DARE：面向结构化知识事实核查的辩证式 Agent 推理
本文提出了面向结构化知识事实核查的新方法 DARE（辩证式 Agent 推理）。结构化知识事实核查旨在通过对结构化证据进行逻辑推理，来判定自然语言断言的真实性。当前主流技术主要借助大语言模型（LLM）生成可执行的图推理程序，但仍面临复杂推理偏差和单向验证局限。DARE 引入辩证式智能体机制以优化推理可信度，为基于知识图谱与结构化数据的自动化事实核查与审校提供了新的落地思路。
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。
12161资讯
12029正文归档
76562媒体
探究基于 Agent 的 ICD 医疗编码局限性
本研究探讨了基于 Agent 的 ICD-10-CM 自动化医疗编码的能力边界。研究指出，现有的标准 ICD-10-CM 评估基准普遍采用聚合指标，这往往掩盖了模型在面对复杂长尾临床编码场景时的真实短板。这一发现对医疗 AI 开发者与行业具有重要启示，表明在推进临床自动化编码落地时，必须建立更细粒度、聚焦复杂案例的评测体系。
SyRHM：结合联想检索与符号语言增强推理的零样本有害梗图检测
检测有害梗图（Harmful Memes）对于维护健康的在线社区生态至关重要，但此类内容通常利用图文反差与文化刻板印象传达成隐性恶意，对现有多模态检测模型构成了极大挑战。针对该难题，研究团队提出了 SyRHM 框架，通过融合符号语言增强推理与联想检索技术，有效实现了零样本（Zero-shot）有害内容识别。该研究为开发者在缺乏充足标注数据的情况下识别复杂多模态隐性风险提供了全新范式，对推动多模态安全审核与内容治理具有重要实用价值。
HyperProve：面向多跳问答的答案导向超图扩展方法
针对多跳问答（Multi-Hop QA）中传统检索常将证据视为与原问题孤立匹配而导致失败的痛点，该研究提出了 HyperProve 方法。由于解答复杂问题所需的事实通常由中间实体、关系及多重约束串联，孤立检索极易丢失推理链条。HyperProve 采用答案导向的超图扩展机制，能够更精准地捕获多步事实间的深层拓扑关联。该研究为优化复杂知识检索系统以及构建高可靠的 Agent 推理流水线提供了重要参考。
PolicyMem：面向 LLM 治理的几何策略记忆机制
随着大语言模型（LLM）在现实高风险应用场景中的加速落地，有效的模型治理已成为保障安全与合规的核心前提。当前主流的安全防护机制主要依赖基于学习的安全护栏等范式，其优势在于能够提供强大的语义辨识能力。为此，该研究提出了名为 PolicyMem 的几何策略记忆架构，旨在进一步强化模型在复杂策略约束下的治理效果。该方法为开发者与企业构建高可靠、易适配的 LLM 治理与安全对齐系统提供了新的技术路径。
同一个患者，不同的医嘱：临床 LLM Agent 在重复运行下的动作级可靠性研究
最新研究指出，当前临床 LLM Agent 基准测试存在显著的评估盲区：即使在完全相同的输入条件下得出相同的判定结果，Agent 在多次运行中也可能开出实质上完全不同的医嘱。在真实医疗流程中，Agent 需承担检查开具、处方申请与转诊建议等高风险操作，而传统评测通常仅对单次运行进行打分。该研究揭示了临床自主 Agent 在动作级别（Action-Level）的不可靠性与不稳定性，强调了在医疗等高严肃领域建立多轮重复运行可靠性评测标准的必要性。
从 Token 概率到语义约束：迈向语言模型的声明式概率化评估
随着大语言模型（LLM）的快速演进，如何准确评估其习得的知识与推理能力，以及评估手段如何与预训练阶段的学习信号挂钩，已成为基础性研究难题。本文探索了从单纯的 Token 概率迈向高维语义约束的评测新范式，提出了语言模型的声明式概率化评估方法。该研究为开发者理解模型置信度、设计更严谨的评测基准与优化训练信号提供了全新的理论与工程视角。
临床时间推理中的后视偏差：接触未来数据如何影响大语言模型的判断
临床决策本质上是前瞻性的，但目前的临床大语言模型通常在回顾性医疗记录上进行评估。由于回顾性记录往往提前泄露了最终诊断、治疗反应和临床转归，此类评估极易奖励模型利用“未来信息”的作弊行为，而非其真正的推理能力。该研究指出了临床时间推理中存在的后视偏差（Hindsight Bias），表明现有评估可能严重高估了模型在真实临床场景下的判断力。对于医疗 AI 开发者而言，这强调了构建严格时间隔离、符合前瞻性临床流程的基准评测的重要性。
