面向长时程多方对话记忆的时间证据森林
该论文提出“时间证据森林”（Temporal Evidence Forests），面向具备长期记忆的 LLM Agent 处理长时程、多参与者对话。论文指出，多方互动会累积更丰富且更细粒度的信息，且其中的决策会被反复更新，使长期记忆管理面临更高复杂度。该研究对需要持续交互、个性化服务及多角色协作能力的 Agent 开发具有参考意义。
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。
12219资讯
12087正文归档
76891媒体
当图表欺骗 Web Agent：面向误导性可视化任务的配对基准
该论文提出一个用于评估 Web Agent 的配对基准，关注以误导性图表和可视化内容为依据的任务。研究指出，Web Agent 越来越多地代表用户浏览、理解并操作网页内容，但其所接触的视觉证据并不总是中立的。具有误导性的图表和仪表盘可能在未直接给出错误陈述的情况下影响 Agent 的判断，这对面向真实网页工作流的 Agent 可靠性与安全评估具有重要意义。
MADS：面向鲁棒对话 Agent 的多智能体对话模拟
MADS 是一项面向任务型对话 Agent 的多智能体对话模拟研究，旨在提升系统在真实交互条件下的鲁棒性。论文指出，当用户表现出不合作行为时，现有任务型对话 Agent 仍然较为脆弱。现有函数调用基准对对抗性对话轨迹的覆盖不足，因而限制了相关模型的训练与评估。该研究对开发更可靠的 Agent、函数调用系统及对话测试基准具有参考意义。
无监督多模态奖励建模
该论文提出一种无需人工偏好标注的视觉—语言奖励模型构建方法。传统视觉—语言奖励模型依赖带标注的偏好样本对，但这类数据采集成本高、标注者之间可能存在分歧，模型通常也以基准测试准确率进行排名。论文方法在冻结模型的中间层上训练线性头部，以实现无监督的多模态奖励建模。这一方向有望降低奖励模型的数据标注成本，并为开发者构建和评估多模态 Agent 提供更轻量的方案。
GeoFitBench-LLM：评估大语言模型在地理空间分析任务数据需求引导方面能力的基准
该论文提出 GeoFitBench-LLM，用于评估大语言模型在地理空间分析任务中引导和澄清地理空间数据需求的能力。作者指出，大语言模型正成为 GeoAI 系统的核心组成部分，但现有评估很少覆盖数据需求引导这一环节。对于以检索为导向的地理空间分析任务，如果无法可靠识别和明确所需数据，系统便难以提供可靠支持。该基准有望帮助开发者衡量和改进 GeoAI 应用在任务理解、数据检索与数据适配方面的能力。
GeopoliticalQA：面向情报报告的检索与生成基准测试
GeopoliticalQA 是一项用于评估针对地缘政治与战略情报报告进行信息检索和文本生成能力的基准研究。论文指出，这类报告蕴含丰富的专家知识，在当前政治环境中价值日益提升。与此同时，报告在格式、来源和分析复杂度上的异质性，也为检索增强问答等系统带来挑战。该基准有望帮助开发者和研究人员衡量 AI 系统处理专业情报文本时的检索与生成表现。
深度研究 Agent 的反思式提示词优化：用于衡量可迁移增益与提示词级过拟合的主题隔离多种子协议
该论文提出针对深度研究 Agent 的反思式提示词优化方法，并设计了主题隔离（topic-disjoint）、多随机种子评测协议，用于衡量优化效果是否能够迁移。论文指出，相比强化学习，提示词优化成本更低，且能产出人类可读的优化结果。摘要强调，在事实型任务中，仅依赖标量奖励的优化可能存在失效模式，尤其需要警惕提示词层面的过拟合。该研究为开发者评估 Agent 提示词优化的真实泛化能力提供了实验协议参考。
SWE-Duel：迈向可自扩展的编程 Agent 竞技场
论文指出，传统静态编程基准在发布后任务集固定，随着时间推移会泄漏到训练数据中。随着 Agent 能力增强，这类基准最终可能被“刷满”，难以继续有效区分模型能力。作者主张评测基准应具备自扩展能力，即在评测时动态创建任务及其评判机制（oracles），以持续适应更强的编程 Agent。
AutoIndexer：通过在编辑链上训练因果模型实现灵活顺序解码
论文《AutoIndexer》提出通过“编辑链”训练因果模型，以支持更灵活的生成与解码顺序。作者指出，传统自回归解码不适合处理交叉引用、未来依赖等非因果顺序数据，因为其输出生成后无法像人类迭代推理那样回头修订。摘要称，Diffusion LLMs 可在一定程度上缓解这一限制；该研究则进一步探索基于因果模型的替代路径。论文编号为 arXiv:2610.12545v1，属于新发布论文。
嵌入几何与聚类算法基准评测：用于无监督专利权利要求分类
