面向证据感知材料文献分析的技能契约化 Agent
该论文聚焦材料科学文献分析，指出这类任务需要同时关注成分、加工、表征与性能之间的关系。原文认为，传统检索增强生成（RAG）流程难以在异构任务之间实现有效协调。论文提出以“技能契约化 Agent”为主题的框架，旨在提升材料文献分析中的证据感知能力。该研究对开发材料信息学工具、科研检索系统及面向专业领域的 Agent 工作流具有参考意义。
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。
12278资讯
12145正文归档
77338媒体
LLM-INSTRUCT 在 UZH Shared Task 2026：面向段落级论证挖掘的约束感知检索与选择性辩论
论文介绍了 LLM-INSTRUCT 系统，该系统在 ArgMining 2026 的 UZH Shared Task 中获胜。该任务聚焦联合国和 UNESCO 决议文本的段落级论证挖掘。系统需要完成段落类型分类，并从 141 个官方标签中预测相应标签子集。研究表明，约束感知检索与选择性辩论方法可用于提升复杂、多标签论证挖掘任务的处理能力，对构建面向政策文本的 Agent 和 NLP 工作流具有参考价值。
用于识别皮肤免疫相关不良事件的“人在回路”大语言模型框架
该研究评估了一种由检索增强、多智能体大语言模型驱动，并引入人工审核环节的框架，用于从临床记录中识别皮肤免疫相关不良事件（cirAEs）。研究将该框架与未使用 LLM 辅助的人工审阅方式进行比较。该方法旨在提升临床文本中不良事件识别的效率与一致性，并为开发面向医疗文档分析的可审核 AI Agent 系统提供参考。论文为 arXiv:2607.20428v1，发布类型为 new。
什么是“好”：从 LLM 推理轨迹中提取并检验文学质量的隐含理论
该论文探讨“什么使一篇写作成为好作品”这一长期存在于文学研究与计算语言学中的问题。研究通过两项实验，考察具备推理能力的大语言模型如何评估文学质量。第一项研究构建了一个包含 30 篇真实文本的基准数据集，但所提供原文未包含该研究的其余细节、结果或第二项研究的具体内容。该工作有助于开发者和研究者理解 LLM 文学评价背后的隐含标准及其可检验性。
DFAH-Bench：评测金融决策中可观测的 Agent 不稳定性
DFAH-Bench 是一项用于评测金融决策场景中 Agent 可观测行为不稳定性的回放基准。传统评测通常关注具备工具调用能力的 Agent 最终做出了什么决策，而较少检验其每次是否通过一致的过程得出该决策。该基准旨在衡量 Agent 在重复执行时的行为稳定性，为开发者评估金融类 Agent 的可靠性、可复现性与部署风险提供新的维度。
EvoSQL：面向 Text-to-SQL 的记忆增强型 Critic-Generator 协同进化
EvoSQL 是一种用于 Text-to-SQL 的记忆增强型 Critic-Generator 协同进化方法。论文指出，尽管大语言模型推动了 Text-to-SQL 的快速发展，但复杂数据库查询仍需要超越单次生成的能力，包括多步骤分解、基于执行结果的诊断以及有针对性的修正。该方法旨在通过 Critic 与 Generator 的协同演化提升复杂 SQL 查询的推理和纠错能力。对开发者而言，这类方法有望改善面向真实数据库场景的复杂查询生成可靠性。
自主拓扑变异：面向多智能体 LLM 系统的安全运行时重构，具备能力、状态与影子不变量
论文提出“自主拓扑变异”（ATM）机制，使多智能体 LLM 框架能够在运行时识别单个 Agent 过载并安全地重构团队拓扑。ATM 通过六项信号构成的瓶颈指数检测过载，并以能力单调性、状态路由完整性和先影子验证后上线三项安全不变量约束结构变更。720 次采用 DeepSeek-V3 的任务运行结果显示，ATM 的因子化拆分可将代码任务成功率从 3.3% 提升至 61.7%；完整系统还将每任务检测到的高隐私记忆暴露从 2.0 次降至 0.0 次。该机制在 Agent 热路径上带来的 p99 延迟开销低于 500 微秒，并已开源实现、基准测试工具和运行追踪数据。
OPTScientist：面向 Transformer 预训练的类型化优化器程序多智能体发现
