Harness-G：面向搜索 Agent 的图结构 Harness
论文《Harness-G：面向搜索 Agent 的图结构 Harness》提出了一种用于搜索 Agent 的图结构化 Harness。摘要指出，现有强化学习（RL）搜索 Agent 通常将检索建模为自由形式的自然语言查询生成，并通过最终答案奖励优化多轮交互。该研究聚焦于改进搜索 Agent 的训练方式，尤其是更稠密或更结构化的训练信号，但所提供原文未包含完整技术细节、实验数据或具体结论。
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
超越相似性：面向中国古典史书互文性的扎根式智能体提取与专家裁决评估
该论文关注中国古典史书中的互文性计算分析。作者指出，相关方法已从字符串匹配发展到神经检索，但现有输出通常仅提供相似度分数和对应段落列表，只能定位文本复用位置，难以说明其具体方式与原因。论文拟重新界定这一问题，并结合扎根式 Agent 提取和专家裁决评估，以提升互文性识别结果的解释性与可靠性。对数字人文研究者和相关开发者而言，这一方向意味着互文分析系统需要从“发现相似文本”进一步走向可验证、可解释的文本关系判断。
通用型与专用型大语言模型社会网络中的信念共演化
论文提出 CoevolveSim 框架，用于研究联网 LLM 群体中的信念形成、扩散与修正机制。研究通过覆盖 4 种场景、2 类网络结构和 20 条医疗适应症陈述的 1,280 次受控模拟发现，角色设定式提示和网络结构会改变个体的信念修正方式，但对群体层面的共识影响有限。相比之下，引入经过微调的专用型 LLM，可使共识变化幅度增加一倍以上，并产生稳定的影响力不对称现象。结果表明，要真实模拟多智能体 LLM 系统中的信念扩散，需要使用底层模型多样化的智能体群体，而不能仅依赖 Persona 提示。
极简 RAG 模型：B1ade 3.35 亿参数嵌入模型与 10 亿参数小语言模型
论文提出 B1ade 高效 RAG 架构，由 3.35 亿参数的 B1ade-embed 检索模型和 10 亿参数的 B1ade-1B 小语言模型（SLM）组成。B1ade-embed 通过无参数融合五个预训练编码器构建，无需额外训练即在 5 亿参数以下模型中取得领先的 MTEB 成绩；B1ade-1B 则基于 7.23 亿 token、220 万条精选上下文—问题样本进行 GRPO 训练。尽管未接受显式来源引用监督，B1ade-1B 在 42.4% 的回答中会引用检索段落，比训练数据中的归因比例高 5.5 个百分点，表明归因行为可在以准确性为目标的强化学习中涌现。该结果意味着，开发者可通过模型组合与奖励设计构建资源更节省的 RAG 系统，而不必依赖大规模预训练或专门的引用奖励工程。
SkillSmith：学习组合参数化技能与文本知识
论文提出 SkillSmith，一种将文本知识与模型权重联合推理和合成的 Agentic 学习方法。该方法以 prefix-tuning 实现实例化的参数化学习，使 LLM 能同时读取前缀权重及与目标能力相关的丰富文本数据，并直接生成体现目标技能的新前缀权重。实验显示，SkillSmith 显著优于仅使用文本或仅使用权重空间的基线方法，获得了单一模态适配方式难以实现的性能提升。该研究为开发者将经验性文本知识、程序与可复用模型技能库结合起来，提供了新的参数化技能合成路径。
评估 LLM 在概率算子逻辑推理上的能力
该论文提出对大型语言模型（LLM）进行评测，重点考察其针对自然语言中概率与不确定性表达进行逻辑推理的能力。论文指出，不确定性表达及相关推理广泛存在于自然语言中，正确推理不仅对日常交流重要，也关系到医疗等高风险领域的应用可靠性。所提供的原文片段未包含具体实验设置、模型对比结果或量化指标。
AHA-Memes：用于理解阿拉伯语仇恨表情包的细粒度多模态基准