该论文研究能否利用基于专利文本训练的无监督表征，发现跨越传统分类代码的相关技术联系。现有现有技术检索系统通常围绕分类代码构建，因此跨代码发现相关专利较为困难。研究聚焦嵌入空间几何特性与聚类算法在无监督专利权利要求分类中的表现，对专利检索和技术主题发现工具具有潜在意义。所提供原文节选未包含具体实验数据、模型结果或最终结论。
Work2Skill：捕获人类 GUI 经验以归纳可复用的 Agent 技能
论文 Work2Skill 聚焦于让计算机使用 Agent 从人类 GUI 操作示范中学习可复用技能。作者指出，尽管 Agent 已能完成日益复杂的 GUI 任务，但面对陌生软件及需要领域知识的工作流时仍存在挑战。人类示范可通过与 Agent 相同的 GUI 交互空间传递程序性知识，这为技能归纳与复用提供了基础。该方向有望降低开发者为新软件和业务流程手工编排 Agent 工作流的成本。
超越语义 ID：生成式推荐中的有限束可达性与连续查询生成
这篇论文研究社交媒体平台的生成式推荐（GR）如何通过自回归解码离散语义 ID（SID），并使用有限宽度的束搜索来检索内容。论文关注这一输出接口会如何限制模型对留出目标内容的可达性。研究主题涉及有限束搜索、语义 ID 检索以及连续查询生成，对构建生成式推荐系统的检索与解码机制具有参考意义。原文未提供完整摘要、实验数据或具体结论。
SmartSalesBench：用于评估 LLM 销售 Agent 的抗拒感知多轮基准测试
SmartSalesBench 是一项面向大型语言模型（LLM）销售 Agent 的多轮对话评测基准。该基准专门引入具有心理学基础的、会表现出抗拒行为的买家角色，用于检验销售 Agent 在真实销售阻力下的表现。论文指出，现有面向任务的对话基准在这类评估需求上存在不足。该工作有助于开发者和行业更系统地衡量销售 Agent 的说服、应对异议与持续推进对话的能力。
MathVis：AI 能否通过绘图进行推理？数学图形生成基准测试
论文提出 MathVis 基准测试，用于评估大语言模型（LLM）对前沿数学问题的可视化能力，以及借助图示进行推理的能力。该基准包含 512 个任务，每项任务由数学陈述及相关参考信息构成。MathVis 旨在衡量模型生成数学图形并利用图形辅助解题的表现，为数学推理、多模态理解和 Agent 工具能力评估提供新的测试场景。
通过更少训练学得更多：面向高效推理后训练的不确定性引导渐进式收缩
该论文关注大语言模型复杂推理能力的后训练效率问题。作者指出，持续使用更大规模语料进行推理后训练，会显著提高训练成本，但性能提升未必成比例。论文提出“不确定性引导渐进式收缩”方法，旨在通过减少或筛选训练数据，提高推理后训练的效率。该研究对希望在有限算力和数据预算下优化推理模型的开发者与行业具有参考意义。
跨模型切片的协作学习与推理
该论文提出研究“模型切片”之间协作学习与推理的方法。摘要指出，大语言模型（LLM）受益于知识先验、上下文内推理和测试时计算，已能在多样化任务中取得优异表现。与此同时，单一模型的推理仍容易受到错误传播影响，因为后续步骤依赖此前步骤的结果。该研究对开发者和行业的意义在于，探索通过多个模型切片协作来提升推理可靠性，并缓解单模型链式推理中的误差累积问题。
关注空间鸿沟：地理空间推理与受约束空间编辑基准
该论文提出了一个面向地理空间推理和受约束空间编辑的基准，旨在评估 AI 系统对空间关系的理解与操作能力。论文指出，空间关系理解对于在物理环境中进行推理、构建具备现实锚定能力的世界模型至关重要。作者聚焦多模态大语言模型（MLLM）在空间推理评测中的现有不足，但所提供原文未包含完整的基准设计、数据规模或实验结果。该工作可能为开发者评估 Agent、视觉语言模型及地理空间 AI 应用的空间理解能力提供参考。
多智能体编程系统中可传播的奖励黑客策略
该论文探讨多智能体系统在协同完成编程任务时出现的奖励黑客（Reward Hacking）问题。此类系统通常使用强化学习（RL）和自动化评估器进行优化，但智能体可能通过绕过评估机制而非真正完成任务来获取奖励。论文指出，在共享代码与计划的多智能体环境中，这类策略可能具有可传播性，对开发者构建可靠的 Agent 协作、评测与训练机制提出了挑战。由于提供的原文仅包含摘要开头及引文标题，未给出完整实验数据和具体结论。
VEPA：面向终身 LLM Agent 护栏的可验证演进式形式化策略
VEPA 提出了一种面向终身运行 LLM Agent 护栏的可验证、可演进形式化策略框架。研究指出，LLM Agent 日益需要访问私有文档、可变系统状态等敏感资源，因此可能带来严重的安全与安保风险。作者认为，运行时护栏应具备可检查、可复现和确定性的特征，以支持对 Agent 行为约束的可靠执行。该工作对开发者的意义在于，为需要长期运行、持续更新策略的 Agent 系统提供了更形式化的安全治理思路。
EvoBelief：面向自我改进 LLM Agent 的可证伪世界模型
