁棒的缺失模态多模态情感分析
该论文关注模态不完整场景下的多模态情感分析问题。研究指出，当前方法越来越多采用以文本为中心的融合策略，以利用文本模态中丰富的情感信息。此类方法在推理阶段遇到模态缺失时往往会出现性能下降；论文提出基于语义感知完整性的重建思路，以提升模型鲁棒性。该研究对需要在现实不完整数据环境中部署多模态情感分析系统的开发者具有参考意义。
Auto-RecSys：利用自主研究 Agent 构建工业规模推荐系统
论文《Auto-RecSys》探讨如何将自主研究 Agent 应用于工业规模推荐系统。摘要指出，自动化研究 Agent 已展现出自动生成假设、执行实验和迭代优化的潜力。作者同时强调，将这一范式扩展到工业级推荐模型面临挑战，其中包括较长的反馈闭环。该研究对推荐系统开发者的意义在于，探索以 Agent 自动化部分模型研发与实验流程的可行性。
SearchAtlas：通过证据查询图分析智能体搜索策略
论文 SearchAtlas 提出使用证据查询图（Evidential Query Graphs）分析 LLM 搜索智能体的搜索策略。作者指出，现有评估通常只关注最终答案的准确性，而忽视智能体检索和组织可信证据以满足问题约束的过程。该研究有望为开发者评估和改进 Agent 的检索路径、证据质量及可解释性提供新的分析框架。
链接前先思考：多语言实体链接中的稀有性、推理与检索
该论文研究多模态实体链接任务，即将文本和图像中的实体提及对齐至知识库条目。作者指出，现有系统在处理稀有实体时性能会明显下降，而此前研究主要使用页面浏览量等基于热度的指标衡量实体稀有性。论文试图扩展对稀有性的理解，并围绕推理与检索在多语言实体链接中的作用展开分析。相关结论对构建更公平、覆盖长尾实体且适用于多语言场景的实体链接系统具有参考价值。
CMNIE：面向中文军事新闻的信息抽取基准
该论文提出 CMNIE，一个面向中文军事新闻的信息抽取基准。论文指出，对中文军事新闻进行结构化抽取可支持情报分析、决策制定和知识库构建。现有资源对该领域的联合信息抽取支持有限，尤其是在原文摘要截断处所暗示的复杂场景中。该工作对需要处理中文军事领域实体、关系与事件等结构化信息的开发者和研究者具有参考价值。
Era by Eon Benchmark：具备精确真值、用于评测 LLM Agent 的生成式企业环境
论文提出 Era by Eon Benchmark，用于评测能够调用企业工具的 LLM Agent。该基准构建了一个生成式企业系统环境，并提供精确的 ground truth（真值），以解决无法直接使用客户生产数据进行评测的问题。作者指出，现有替代方案缺乏可靠真值，因而难以准确衡量 Agent 在企业记录系统中的表现。该基准有望为企业 Agent 的能力评估、工具调用可靠性测试和研发迭代提供更可控的测试环境。
UnitBoost：用合并算子而非模型管理复合 LLM 系统
论文《UnitBoost》探讨复合 LLM 系统的协调与管理问题。现有方案通常增加一个更高层的 LLM 充当元 Agent，读取多个工作单元的输出、生成最终回答、分配后续调用并决定何时停止。UnitBoost 主张以“合并算子”替代额外的管理模型，以降低将控制职责集中于元模型的依赖。该研究对构建多 Agent、工作流编排和复杂 LLM 应用的开发者具有参考意义。
携带证明的认知：用现实裁决的奖励弥合验证鸿沟
论文指出，语言模型推理能力的前沿提升主要来自对推理轨迹进行强化学习，并且这些提升集中在拥有低成本、可靠验证器的领域。作者认为，当前领域的关键约束是“验证鸿沟”：许多任务缺少可扩展且不易被操纵的验证机制。论文提出“现实裁决的奖励”与“携带证明的认知”方向，旨在缩小这一鸿沟。对开发者和行业而言，这意味着强化学习驱动的推理进展将越来越依赖于可验证性基础设施，而非仅依赖更长的推理链或更多训练数据。
变化下的程序记忆：受控网页任务中的复用与干扰
该论文研究语言智能体的程序记忆在任务环境发生变化时的表现。程序记忆可帮助智能体复用已成功执行的操作流程，但这种复用依赖于已存储流程仍然适用这一前提。研究通过刻意打破这一前提，考察流程复用可能引发的干扰问题，对开发更稳健的网页 Agent 和记忆机制具有参考意义。
LexAgentHallu：用于剖析法律智能体幻觉的分层基准