研究团队发布 AHA-Memes（Arabic HAteful Memes），这是一个面向阿拉伯语仇恨表情包的大规模细粒度多标签基准数据集。数据集包含 5,000 条人工标注的表情包，并额外提供约 66,000 条银标注样本，以支持后续研究。作者评测了纯文本、纯图像和后期融合多模态模型，以及少样本上下文学习和多种视觉语言模型在零样本及微调设定下的表现。该工作为具有文化语境的阿拉伯语仇恨表情包检测建立了强基线，并向开发者和研究者开放数据集、标注指南及评测脚本。
相同事实，不同诊断：测量与缓解临床语言模型中的叙事锚定
该研究指出，用于临床诊断推理的大语言模型不仅会受到临床内容影响，也会对社会语言学语域敏感。研究者将“相同临床事实以不同表达语域呈现，从而导致不同诊断结果”的失效模式称为“叙事锚定”（Narrative Anchoring）。论文旨在测量并缓解这一问题，提示开发者在构建临床 AI 系统时，应评估模型对叙述风格、语言 register 和非临床表述差异的鲁棒性。
LayerRAG-Bench：面向 Agentic RAG 的跨层可靠性基准
LayerRAG-Bench 是一项用于评估 Agentic 检索增强生成（RAG）系统跨层可靠性的受控基准测试。该研究指出，Agentic RAG 系统可能生成看似有依据的答案，但会在证据、工具契约、授权或会话状态等层面失效。该基准旨在帮助开发者和行业更系统地识别这类跨层故障，提升 Agent 系统的可信性与安全性。
利用 AI 辅助预审开源软件投稿：来自 BOSC 2026 的经验报告
该报告探讨了在 BOSC 2026 中使用生成式 AI 对开源软件投稿进行预审的实践。随着生成式 AI 降低投稿材料准备门槛，部分会议正面临投稿数量激增的问题。作者希望评估生成式 AI 是否能够帮助会议组织者处理投稿审查流程，并为开发者社区和学术会议的评审机制提供参考。
OmegaUse-OfficeVal：以经济成本为基础评估 LLM Agent 的长时程办公套件任务
论文提出 OmegaUse-OfficeVal 基准，用于评估大语言模型（LLM）Agent 在长时程办公套件工作流中的表现。作者指出，现有基准对 Agent 能否以合理成本完成办公软件任务的评估支持有限。该工作将经济成本纳入评测考量，旨在为开发者和行业衡量办公自动化 Agent 的实际可用性与性价比提供依据。
Setoka：面向异构数据中个性化 Agent 分层用户理解的基准测试
论文提出 Setoka，这是一个用于评估个性化 Agent 在异构数据环境中进行分层用户理解能力的基准测试。作者指出，有效的个性化辅助不仅需要从 Agent 记忆中的历史交互里检索明确事实，还需要推断更抽象的用户画像信息。该研究聚焦于提升 Agent 跨任务理解用户需求与偏好的能力，但所提供原文片段未包含具体实验结果、数据规模或性能指标。
检测 AI Agent 需要什么？浏览器自动化下行为检测的最小特征集
该论文关注通过浏览器自动化访问网页的 AI Agent，指出其流量既不同于人类，也不同于传统机器人。作者认为，大规模部署的“人类或机器人”二元检测框架无法在结构上准确表示这类新型流量。论文将探讨用于行为检测的最小特征集，这对反爬机制、身份验证和面向 Agent 的 Web 基础设施设计具有意义。
面向属性的马尔可夫决策过程因果抽象
论文提出了一种适用于因子化马尔可夫决策过程（MDP）的因果性定义，以及一种由属性驱动的新型因果抽象方法。该方法基于状态变量谓词之间的因果关系，将因满足或违反指定抽象属性具有相同原因的状态归并，从而缓解状态空间指数膨胀带来的可扩展性问题。作者在 MDP、区间 MDP 和随机博弈等模型上进行了理论和实验比较；结果显示，该方法可在多个标准基准中得到较小的抽象模型，并据此为原始 MDP 计算近似最优策略。研究还发现，这类因果抽象通常能够泛化到相关的大规模 MDP 模型，对复杂决策系统的建模、验证和策略求解具有潜在价值。
潜在通道真的在通信吗？对潜在多智能体 LLM 的因果审计