RFCLLM：评估大语言模型对网络协议状态机的推理能力
该研究提出了 RFCLLM 基准，旨在系统性评估大语言模型（LLM）将自然语言网络协议文本规范映射为形式化状态机表示的能力。在网络安全和协议测试中，业界通常默认 LLM 能够精准理解协议规范，但这一假设此前缺乏系统性验证。RFCLLM 的提出为评估模型在复杂协议逻辑推理与形式化建模上的真实水平提供了标准，有助于开发者更可靠地利用 AI 进行协议设计验证与自动化漏洞挖掘。
锥形束 CT 报告生成中基于部分可观察目标的临床推理
本研究针对颌面部锥形束计算机断层扫描（CBCT）报告生成任务，提出了一种结合事实蕴含与词汇重叠的复合评估目标。在该评价体系中，大语言模型（LLM）对事实蕴含（factual entailment）的判断占据了 80% 的权重，而传统词汇重叠度占 20%，且仅有词汇相关的五分之一目标处于直接观测状态。这项工作探讨了在部分可观察目标约束下模型的临床推理与对齐能力，对医疗多模态大模型及放射影像自动报告生成的评价标准设计具有重要借鉴意义。
TestHallVQA：探索大型视觉语言模型在科学考试冗余上下文下的文档级推理能力
本研究提出了名为 TestHallVQA 的新基准，旨在评估大型视觉语言模型（LVLMs）在面对科学考试等复杂长文档时的视觉问答（VQA）与推理能力。现有针对平面文档的 VQA 基准往往侧重于单一孤立的挑战，未能充分测试模型在大量冗余信息干扰下的真实表现。该研究的提出有助于开发者深入评估多模态大模型在真实学术和测试场景中的抗冗余干扰能力与精准推理水平。
大语言模型的词法提示词压缩：免训练、确定性流水线及跨 11 个任务类别的实证帕累托分析
针对提示词过长导致大语言模型推理成本与延迟激增的问题，该研究提出了一种基于传统词法 NLP 的无须训练、完全确定性且仅依靠 CPU 运行的提示词压缩流水线。研究整合了停用词移除、词性修剪等 11 项轻量变换，并在跨 11 个任务类别的 1,242 个提示词上使用 GPT-4o-mini 进行了 18,630 次测试验证。实验表明，单凭停用词移除即可减少 29.6% 的 Token 且 BERTScore-F1 维持在 0.913，极限压缩率可达 40.3%，但常识推理任务在深度压缩下存在系统性能力退化。该方案为追求零辅助模型开销、极高吞吐量及确定性输出的工程落地场景提供了高实用价值的轻量级降本路径。
PhysMent：用于大语言模型物理问题推理的交互式评测方法
大语言模型（LLM）在传统静态科学基准测试中表现优异，但其通过主动实验对物理世界进行因果与动态推理的能力仍未被充分探索。为此，研究团队推出了全新评测基准 PhysMent，专注于在交互式实验环境中评估大模型的物理推理水平。该工作为检验 LLM 在具身环境与科学探索中的主动实验能力提供了标准化测试集，对推动 AI 科学研究（AI for Science）及具身智能体发展具有重要意义。
GeoSkill：面向地理空间 Agent、融合协同修正的经验驱动分层技能学习框架
随着应用深入，地理空间 Agent（Geospatial Agent）越来越需要在重复且不断演化的分析任务中持续运行，而不再局限于执行孤立的工作流。针对这一需求，研究人员提出了 GeoSkill 框架，旨在将先前的执行经验提炼为可复用的地理空间过程化知识。该方法通过分层技能学习与协同修正机制，显著提升了 Agent 在处理复杂地理分析任务时的自适应能力与执行效率。该工作为地理空间领域开发者构建具有长期记忆与自主进化能力的 AI Agent 提供了新的技术路径与范式参考。
FedV-KGQA 实践落地：设计经验与可交互原型系统
针对现实中知识图谱常被不同机构垂直切分、单一系统无法掌握完整推理链的痛点，研究团队提出了面向垂直分区图谱的多跳问答框架 FedV-KGQA。该方案在原始三元组和关系嵌入完全不出本地的前提下，通过联邦融合恢复了中心化训练的大部分准确率，且效果远超单个数据孤岛。实验发现，实体锚定与本地图增强对性能的提升作用明显大于嵌入模型本身的选择，且最具性价比的编码器取决于目标精度而非参数规模。这项工作不仅总结了 4 条系统设计经验，还开源了支持单问题全链路追踪的交互式原型，为跨机构隐私保护与知识推理系统的落地提供了重要参考。