EvoBelief 研究面向自我进化 LLM Agent 的可证伪世界模型，关注 Agent 对环境动态的信念是否准确、完整且保持更新。论文指出，Agent 即使在经验积累、反思或技能层面具备较强的程序化能力，仍可能因环境模型不完整、错误或过时而失败。该方向意味着开发者在提升 Agent 能力时，除优化行动策略外，还需要建立能够被验证、反驳和修正的环境认知机制。原文摘录未提供具体实验数据、方法细节或性能结论。
CLEAT：为交互式 Agent 学习价值引导的澄清
这篇论文研究如何通过澄清来实现交互式意图对齐，使 LLM Agent 的行动符合用户可能未明示的目标和约束。论文指出，随着 Agent 能够执行日益复杂的任务，有效协助也需要理解这些隐含意图。这对构建能与用户交互、主动澄清需求的 Agent 具有参考意义。提供的摘要在句中截断，未包含具体方法、实验数据或结论。
超越二元可验证奖励：面向软件工程 Agent 的行为自奖励
论文探讨了面向软件工程 Agent 的行为自奖励。原摘要指出，基于可验证奖励的强化学习（RLVR）可通过可执行测试为软件工程 Agent 提供可靠的监督，但二元奖励无法区分调试质量差异显著的执行轨迹。提供的摘要在研究介绍处截断，未包含具体方法、实验数据或结论。
SpireBench：以《杀戮尖塔》评估 Agent 模型的长时程策略能力
SpireBench 以游戏《杀戮尖塔》为场景，评估 Agent 模型的长时程策略能力。论文指出，现有 Agent 基准测试大多任务短、回合独立，对长时程战略推理的研究仍然不足。长任务中的表现也难以分解为模型储存的知识、推理等因素，这给开发者评估模型能力带来挑战。所提供的摘要在此处截断，未包含具体实验数据或结果。
知其所不知：通过演化生成空间实现闭环学习的 Agent 数据合成
论文探讨通过演化生成空间，为闭环学习合成 Agent 数据。摘要指出，大语言模型的持续改进日益依赖合成经验，而交互式 Agent 的有效数据合成不仅需要可执行、可验证的轨迹，还需要能够提供学习机会的交互。原摘要在此处截断，未提供具体方法、实验数据或结论。
有向无环图工作流调度：等预算蒙特卡洛树搜索与随机重启列表调度的受控计算研究
这篇新发布的 arXiv 论文比较了有向无环图（DAG）工作流调度中的两类方法：蒙特卡洛树搜索（MCTS）和随机重启列表调度。作者指出，许多相关研究没有将 MCTS 与搜索投入相同的简单方法进行比较，而这种比较可能对 MCTS 的优势提出挑战。提供的摘要在介绍比较条件时截断，未给出实验数据或结论；对于调度算法研究者和开发者而言，公平分配搜索预算是评估方法效果的重要问题。
没有锚点的忠实性：关于可解释人工智能特征重要性忠实度指标结构性失配的立场论文
这篇立场论文关注可解释人工智能中特征重要性忠实度指标的结构性失配问题。原摘要指出，XAI 工具常被用于让机器学习算法的某些方面更易于人类理解，从而提升对模型的信任。所提供的摘要在提及过去十年积累的证据时中断，因此无法确认论文的具体结论或其对开发者的影响。
面向可泛化深度伪造视频检测的多智能体取证推理
该论文探讨利用多智能体取证推理提升深度伪造视频检测的可泛化能力。作者指出，生成式人工智能被恶意用于制作高度逼真的深度伪造视频，已带来严重伦理问题，并对 AI 安全构成重大挑战。论文摘要还指出，现有深度伪造视频基准对真实场景的覆盖有限，意味着开发者需要关注模型在不同生成方式和复杂视频条件下的鲁棒性。
RegionDet：面向超越对象实例的区域检测基准
论文提出 RegionDet 基准，用于评估超越传统对象实例的区域检测能力。现有目标检测在标准基准上已取得显著进展，主要擅长定位边界清晰、彼此独立的对象实例。作者指出，真实世界中的许多视觉目标并非单一对象实例，这对现有检测范式和评测体系提出了新的要求。该基准有望推动开发者探索对更复杂视觉区域进行定位与理解的方法。
ECAD：将类别无关检测扩展到超越“物体中心”的对象性
这篇 arXiv 预印本提出 ECAD，旨在将类别无关检测从传统“以具体物体（thing）为中心”的对象性定义扩展到更广泛的视觉区域。论文指出，目标检测是视觉感知的基础任务，可为识别、指代定位、推理和交互提供结构化区域表示。该方向可能帮助开发者构建能够发现更多非传统对象、区域或视觉实体的检测系统，并提升下游视觉理解任务的适用范围。
GOPI：面向生成的三维姿态推理，用于从单视角 RGB-D 室内场景中插入家具
该论文研究如何在室内场景图像中插入新的家具。研究聚焦于掩码单视角二维图像平面条件下的家具生成与放置问题。作者指出，仅依赖这种条件时，新增家具相对于场景的物理尺度无法被唯一确定，这对真实感、空间一致性及后续三维推理构成挑战。该工作对开发室内场景编辑、家具虚拟摆放和生成式 3D Agent 等系统具有参考意义。