该论文研究基于大语言模型（LLM）的多智能体系统中“潜在通信”的有效性。与通过文本传递消息不同，潜在通信直接传输连续的内部表征。论文指出，更高的表征容量本身并不能证明接收方实际使用了与任务相关的信息，因此需要通过因果审计来检验潜在通道是否真正发挥通信作用。该问题对构建可验证、可解释的多智能体 Agent 协作系统具有重要意义。
UrbanDS：面向数据密集型城市任务的图引导 LLM 多智能体系统
UrbanDS 是一个面向数据密集型城市任务的图引导大语言模型（LLM）多智能体系统。论文指出，LLM Agent 已被广泛用于自动化数据科学任务，但现有方法通常依赖数量有限的预先提供数据集。对于需要自主发现数据的数据密集型场景，现有方法仍面临挑战。该研究旨在探索如何利用图结构引导多智能体协作，以支持更复杂的城市数据任务。
AgenticCANN：通过知识增强型智能体进化自动生成 Ascend C 算子
论文 AgenticCANN 提出了一种面向 Ascend C 的自动化算子生成方法，目标是提升 Ascend NPU 上的推理性能。摘要指出，Ascend C 算子优化通常需要深入的硬件专业知识，而这一门槛限制了高性能算子的开发效率。该工作借鉴大语言模型自动生成 CUDA kernel 的潜力，但强调 Ascend C 与 CUDA 在底层环境和优化方式上存在根本差异。对开发者而言，该研究探索了利用知识增强智能体降低 Ascend C 算子优化门槛、加速 NPU 算子开发的路径。
重新思考自我进化：用于缓解技能过拟合的受约束探索—利用过程
该论文探讨如何让大语言模型（LLM）Agent 累积并复用过往交互经验。作者提出，可将技能视为可训练的状态，并以类似优化模型参数的方式对其进行优化。论文聚焦于通过受约束的探索—利用过程缓解“技能过拟合”问题，这对提升 Agent 在真实应用中的经验迁移与泛化能力具有意义。原始摘要未提供具体实验数据和性能结论。
AlphaSchema：探索基于 LLM 的 Alpha 挖掘交易语义空间
论文提出 AlphaSchema，聚焦探索基于大语言模型（LLM）的 Alpha 挖掘中的交易语义空间。研究背景指出，自动化 Alpha 挖掘正越来越多地采用 LLM Agent 进行因子生成和迭代式发现。现有 LLM 系统通常将因子构建与搜索决策都交由 Agent 自主完成，但所给原文摘要在此处截断，未提供具体方法细节、实验数据或结论。该研究可能对量化开发者设计更具约束性、可控性的 LLM 因子发现与搜索框架具有参考意义。
Eco3S：通过基于 Agent 的模型模拟复杂社会经济系统
论文提出 Eco3S，用于通过基于 Agent 的模型（ABM）模拟复杂社会经济系统。摘要指出，大语言模型（LLM）的快速发展重新激发了人们对 Agent-based Modeling 的兴趣。现有基于 LLM 的 ABM 研究仍面临关键挑战，包括对不断演化的 Agent—环境交互进行建模，以及实现灵活的反事实分析等能力。该研究有望为开发者构建更具适应性和现实性的社会经济仿真系统提供参考。
基于证据账本的主张—证据可追溯性裁决
论文指出，AI Agent 起草主张的速度可能快于作者核查引用或检索到的证据是否真正支持这些主张的速度。研究探讨“证据账本裁决”（evidence-ledger adjudication）流程，用于建立主张与证据之间的可追溯性。该流程将每项主张与相应的证据包配对，以支持更系统的证据核验。所提供的原始摘要在“assigns a supp...”处截断，因此未包含完整的方法细节、实验数据或结论。
EvoPINN：面向物理信息神经网络可执行算法的智能体发现
这篇新提交至 arXiv 的论文《EvoPINN》聚焦于为物理信息神经网络（PINNs）自动发现可执行算法。原文指出，PINNs 可用于求解偏微分方程（PDE），但其性能高度依赖对神经表示和损失函数设计进行手动、反复试错式的工程优化。论文标题表明，其方法将智能体式（Agentic）发现机制用于 PINN 算法设计，这可能有助于降低开发者手工调参和构建求解方案的成本。所提供原文摘要在损失函数表述处截断，未包含具体实验数据或性能结论。