Solar Intelligence：面向太阳能决策支持的专业智能系统
当前太阳能领域的决策支持工具往往分散在仅呈现数据却缺乏解释的仪表板中，学术论文的解析耗时漫长，而通用大语言模型也因缺乏垂直领域知识且生成内容缺乏证据支持而难以直接应用。为此，该研究提出了专为太阳能领域设计的 Solar Intelligence 决策支持方案。这一成果为新能源行业的智能化升级以及垂直领域 Agent 的开发与落地提供了重要参考。
身份不仅是记忆召回：面向部署型 AI Agent 持久身份的评测基准
针对长周期部署的持久型 AI Agent，本文提出了供应商中立的评测基准 PAI-Bench。研究指出，评估 Agent 必须明确区分其仅能在记忆中“召回”的身份事实，与实际在交互中“表达和践行”的身份特征。PAI-Bench 围绕受版本控制和更新治理的身份契约构建，有效拆解了单纯的信息记忆与行为保真度。这一基准为解决 AI Agent 在长期运行中的人设一致性与身份漂移问题提供了关键评测框架。
$\tau$-Elicitation：语音 Agent 多轮实体抽取评测基准
针对语音 Agent 在采集姓名、地址、标识符、日期与时间等实体时面临的精准度挑战，研究人员提出了全新评测基准 $\tau$-Elicitation。现有的端到端基准往往难以明确诊断出信息采集失败的具体环节，而 $\tau$-Elicitation 提供了涵盖 10 种实体类型、共 200 个任务的受控难度评测集。该工作为开发者深入评估与优化语音 Agent 在多轮对话中的实体抽取能力提供了关键评测工具与数据支持。
面向智能供应链分析的混合 Agentic AI 框架
针对供应链决策中数据库查询、KPI分析、需求预测及性能诊断等关键任务的复杂挑战，研究提出了面向智能供应链分析的混合 Agentic AI 框架。该研究探索了将 Agentic AI 与供应链业务流程相结合的范式，通过多智能体协作与专业分析工具联动，降低分析人员在复杂数据系统中的操作门槛。该成果为企业构建端到端自主决策支持系统以及工业级 AI 落地应用提供了关键参考。
边云 LLM 系统中面向函数调用的碳感知路由框架
针对当前 Agent 系统中函数调用过度依赖高能耗云端大模型的问题，研究团队提出了一种面向三层边云异构架构的碳感知路由框架。该框架利用统一语义-词汇嵌入空间下的轻量级 k-NN 预测器，评估各边缘层级的查询准确率、延迟与功耗，并结合电网实时碳强度将请求分发至可成功执行的最低排放层级。测试结果显示，该方法在保持云端级准确率的同时将运行碳排放平均降低至原来的 1/4（降低 4 倍）。这为降低大规模智能体系统的环境成本提供了切实可行的工程路径。
AutoTailor：面向 Web Agent 的自动化与用户对齐能力筛选及自适应框架
针对 Web Agent 利用可复用工具降低底层浏览器交互成本和延迟时，自动发现的工具集通常庞大、冗余且与用户需求对齐欠佳的问题，研究者提出了 AutoTailor 框架。该研究构建了一种元智能体（meta-agentic）系统，旨在实现自动且贴合用户需求的工具能力筛选与适配。这一工作为降低智能体交互开销、提升工具选择效率及推进实用化 Web Agent 部署提供了重要参考。
Asclepius：面向长程临床医疗 Agent 的自适应 Harness 框架
当前大语言模型（LLM）Agent 的基准测试多集中在短程、单一任务轨迹上，但实际部署往往需要 Agent 在资源竞争下连续运行数小时，暴露出截然不同的系统失效模式。为此，研究团队提出 Asclepius 框架，并基于临床环境模拟器（Clinical Environment Simulator, CES）让 Agent 应对复杂的长期医疗管理任务。该研究揭示了动态长程环境下 Agent 稳定运行的瓶颈，为自主医疗 Agent 及复杂长程任务 AI 的工程化落地与基准评测提供了重要参考。
Fraglingo：基于位点感知自回归片段生成的分子设计