这篇新发布的 arXiv 论文介绍了 OPTScientist，旨在通过多智能体方法发现适用于 Transformer 预训练的类型化优化器程序。论文指出，为现代深度学习设计优化器仍是一项复杂的科学问题，需要同时考虑优化几何、状态动态、数值稳定性、实现约束和经验泛化能力。该研究关注将优化器设计过程系统化和自动化，可能为开发者探索新的训练算法与优化策略提供工具化思路。
PersonaTrail：通过浏览轨迹评测个性化 Web Agent
PersonaTrail 是一项用于评测个性化 Web Agent 的基准研究。研究指出，随着大语言模型能力提升，Web Agent 已能够自主执行复杂任务，但真实用户指令往往信息不足。Agent 因此需要从用户原始浏览历史中推断缺失的上下文，以完成更符合个人需求的操作。该基准有助于开发者评估 Agent 利用用户行为轨迹进行上下文理解与任务执行的能力。
多传感器物理危险评估中的大语言模型基准测试
该论文提出一项实证基准测试，用于评估五种大语言模型对多传感器物理危险数据的评估能力。测试涵盖 60 个场景，分为多传感器联合评估、响应比例性和模式消歧三类任务。该研究旨在衡量大语言模型在涉及现实物理风险、多源信号与安全决策场景中的可靠性，为开发者评估和改进相关 Agent 或安全辅助系统提供参考。
评测大语言模型的个性化能力
论文提出以经典“说服”意义上的个性化为核心，评估大语言模型生成的信息能否促使第三方接收者采取预期行动。研究发布了 SDR-Bench：涵盖 22 个行业、约 200 家企业的 6,279 条客户成功案例，并通过时间约束模拟避免未来数据泄漏。测试发现，前沿 LLM 与深度研究 Agent 的个性化表现存在一致的平台期；在一个《财富》100 强科技公司样本中，没有模型能够在统计意义上区分成功与失败的触达内容。与 12 名职业销售代表开展的实地部署表明，48% 的模型生成内容被评为可立即使用，资深专家评分的一致性达到 Pearson 0.82。
InferenceBench：用于评估 AI Agent 开放式大语言模型推理优化能力的基准
InferenceBench 是一项面向 AI Agent 的基准测试，旨在评估其在开放式大语言模型推理优化任务中的能力。论文指出，AI Agent 正 increasingly 被用于自动化研发工作，但现有基准通常只考察预设工作流或狭窄的行动空间。即使是名义上的开放式任务，也往往能够通过检索已有的知名方案解决，因此难以充分衡量 Agent 的真实优化与研究能力。该基准对开发者和行业的意义在于，可推动对 Agent 自主进行 LLM 推理优化能力的更有效评估。
JAXBench：面向自主 TPU 内核优化的基准测试
论文发布了 JAXBench，一套面向 TPU 的原生基准测试套件，用于评测 AI 生成的内核操作优化能力。作者指出，严格的基准测试已为自主 GPU 内核性能优化提供了共同的迭代目标，但 TPU 领域此前缺少对应标准。JAXBench 有望为开发者和研究人员提供统一评测目标，推动面向 TPU 的自动化内核优化方法进行可比较的性能改进。
标记错误症状：评估医学文本中的 LLM 水印
该论文研究大型语言模型（LLM）水印在医学文本中的有效性与可靠性。随着 LLM 日益被纳入临床工作流程，对模型生成内容进行可追溯标识的需求愈发迫切。论文指出，现有水印技术大多在通用基准上进行评估，可能无法反映医疗领域文本的特殊风险与表现。研究对开发者和医疗 AI 行业的意义在于，水印方案需要针对临床语境进行专门验证，而不能直接套用通用领域结论。
AINTMA：面向自主测试管理的智能体式 AI 架构，融合生成式智能、安全云通信与自适应质量分析
论文提出 AINTMA（Agentic Intelligent Test Management Architecture，智能体式智能测试管理架构），面向分布式云环境中的现代软件质量保障需求。该架构采用多智能体式 AI 方法，旨在支持自适应决策与自主测试管理，并结合生成式智能、安全云通信和自适应质量分析能力。对开发者和软件质量团队而言，这一方向指向更自动化、可扩展且能够适应复杂云端协作环境的测试管理流程。原文摘要未提供具体实验结果、性能数据或与现有方法的量化对比。
