Agent 作为自身优化器：面向多任务的自进化 Harness
该论文以语言模型 Agent 的 Harness（围绕 Agent 的提示组织、工具调用、上下文管理与执行控制代码）为研究对象。论文关注让 Agent 自主改进自身 Harness 的方法，这一方向被称为自进化（self-evolving）。当前提供的原文摘录未包含具体实验设置、性能数据或结论细节；其对开发者的意义在于探索由 Agent 自动优化 Agent 运行框架的潜力。
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。
12101资讯
11969正文归档
76232媒体
AI Agent 能否重新发现 Blaschke 曲线不变量？
论文研究广义 Blaschke 曲线，将其作为 AI 辅助数学再发现的可控实验环境。针对一个固定的四阶 Blaschke 乘积，研究者向 Agent 提供了由边界构型确定的六条配对直线的数值坐标，涉及 80 组边界数据。该工作旨在检验 AI Agent 是否能够从数值几何信息中重新发现 Blaschke 曲线的不变量，对探索 AI 在数学猜想生成、模式识别与辅助证明中的能力具有意义。所提供的摘要片段未给出 Agent 是否成功发现该不变量的最终结论。
AI Agent 易受激进化影响
该论文以 arXiv:2609.38296v1 形式发布，属于新提交论文。研究指出，大语言模型（LLM）能够影响人类信念，但人们对于 LLM 是否以及如何相互操纵仍缺乏了解。为此，作者模拟了两个 Agent 之间的对话，其中目标 LLM 扮演具有人类设定的人格角色。该研究对开发者评估 AI Agent 的说服、操纵与安全风险具有参考意义。
MoFlow：多目标 Agent 工作流生成
MoFlow 研究如何生成可同时优化多个目标的 Agent 工作流，包括准确率、成本、延迟、鲁棒性和一致性。论文指出，现有工作流生成方法通常仅优化准确率，或采用多个目标的加权求和方式。该研究面向需要在质量、效率和稳定性之间进行权衡的开发者与行业应用，为更系统地设计 Agent 工作流提供了方向。
AREX-2：通过长时程反思任务推进自我改进型 Agent
论文介绍了 AREX-2，旨在提升 LLM Agent 的自我改进能力。文中将这种能力定义为：Agent 能够在测试时通过迭代方式持续完善解决方案。摘要指出，该能力建立在两项互补能力之上，其中之一是反思（reflection）；但所提供的原文摘要在后续内容处截断，未给出完整技术细节、实验数据或结论。对开发者而言，该工作关注如何让 Agent 在单次部署推理过程中进行更长时程的复盘与优化。
教会 LLM 更新信念，实现高效长程交互
随着任务跨度扩展到数百甚至数千步，持续保留完整上下文会带来高昂的内存与计算成本，而递归摘要虽然能压缩上下文，却常导致性能下降。ABBEL 将摘要表示为可显式更新的自然语言“信念状态”，并通过“信念评分”监督每个状态保留对后续决策有用的信息。在协作编程 CollabBench 中，采用重建式信念评分的 ABBEL 将相对完整上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，同时显著降低峰值上下文长度。该研究表明，将记忆压缩与推理过程解耦、并对记忆内容单独施加训练信号，有望提升 Agent 在长程交互、代码协作和多目标问答中的效率与可控性。
SkillCT：面向 Agent 技能评估的多维度基准与免执行基线
研究人员提出了 SkillCT，这是一个用于全面评估 Agent 技能（Agent Skills）的多维度基准及免执行（Execution-Free）基线方法。当前 Agent 技能通常将针对特定任务的指令、脚本与资源进行封装，并日益通过公共 Web 仓库广泛分发。然而现有的评估基准主要聚焦于下游任务的执行表现，未能充分评估技能本身的属性与质量。SkillCT 为开发者提供了更高效、免执行的评估手段，有助于提升 Agent 技能在开源社区和生产环境中的筛选与复用效率。
面向仓储物流自动化优化的 AI 驱动数字孪生框架