Fraglingo 提出了一种基于位点感知自回归片段生成的分子设计新框架。该方法旨在贴合化学家的实际研发逻辑，支持在特定连接位点扩展分子骨架、替换取代基或对骨架进行修饰，同时对目标分子特性进行优化。通过将片段级编辑与属性优化直接结合，该方案有效克服了传统原子级生成模型化学合理性较差的局限。这对 AI 制药开发者和计算化学研究人员而言，提供了一种更符合药物化学实践经验的分子优化与从头生成工具。
通过应用程序行为建模实现 Web Agent 的 Token 高效任务执行
随着 AI Agent 在各类复杂任务中展现出强大性能，业界对智能体基础设施的投入达到了空前规模，但不断攀升的 Token 处理成本正成为实际落地的核心瓶颈。本研究聚焦于自动化操作 Web 应用程序的 Web Agent，探索通过应用程序行为建模来优化任务执行流程。该方法致力于在保证任务完成度的同时显著降低 Token 消耗，对于开发者削减大模型推理开销、推进 Web Agent 规模化工程落地具有重要指导意义。
GAVEL：基于病例报告裁决抽取临床时间线差异的 LLM 评判协议
针对从临床病例报告中抽取时间线时面临的人工参考标注不完善、事件对齐不精确等评估难题，研究团队提出了 GAVEL 评测框架。GAVEL 是一种基于大语言模型裁判（LLM Judge）的裁决协议，旨在直接对比并裁定提取出的临床时间线与原始病例报告之间的差异与质量。该方法克服了传统评估流程对人工黄金标准的强依赖，显著增强了复杂临床文本时序提取评估的自动化与可靠性。这项研究为医疗 AI 领域在病程时序抽取、电子病历分析及临床大模型落地评估方面提供了新的基准工具。
OrchSLM：探究小型语言模型（SLM）协同编排的动态机制
针对大语言模型（LLM）重度依赖云端基础设施所引发的高延迟、隐私泄露及高昂成本等问题，本研究提出了探索小型语言模型（SLM）协同编排动态机制的 OrchSLM。研究深入分析了在 Agentic 流水线中如何通过多个轻量化模型的高效协作来替代单一庞大云端模型。这一成果为在边缘设备与受限环境中部署低成本、低延迟且兼顾隐私的 Agent 架构提供了极具价值的技术路线与实践参考。
根因归因本质是搜索问题：面向长程 Agent 故障的持续搜索诊断
随着 AI Agent 在复杂长程（long-horizon）任务中的广泛应用，系统产生了规模庞大的执行日志，准确诊断其中的故障根因成为保障 Agent 可靠性的关键。研究指出，将结果层面的失败信号转化为具体可行的干预策略，其核心可被视作一个搜索问题。通过引入针对故障的持续搜索机制，开发者能够更系统、高效地在海量日志中完成多步骤 Agent 的故障定位与归因，为长流程 Agent 的自动纠错与稳健性提升奠定了基础。
TimeThink：激发时间序列大语言模型的组合推理能力
针对时间序列多模态大语言模型（TS-MLLMs）在问答任务中难以精准捕捉动态时间模式的问题，研究提出了 TimeThink 框架以激发模型的组合推理能力。该方法旨在引导大语言模型对复杂时序特征进行多步骤、组合式的深度推理，从而突破传统时序问答的表达局限。该成果对智能时序分析、工业监测及金融预测等垂直场景的 Agent 落地应用具有积极的参考价值。
LabAgent：利用 AI Agent 定制科研中心赋能科学发现
科学研究是一个高度强调传承的持续过程，前人开发的研究方法通常需要由新入学者进一步拓展以探索更深入的问题。然而，实验室人员更替（如学生毕业、学者流动）等现实因素往往导致科研技术与经验的传承面临断代挑战。为此，该研究提出了 LabAgent，旨在利用 AI Agent 为科学发现量身定制各类科研中心（Research Hubs）。这项工作为解决科研知识沉淀与自动化实验探索提供了全新路径，有助于降低团队继承成本并加速科研成果产出。
迈向自适应物理 AI：LLM Agent 能否胜任长周期物理任务？
该研究深入探讨了基于大语言模型（LLM）的 Agent 在脱离人工干预的情况下自主管理长周期物理任务的可行性。研究指出，物理环境的复杂性要求 Agent 具备持续观察环境状态、执行具有实际因果影响的操作并进行动态自适应的能力。这一探索为具身智能（Embodied AI）的长程决策机制提供了关键洞察，对未来开发高自主性工业机器人与物理自动化系统具有重要指导意义。