MultivationBench：多模态序列动机推理基准测试
该论文提出 MultivationBench，用于评估多模态大语言模型（MLLM）进行序列动机推理的能力。论文指出，尽管 MLLM 在社会智能方面具有潜力并受到广泛关注，其序列动机推理能力仍缺乏充分研究。现有评测主要关注其他类型的能力，因而该基准有望为开发者和研究者衡量模型的社会理解与动机推理表现提供参考。
CG-World：面向世界模型的大规模世界状态数据集与协议
论文提出了 CG-World，一个面向世界模型的大规模世界状态数据集与协议。作者指出，世界模型需要学习状态、动作、事件与观测之间的联合动态关系，但现有视频、机器人和仿真数据集通常只能覆盖其中的一部分结构。CG-World 旨在补足这一缺口，为训练和评估能够理解并预测复杂世界状态演化的模型提供更完整的数据基础。对开发者而言，该工作可能有助于推动世界模型在具身智能、机器人和交互式模拟等场景中的数据标准化与能力评测。
CaM-Wolf：面向社交推理游戏的因果感知多模态 Agent
论文提出 CaM-Wolf，一种用于狼人杀等社交推理游戏的因果感知多模态 Agent。此类游戏要求 AI 具备推理、欺骗与协作等复杂社会能力，因此可作为评估智能体能力的高难度测试环境。原文指出，近年来大语言模型（LLM）的进展推动了相关研究发展，但所提供的摘要内容在此处未完整展示。论文以 arXiv:2607.26393v1 的新投稿形式发布。
探索物理问题中的结构：AI Agent 能发现统计力学映射吗？
该研究探讨理论物理中的一项关键能力：识别新问题何时可以转换为已知模型。作者将这一能力设定为 AI Agent 任务，考察基于 LLM 的 Agent 能否从原始配分函数中发现统计力学映射。该方向若取得进展，可能帮助开发者构建更擅长符号推理、模型识别与科学发现的 AI 系统。原文提供的信息仅包含摘要开头，未披露具体实验结果或量化结论。
TraceCoder：通过位置键代码片段版本控制实现可解释、可审计的代码生成
论文指出，当前基于 LLM 的编程 Agent 往往以黑箱方式生成代码，开发者难以了解每一行代码背后的推理依据。代码在基准测试驱动的修复过程中的演化通常不可追溯，事后审计也因此难以开展。TraceCoder 提出通过位置键代码片段版本控制提升代码生成过程的可解释性与可审计性，这对需要追踪代码来源、修改历史和生成依据的开发工作流具有意义。
立场：评估分数是易逝的知识主张
本文讨论语言模型评估方法日益将多种信号结合起来，包括自动化指标、LLM-as-judge 评分、人工评估和基准测试套件结果。原文指出，这些信号常通过平均等方式进行聚合，以形成评估结论。论文的核心立场是，评估分数应被视为具有时效性和条件性的知识主张，而非永久稳定的模型能力事实。对开发者和行业而言，这意味着应谨慎解读排行榜与单一汇总分数，并关注评估设置、模型版本及评估信号变化带来的影响。
GoGoTB：面向基于规范的覆盖率闭合的 Agentic RTL 验证
该论文以 GoGoTB 为题，探讨利用 Agentic 方法开展 RTL 功能验证，并实现以规范为依据的覆盖率闭合。论文指出，功能验证占据了集成电路（IC）前端工程工作的大部分投入，而一个遗漏并最终流片的缺陷可能导致代价高昂的重新流片。作者认为，近年来的大语言模型（LLM）为自动化这一流程带来了新的机会。该工作以 arXiv:2607.26181v1 形式发布。
GuideSkill：面向指南驱动临床推理的可执行 LLM Agent 技能演化框架
论文提出 GuideSkill，这是一种面向临床推理的外部推理层，旨在将临床实践指南（CPGs）中的规则编译为可执行的 LLM Agent 技能。作者指出，现有 LLM 系统通常通过检索指南文本或在训练中吸收相关知识，而非直接执行指南规则。该方法有望使疾病诊断标准和临床决策流程以更结构化、可验证的方式进入 AI 系统，对医疗 AI 开发者构建指南一致的临床 Agent 具有意义。