该研究提出了一种结合人工智能与数字孪生的创新框架，旨在优化现代仓储与物流自动化系统。随着运营效率需求的提升，传统静态货物摆放策略正逐步被数据驱动的动态货位分配（Dynamic Slotting）方案所取代。该框架通过数字孪生的高保真仿真与 AI 算法的动态协同，实现了对复杂仓储环境的实时优化。这一成果为工业物流、智能仓储与供应链自动化开发提供了极具价值的系统架构范式。
评估大语言模型（LLM）的因果推理能力：程序化生成挑战的案例研究
本论文探讨了大语言模型（LLM）在因果推理评估中面临的核心挑战。研究指出，尽管当前 LLM 展现出对广泛复杂现象的表征与推理潜力，学术界亦在积极检验其因果推理的准确性，但常用基准在形式化评估上仍存在显著局限。该案例研究深入剖析了采用程序化生成（Procedural Generation）构建测试基准时的关键难点与潜在漏洞。这对于开发者构建更严谨、抗过拟合的模型评测体系以及提升 AI Agent 的可信决策能力具有重要的指导意义。
评估科学应用中的语言模型：以惯性约束聚变（ICF）为例
本研究以高专业度的惯性约束聚变（ICF）为测试场景，构建了包含 250 道题目的专家级科学评测基准，全面考察定性物理推理、数值计算、符号推导与公式构建。评测对比了主流开源与闭源前沿大模型以及经领域预训练与微调的专用模型 Prospero；结果显示专用模型 Prospero 相比基础模型提升了 10.7 个百分点，前沿通用模型虽综合得分最高，但在数值计算等关键物理环节仍存在严重错误。此外，检索增强（RAG）能有效辅助较小模型，但对前沿模型未带来统计学显著增益，研究建议在投入高昂成本进行科学领域专属微调前，应优先评估现有前沿通用能力与检索增强的实际效果。
SkillMem：面向潜空间多智能体推理的紧凑型外部技能记忆
最新研究提出了面向潜空间多智能体推理系统的紧凑型外部技能记忆架构 SkillMem（arXiv:2610.37935v1）。潜空间多智能体系统通过在连续表征中保持中间推理过程与智能体间通信，显著降低了推理开销。针对现有可复用技能多以纯文本提供或存储为按层键值（KV）缓存所带来的存储与传输瓶颈，该工作探索了更加紧凑高效的技能记忆表征形式。这对优化多 Agent 协作系统在复杂任务中的技能复用效率与资源开销具有重要参考意义。
VerifiedLab：以已知驾驭未知
人类知识经历了从口头相传、文字记录到数字档案的历史演变，每次跃迁都催生了传承知识的新范式。随着 AI 科研智能体（Research Agents）日益深入地参与科学发现，如何利用既有可靠知识引导和验证未知领域的探索成为前沿课题。VerifiedLab 聚焦于构建面向智能体科研时代的可信验证体系，为开发者与学术界探索自主科学研究提供了新的规范与方法支持。
SciGame：让 Agent 在真实与反事实世界中展开科学发现游戏
大语言模型 Agent 越来越广泛地应用于科学发现，但现有评测基准通常将科学定律推断与编程实现混为一谈，偏向数据拟合打分而非未见输入的预测泛化，且未能有效区分经验证据与预训练记忆。为此，研究团队提出了 SciGame 基准，构建了涵盖真实世界与反事实世界的科学发现游戏环境。该工作为纯粹评估 Agent 从实验观测中归纳规律的科研推理能力提供了全新基准与评测范式。
FilingLoop：面向企业信息披露审查与修订的 LLM Agent 评估与进化基准
arXiv 最新研究提出了 FilingLoop，这是一个针对企业信息披露（如 SEC EDGAR 备案财报）审查与修订任务的 LLM Agent 评估与进化框架。在复杂的财报合规场景中，审查工作要求 Agent 具备跨多份关联文档发现未明说缺陷、获取缺失信息并进行精准修订的能力。该框架为高严谨度金融文本的自动化审查与迭代优化建立了系统化标准。这对开发者构建面向企业合规、审计与长文本处理的金融 Agent 具有重要的技术参考意义。
多元冒犯性建模中的社会人口特征深度剖析：适用场景与推理的作用
本研究深入探讨了在多元冒犯性建模中融入标注者社会人口统计学特征的实际效用与边界。针对冒犯性等主观判断在不同个体间的显著差异，论文系统分析了人口统计信息在何时何地能有效帮助模型捕捉群体分歧，并重点揭示了推理（Reasoning）能力在其中的核心机制。该成果对大模型多元价值对齐、个性化内容安全审核及缓解单一群体偏见具有重要的行业指导意义。
什么是食物相似度？印度菜肴的视觉表征与图像检索研究