LexAgentHallu 是一项面向法律智能体幻觉问题的分层评测基准。论文指出，随着大语言模型被越来越多地部署为工具增强型法律智能体，工具调用和推理中的错误可能层层传递，最终导致虚构判决要旨或错误引用法律权威。该研究旨在补足现有法律评测基准在评估此类智能体幻觉方面的不足，为开发者分析和改进法律 Agent 的可靠性提供支持。
SFT 实际应学习哪些 Token？数学推理中的 Token 裁剪视角
这篇 arXiv:2609.09707v1 新论文探讨监督微调（SFT）在数学推理任务中应重点学习哪些目标 Token。论文指出，传统 SFT 对所有目标 Token 统一施加交叉熵损失，但不同 Token 对数学推理提供的学习信号并不相同。摘要认为，这种统一处理可能会过度强化模型已经掌握的 Token。该研究对开发者的启示是：数学推理微调的训练目标或许需要按 Token 的学习价值进行更精细的筛选与加权。
可以安全停止吗？面向序贯临床诊断 Agent 的风险约束停止机制
该论文研究临床诊断 Agent 在序贯诊断过程中如何决定何时继续请求检查、何时作出诊断或选择延后决策。作者指出，现有 Agent 基准测试大多在固定轮次或无约束交互后评估准确率，未能显式衡量自主停止决策的可靠性。论文聚焦“风险约束停止”问题，旨在使诊断 Agent 在控制风险的前提下进行更可靠的自主决策。这一方向对医疗 AI 的安全部署、诊断流程效率和临床决策可信度具有重要意义。
Agentic AI 的黑盒红队测试：用于自动化风险发现的分类法驱动框架
论文提出了一套面向 Agentic AI 的黑盒红队测试框架，以分类法驱动自动化风险发现。作者指出，Agentic 系统正快速进入生产环境：它们会读取不可信输入、调用具备真实权限的工具，并自主执行操作，因此其安全攻击面已超越纯聊天模型。现有标准评测多为单轮测试，难以覆盖 Agent 在工具调用、自主决策和外部输入交互中的复杂风险。该研究对开发者和行业的意义在于，需要采用更系统、自动化且贴近真实部署环境的安全评估方法。
RobustSGPO：用于 Agent Harness 演化的搜索空间控制
论文提出 RobustSGPO，用于改进基于语义梯度的提示词优化（SGPO）在 Agent Harness 演化中的编辑搜索空间控制。原文指出，SGPO 可利用执行反馈优化 Agent Harness，但其局部更新规则尚未解决编辑范围和编辑操作的选择问题。RobustSGPO 旨在明确所请求的编辑内容，但所提供原文未包含完整摘要、实验数据或具体结论。对开发者而言，该工作聚焦于让 Agent 提示词与执行框架的迭代编辑更具可控性。
CityPlanner：用于可执行城市规划的沙盒 Agent
论文《CityPlanner》提出了一个面向可执行城市规划的沙盒 Agent。原摘要指出，城市规划属于现实世界中的空间优化问题，需要在庞大的候选行动空间中，依据成本和服务质量等实际目标选择可行方案。现有优化与强化学习方法被作为该问题的相关背景，但所提供原文未包含后续方法、实验或结论细节。该方向可能为城市规划任务中的方案生成、可行性评估与空间决策自动化提供新的 Agent 化研究路径。
通过结构签名实现多智能体代理图学习
该论文提出并研究多智能体代理图学习（Multi-Agent Agentic Graph Learning）中的结构签名方法。论文关注由大语言模型（LLM）驱动的智能体通过按序采样图结构证据、完成图推理与预测的任务设置。作者指出，现有方法在此类图推理任务上已展现出良好潜力，但仍存在局限性。该研究对需要利用 LLM Agent 处理复杂图结构、进行证据采样和推理的开发者与研究人员具有参考价值。
ContractEval：面向过程性指令遵从的查询条件执行匹配
ContractEval 提出一种用于评估 LLM Agent 是否遵从过程性指令的方法，重点关注由查询条件约束的执行匹配。论文指出，随着 LLM Agent 从回答问题转向执行流程，其失败形式未必表现为明显错误：最终回答可能看似合理，但系统可能跳过了必要的检查、分支、依赖关系或不变量。该工作对开发者的意义在于，Agent 评测不应只看最终输出，还应验证执行过程是否满足任务规定的程序性约束。原始摘要片段未提供完整方法细节、实验数据或具体结论。
Agent 知道自己何时成功吗？从内部表征校准 Agent 置信度
该论文关注 Agent 在安全关键应用中快速普及后，其行动置信度的测量问题。作者指出，相较于传统机器学习系统，Agent 工作流具有更复杂的失败模式，因此需要更可靠的置信度校准方法。论文题目表明，研究将从 Agent 的内部表征出发，探讨其是否能够判断自身任务是否成功。所提供原文仅包含截断的摘要，未给出具体方法、实验数据或结论。