FilmFlow：面向 3D 虚拟电影摄影的 Agent 系统
复杂的相机运镜是视觉叙事的核心，但将电影艺术意图转化为可控、可执行的相机运动轨迹一直存在巨大挑战。为此，研究人员推出了 FilmFlow，这是一个能够将自然语言指令转化为 3D 运镜轨迹的 Agent 框架。该系统通过智能体架构弥合了高层自然语言描述与底层精确相机控制之间的鸿沟，为虚拟制片、游戏影视化与 AI 视频生成提供了高可控性的镜头调度能力，显著降低了高质量 3D 虚拟摄影的技术门槛。
光从何处来？诊断视觉语言模型（VLM）的阴影推理缺陷并引入图像生成模型的阴影先验
本研究深入探讨了视觉语言模型（VLM）对投射阴影等物理规律的理解与推理能力。阴影是光照、物体几何特征以及场景三维结构相互作用所产生的显式物理结果，理解阴影要求模型不仅能读取投射方向，还能反推光源及空间物理机理。研究指出当前主流 VLM 在阴影物理推理上存在明显局限，并提出从图像生成模型中借鉴其内隐的阴影先验知识加以弥补。这一成果为增强多模态模型的物理世界常识表征和具身环境空间感知能力提供了全新思路。
PhyEvolve：面向物理感知视频生成的多智能体状态演化规划
针对当前文本到视频（T2V）模型难以理解用户提示词中隐含物理规律的问题，研究团队提出了名为 PhyEvolve 的多智能体状态演化规划框架。该方法通过引入多智能体协作机制，显式建模和规划动态物理状态的演化过程，从而解决了传统模型难以生成具有连续物理规律视频的痛点。该技术有助于大幅提升 AI 视频生成的物理真实感与动力学一致性，为世界模型、自动驾驶仿真及具身智能训练提供了重要技术参考。
AgentDreamer：面向文本可控物理仿真的智能体 3D 动作推理框架
本文提出了 AgentDreamer，这是一种通过显式 3D 动作规划将文本指令与物理仿真运动相统一的智能体引导优化框架。在给定文本指令与场景几何特征的前提下，现成（off-the-shelf）智能体可将自然语言指令解析并转化为具体的 3D 运动轨迹，从而引导物理仿真系统生成逼真且符合物理规律的动态表现。该研究显著提升了基于复杂文本提示词生成高精度物理仿真动画的可控性，为具身智能环境生成、游戏物理驱动与影视特效合成提供了极具实用价值的全新范式。
少问多适应：面向视觉语言导航的高反馈效率测试时自适应方法
针对视觉语言导航（VLN）智能体在未见新环境中因分布偏移而性能急剧下降的问题，研究提出了一种高反馈效率的测试时自适应（Test-Time Adaptation, TTA）框架。该方法旨在以尽量少的人工或环境反馈交互为代价，显著提升智能体在全新场景下的泛化与自主导航能力。这项工作不仅缓解了真实机器人部署中频繁寻求人类帮助的成本与安全风险，也为具身智能系统在开放世界中的轻量化持续自适应提供了全新解决思路。
视觉定位先行，多模态上下文学习紧随其后
大语言模型（LLM）已展现出强大的上下文学习（ICL）能力，但将其有效扩展至多模态大语言模型（MLLM）仍是当前研究的难点。以往的多模态 ICL 方案大多依赖特定任务数据集进行额外微调训练或任务向量提取，具有一定的泛化与扩展局限。该论文提出将视觉定位（Visual Grounding）作为先导来激发多模态上下文学习能力。该思路为开发者降低多模态少样本学习对专门微调数据的依赖、改进 MLLM 提示工程架构提供了新的方向。
面向多智能体体育分析的统一轨迹与 3D 姿态预测
该研究聚焦于团队体育分析场景下的多智能体未来运动预测任务。预测人体动作需要对全局轨迹与 3D 身体姿态进行联合推理，两者在球员复杂互动的动态博弈中高度耦合。该方案为多智能体行为理解、体育动作仿真及具身智能动作生成提供了新的建模思路。
AVAtt：面向艺术绘画视觉注意力的自由注视眼动追踪数据集与基准
针对现有显著性与视线轨迹模型几乎仅基于自然摄影图像构建的问题，研究团队推出了面向艺术绘画的自由注视眼动追踪数据集与基准 AVAtt。该数据集涵盖 16 个艺术流派、跨越 5 个世纪的画作，提供了细粒度注视轨迹、眼屏距离、显著图及丰富的艺术元数据。基准测试评估了经典与深度显著性模型，并对比了 44 种轨迹相似度评估指标（包括基于 CNN、ViT 和自监督编码器的新型指标族）。分析证实面部具有极高且迅速（0.5秒内）的视线吸引力，艺术风格与构图对观者视觉注意有显著塑造作用，为开发具备艺术感知能力的计算机视觉模型提供了坚实基础。