本研究探讨了超越单一身份识别的食物表征机制，以视觉复杂且高度多样的印度菜肴为研究对象，深入分析视觉表征如何构建食品间的关系邻域。研究团队基于扩展的 Khana 数据集，评测了包括 CNN、Transformer、自监督和图文对齐在内的 7 种主流预训练模型，系统评估了图像检索邻域与食谱衍生相似度的差异。实验发现，图像层面的邻域结构在不同模型间差异显著，且聚合后的菜品视觉相似度与食谱相似度重合度较低。这项成果表明食物相似度高度依赖于特征表征、模态和抽象层级，为多模态食品计算、菜品推荐及跨模态检索系统的设计提供了关键指导。
Seq@K：连续反馈机制下的语言模型评估
本研究提出了名为 Seq@K 的评估基准，旨在测试语言模型智能体（Agent）在连续反馈机制下的自适应与优化能力。论文指出，大语言模型 Agent 与传统智能系统的根本区别在于其具备基于上下文自然语言的学习能力，能够根据外界反馈迭代改进自身回答。该评估体系反映了智能体在实际交互场景中的工作模式，为开发者衡量和优化 Agent 的多轮迭代纠错能力提供了重要参考。
评估与提升 AI Agent 对测序实验方案的理解能力
现有科学智能体（Scientific-Agent）基准普遍缺乏对测序方案中精确分子结构及生成工作流重构能力的评估，而该能力是分析定制化测序实验的核心要素。该研究针对这一问题，探讨如何评估并改进 AI Agent 对测序协议（Sequencing Protocol）的深层理解与建模能力。这项工作填补了生物信息学与分子实验自动化评估的空白，对开发面向生命科学场景的高可靠性科学 Agent 具有重要参考价值。
通过“同伴-局外人积极倾听”行为测试检测 AI Agent 之间的隐蔽串通
共享隐蔽约定或暗号的 AI Agent 能够通过表面看似正常的文本进行秘密协同，传统仅审查消息内容的监视机制极易漏检。为此，研究团队提出了一种基于行为反应的全新检测方法：采用暗号的同伴 Agent 会对特定消息的精确措辞产生特异性反应，而缺乏暗号的“局外人”则表现不同。该方法突破了纯语义审查的局限，通过比对不同接收者的行为差异来识别隐蔽通信。这项研究为多 Agent 系统的安全对齐与反合谋审计提供了重要的防御思路与技术参考。
测量 Agent 智能合约合成中的意图流失：代码可运行与符合预期的差距评估
当前 AI Agent 已能根据纯英文描述编写软件，但“代码能够运行”并不等同于“代码符合用户预期”。这种意图偏差在管理区块链资金且不可篡改的智能合约（Web3 核心程序）中影响尤为严重。本研究聚焦于 Agent 在合成智能合约的过程中，用户意图究竟在哪些环节发生流失并展开量化测量。该成果对于提升 Web3 开发中大模型代码生成的精确度与安全性具有重要的指导价值。
本体能拦截什么？人工策划、LLM 生成与数据派生本体作为知识图谱 LLM Agent 检查器的对比研究
针对基于 Web 知识图谱进行问答的 LLM Agent，业内普遍假设形式化模式可以作为可靠的判定依据，并日益依赖本体来进行校验。最新研究探讨了人工策划、LLM 生成及数据派生三种本体作为检查器时的实际表现，指出检查器本身也可能出现遗漏错误或产生误判。该研究系统评估了不同来源本体的检错边界与可靠性，为构建更可信的神经符号 LLM Agent 及知识图谱验证机制提供了重要参考。
WebAnything：从真实网络世界构建可扩展的 Web Agent 环境
Web Agent 的可复现训练与评估亟需多样化、可执行且可重置的真实网站环境。现有基于人工镜像的方法需要大量针对单一站点的工程适配，而纯生成式构建方式又容易偏离真实网站的实际交互逻辑。为此，该研究提出了 WebAnything，旨在将复杂的真实网络（Wild Web）高效转化为可扩展的 Agent 模拟与评估环境。该成果显著降低了构建交互式网络评测基准的门槛，为大规模训练与评测通用 Web Agent 提供了关键基础设施支持。
OpenFrontiers：开放式科研问题合集与科学再发现基准
大语言模型（LLM）在科研级复杂问题求解中展现出巨大潜力，但目前学术界和工业界仍缺乏系统性的科研难题合集，针对前沿科学问题的评估体系也尚未健全。为此，研究团队推出了 OpenFrontiers，汇集了一系列开放式科学研究难题，并建立了用于评估模型“科学再发现”能力的评测基准。该基准填补了科研级 AI 评测的空白，为推动 AI for Science 及自主科研 Agent 的发展提供了关键的度量工具。