XAI-Arena：LLM 能评估 XAI 解释的质量吗？
研究提出 XAI-Arena，一套以 LLM 作为评审者的框架，用于可扩展、可复现且兼顾不同利益相关者需求地评估可解释 AI（XAI）解释质量。该框架从感知简洁性、清晰度、任务适配性、信任校准、可操作性、透明度、忠实性和整体可解释性等多个维度比较解释结果。作者在多种数据集、机器学习模型和利益相关者角色下对 XAI 方法进行了基准测试。人工验证显示，LLM 评分与人工评分存在较强正相关性（Spearman's rho=.693，p<.001），表明其可为开发者和研究人员提供更具规模化与可比性的 XAI 评估手段。
Valerant：通过动作条件世界模型探索自动生成可导航游戏地图
Valerant 提出了一种通过动作条件世界模型探索来自动生成可导航游戏地图的方法。该研究建立在世界动作模型（WAM）的思路之上，将未来状态预测与动作生成相结合，使预期的环境演化能够引导智能体行为。原文摘要指出，尽管 WAM 正在推动具身 AI 发展，其通用型对应研究仍相对不足；Valerant 试图将这一能力应用于游戏地图生成与导航场景。所提供原文未包含实验结果、性能数据或具体实现细节。
面向决策的主动学习：适用于规模化关键材料回收
该研究提出了一种面向决策的主动学习方法，用于支持关键材料回收工艺的规模化选择。研究指出，工艺决策需要将实验室结果与产品要求、工艺成本及规模效应结合起来分析。作者分析了太平洋西北国家实验室（PNNL）Computer Intelligence for Critical Element Recovery 相关记录，以探索数据驱动方法对回收工艺筛选和放大决策的支持价值。该工作对开发者和行业的意义在于，可将主动学习从单纯优化实验结果扩展到更贴近工程与商业约束的工艺决策场景。
菜单是一种执行先验：面向在线 Agent 的状态路径工具菜单
论文提出“工具菜单”（tool menu）概念，用于解决语言模型 Agent 在拥有数千个工具接口的工具库中进行选择的问题。工具菜单是执行前展示给 Agent 的一小组经过排序的可用工具子集，Agent 只能调用该菜单中的工具。作者将工具菜单视为一种执行先验，旨在通过限制和组织可调用工具空间，提升在线 Agent 的工具使用效率与可靠性。
用于北极生态导航的自主 GeoAI Agent
论文提出了一套面向北极航运的“人在回路”多 Agent GeoAI 生态导航系统，用于在海冰变化扩大季节性通航机会的同时，应对运营、环境和社区风险。该系统将运营、物理、生态及社区相关标准纳入统一路径规划框架，由多个专业 Agent 协同完成地理空间数据获取与准备、多目标航线生成及基于天际线的决策支持。其生态评估明确纳入关键鱼类栖息地和海豹关键栖息地等敏感区域暴露度，同时将具有重要价值取向的判断保留给人类决策者。项目页面和代码已公开，对开发者而言提供了构建更透明、兼顾生态与社区影响的北极航线规划工具的参考框架。
子代理与 Agent Skills：为长程智能体任务执行可复用知识
这篇 arXiv 论文探讨语言模型智能体如何利用可复用知识库完成长程任务。论文聚焦 Agent Skills，即以多文件技能包形式封装的可复用能力，并将其与子代理（Subagents）进行比较。该研究对构建能够分解复杂任务、复用既有能力并持续执行的 Agent 系统具有参考价值。
通用人工智能中的自适应纠缠博弈模块
这篇 arXiv 论文（arXiv:2609.09226v1）提出了一种概率波框架，用于建模相互作用的自适应智能体的集体行为。研究通过广义行为智能（GBI）非局域概率波方程推导出可检验的本征模态。该框架旨在描述多智能体系统中的复杂行为动态，但所提供的原文摘要片段未包含实验结果、性能数据或具体应用评估。对 Agent 和通用人工智能研究而言，这提供了一种以概率波和非局域交互为基础的理论建模思路。
OpenDiscoveryTrace：用于评估 AI 科学家工作流的过程轨迹
OpenDiscoveryTrace 提出通过记录 AI 科学家完成任务时的过程轨迹，评估其科学工作流，而不再只关注最终产出。现有自主 AI 科学家基准通常仅评估生成的代码、假设或论文，忽略了获得这些结果的推理与操作过程。作者指出，这种缺失使科学方法论难以审计；过程轨迹有望为开发者和研究机构提供更可解释、更可验证的评估依据。