VisCurate：评估视觉技能的行为等价性
现代基于视觉的智能体（Vision-based Agents）正逐步转向基于技能的问题解决范式，将裁剪、阈值化或边缘检测等图像到图像的可执行操作封装为技能。随着视觉技能库规模的持续扩大，库内往往会积累大量重复或标注错误的技能，从而影响智能体的检索与调用效率。为此，研究团队提出了 VisCurate，旨在评估视觉技能之间的行为等价性（Behavioral Equivalence）。该研究为多模态智能体技能库的自动化整理与去重提供了评估基准，对提升视觉 Agent 的工具调用可靠性具有重要意义。
Latent Space Jam：基于布局引导的免训练视频合成
针对视频生成控制通常依赖高成本模型微调与架构修改的难题，研究人员提出了名为 Latent Space Jam 的创新方案。该方法采用免训练（training-free）机制，能够直接利用预训练视频扩散模型来实现对画面中物体布局的精准控制。这种无须额外训练数据和算力投入的控制策略，大幅降低了视频内容空间构图控制的技术门槛，为开发者和创作者提供了轻量高效的可控视频生成新路径。
摆脱系统发育陷阱：持续同调通过多模态图神经网络实现跨物种离子通道分类
本研究指出了蛋白质功能分类模型在评估基准上的普遍缺陷，即随机划分训练集与测试集会导致严重的“系统发育泄漏”（phylogenetic leakage）。这种数据泄露会使模型过度依赖特定生物分类群的伪相关性，从而严重高估其在分布外（out-of-distribution）场景中的泛化性能。为此，研究团队引入拓扑数据分析中的持续同调（Persistent Homology）并结合多模态图神经网络（Multimodal GNN），旨在建立跨物种离子通道分类的鲁棒模型。该成果对于生物医药领域的跨物种靶点预测、抗性机制研究以及计算生物学基准评测规范具有重要的参考价值。
GAV：面向偏微分方程 Agent 的科学实验环境
GAV 是一个专为开发偏微分方程（PDE）求解程序的 Coding Agent 设计的科学实验环境。该研究指出，可靠的反馈机制对代码生成 Agent 而言不可或缺，但在新的偏微分方程场景中评估程序通常需要极其昂贵的参考基准计算，且静态数据集极大地限制了测试范围。该环境的提出旨在解决 PDE 任务中的评估与反馈瓶颈，对推动科学计算与 AI Agent 的深度融合具有重要参考意义。
SWE-VERIFIER：面向高性价比 Coding Agent 的选择性验证机制
该研究针对编程智能体（Coding Agent）在复杂交互中因动作决策失误导致算力浪费与 API 成本飙升的问题，提出了 SWE-VERIFIER 选择性验证框架。传统方法若对所有替代动作进行穷举采样和验证，将带来高昂的计算开销；而该框架通过针对关键节点进行选择性验证，有效避免智能体陷入低价值状态。该成果为开发兼具高准确率与低推理成本的企业级软件工程智能体提供了重要参考。
修改而非模仿：面向多模态推理的最小编辑同策略蒸馏
视觉语言模型（VLM）在进行视觉数学推理时常受制于前期的感知瓶颈，一旦误读图表，后续推理便会基于错误前提出错，该问题在小模型上尤为突出。研究提出了“Edit, Don't Imitate”最小编辑同策略蒸馏方法，致力于通过针对性纠错而非盲目模仿来优化多模态推理轨迹。该成果为改善小型多模态模型的感知准确度与推理链质量提供了全新解法，对高性价比端侧视觉推理落地具有重要意义。
当重构不再足够：基于多模态学习表征的双重稳健反事实与干预中介分析
高维多模态健康医疗记录的表征学习方法常被用于控制混杂因素，但现有方法多以数据重构为优化目标，往往无法有效保留因果识别所需的关键信息。针对这一局限，该研究提出了结合多模态学习表征的双重稳健反事实与干预中介分析框架。该成果明确指出了单纯追求重构精度在因果推断中的理论与实践缺陷，并提供了更稳健的中介效应估计工具。对医疗AI与因果推断开发者而言，这一方法为利用复杂非结构化数据进行可信因果效应评估提供了重要范式与技术参考。