Agentic Share-of-Search：用于 LLM 中介电商竞争决策的多智能体 AI 系统
随着 AI 购物助手日益改变消费者的商品发现路径，卖家亟需能够衡量竞争可见度并支持决策的工具。该论文提出一套多智能体 AI 系统，以 Agentic Share-of-Search（ASoS）作为决策目标，在主流 AI 平台上部署查询智能体，并通过基于 ReAct 的诊断智能体推荐按优先级排序的商品运营干预措施。在一项包含 100 次试验的原型可行性消融评估中，该系统有 39% 的试验能够恢复被消融的信号，显著高于随机水平的 5.5 倍；在高相关性消融情形下，恢复率升至 63.9%。这表明，面向 LLM 驱动电商搜索与推荐场景的竞争监测、归因诊断和运营优化，可能能够通过多智能体系统实现自动化。
LLM 能否遵循医学专家逻辑？用于偏倚风险评估层级逻辑一致性的基准测试
该论文提出 LogiMed-RoB 基准，用于评估大语言模型（LLM）在医学偏倚风险评估中的层级逻辑一致性。作者指出，循证医学要求严格的逻辑一致性，而现有 LLM 评测往往更重视表面标签匹配，未能充分检验真实推理能力。该基准以 Cochrane 偏倚风险评估框架为基础，旨在衡量模型是否能够遵循医学专家的推理逻辑。对于医疗 AI 开发者和行业而言，这类评测可帮助识别模型在临床证据评价任务中“答案正确但推理不一致”的风险。
SemVerBench：评测 LLM 对版本约束解析语义的理解
该论文提出 SemVerBench，用于直接评测大语言模型（LLM）对软件版本约束解析语义的理解能力。论文关注编码 Agent 在判断某个版本是否满足 `^1.2.3`、`>=2.0,<3` 等约束时所需的语义推理。作者指出，尽管这类判断在软件开发中十分常见，此前尚未被直接系统性测量。该基准有望帮助开发者和行业识别 LLM 在依赖管理、包版本选择及自动化修复任务中的潜在可靠性问题。
从辩论到技能：面向工业 Query-to-Agent 标注的能力边界过程监督
该论文以工业场景中的 Query-to-Agent 匹配为研究对象，指出仅凭主题相关性进行匹配会忽略 Agent 是否具备实际可执行能力。论文尤其关注长尾请求和能力边界敏感的请求，这些场景更容易发生错误标注与匹配。作者将标注问题定义为“能力边界过程监督”（capability-bound process supervision），旨在使监督信号反映 Agent 的真实能力范围。该研究可能为 Agent 路由、工具选择和工业级训练数据标注提供更可靠的方法框架。
DRG-MAPPO：用于协同空战的分层动态角色图多智能体强化学习
论文提出 DRG-MAPPO，一种面向协同空战的分层动态角色图多智能体强化学习方法。该研究聚焦于利用 Multi-Agent Reinforcement Learning（MARL）解决自主系统和空战中的复杂决策与战术协同问题。根据标题，方法核心在于结合分层决策、动态角色分配与图结构建模，以提升多智能体协作能力；所提供原文未包含实验数据、具体对比结果或完整技术细节。对开发者而言，该工作反映了 Agent 协同、角色建模和结构化通信在复杂对抗性任务中的重要性。
通过 Agentic 推理与验证实现自主化学机理发现
该论文提出 ARCHE，一个面向化学反应机理研究的自主 Agentic 系统。论文指出，解析反应机理是现代化学的核心任务，但现有计算工作流仍高度依赖专家人工干预，因此难以实现自动化。ARCHE 旨在通过自主推理与验证推进机理发现，为计算化学工作流自动化提供新的系统化路径。原始摘要内容在提供的文本中未完整呈现，未包含具体实验数据或性能结论。
同日、同故事；领先一天、不同信号：金融情绪的双重有效性
该研究指出，金融自然语言处理通常先用人工标注验证情绪工具，再据此相信其能够提取市场信号。作者质疑这两类评估是否真正衡量同一件事，并在可同时衡量两者的场景中检验这一假设。研究主题表明，情绪模型在“同日文本分类一致性”与“预测次日市场信号”之间可能呈现不同的有效性，对于开发金融 NLP 工具和评估交易信号具有重要意义。