AI · AGENTS · KNOWLEDGE
论文与研究速递
整理 AI 研究问题、论文方法与公开实验入口。
内容目录
59 条内容技术动态论文与研究速递实时环境下的智能体评测与教学：RealtimeBench 与 TORSI 方法 一篇预印本提出 RealtimeBench 基准，在游戏持续运行的情况下评测 LLM 智能体，并给出跨时间尺度的离线递归自改进方法 TORSI，使较慢的教师模型在暂停场景中学习、快速学生模型在实时对局中行动。技术动态论文与研究速递EvolvingBrain：面向开放世界多模态智能体自进化的自适应技能系统 arXiv 预印本提出 EvolvingBrain，用分层技能自进化与状态感知自适应执行两部分构成智能体自进化机制，在 VAB-Minecraft 和 DiscoveryWorld 上报告了成功率提升与泛化表现。技术动态论文与研究速递IneqAgent：结合符号计算在 Lean 中证明不等式 arXiv 预印本提出 IneqAgent，用 LLM 推理配合符号计算后端在 Lean4 中完成不等式形式化证明，并在四个基准上报告成功率达到 94.09%。技术动态论文与研究速递MAI-Gym：面向移动与桌面环境的一体化 GUI 智能体评估与强化学习平台 arXiv 预印本介绍 MAI-Gym，一个统一 GUI 智能体评估、数据收集与在线 RL 训练的开源平台，覆盖移动、电脑与 Web 环境，并训练出 9B 参数智能体 MAI-Gym-9B。技术动态论文与研究速递MSP：无需配对跨模态数据的多模态 LLM 自博弈训练框架 arXiv 预印本提出 Modality Self-Play（MSP），用代理文本描述作为语义桥梁，使模型仅凭单一真实模态与代理描述即可在推理时组合多种模态，无需真实配对跨模态非文本监督。技术动态论文与研究速递CNRF：面向视觉语言模型的选择性安全框架预印本 一篇未经同行评审的 arXiv 预印本提出 Counterfactual Neighborhood Risk Fields（CNRF），通过构造上下文匹配的良性—有害反事实样本对，将风险方向与邻域支持分开估计，以减少把不熟悉误判为有害，并支持选择性干预。技术动态论文与研究速递正确性反馈会抹除证据：Verus 形式验证中的分阶段完整性审计 一篇未经同行评审的预印本在 12 个 Verus/Rust 任务上发现，纠正性反馈会抑制规格完整性审计所需的关键证据，独立无反馈发现产生的认证见证数量约为反馈循环的两倍；该效应在 Dafny 和 Lean 评估中未复现。技术动态论文与研究速递AlphaDiana：面向可验证推理任务的智能体测量系统 一篇 arXiv 预印本提出 AlphaDiana，用模块化接口分别控制文件复用与记忆保留，在匹配条件下对完整智能体与工具、技能、记忆等组件做宏观与微观分析。实验发现工具框架并不总是提升推理准确率，技能指引与保留历史也未能可靠改善准确率，行为与输出 token 使用需结合正确性一起评估。技术动态论文与研究速递VISTA：面向离散扩散的稀疏引导时间步自动选择方法 arXiv 新预印本提出 VISTA，一种免训练方法，在固定预算下自动选择离散扩散奖励引导中需要施加 SMC 引导的时间步，以减少额外奖励评估与梯度计算开销。技术动态论文与研究速递基准饱和后如何从解答记录评估模型能力 一篇 arXiv 预印本提出利用已饱和基准中模型正确解答的完整过程记录来评估模型能力，并以历史数据回溯模拟饱和场景，发现成对评判效果最好、误差降至基线约五分之一，但结论在不同分布偏移下未必泛化。技术动态论文与研究速递LLM规划智能体在部分可观测环境下的承诺策略研究 一项预印本研究考察了LLM规划智能体在部分可观测环境中激进与保守承诺策略在安全性和效率之间的权衡，并探索了可调混合策略。技术动态论文与研究速递推理轨迹与证据冲突时的答案配置影响 一项未经同行评审的预印本研究对比了“延续模型自身思考”与“单独发起答案调用”两种配置，发现单独调用能显著提升答案对当前证据的遵循度，但删除推理轨迹本身并不能揭示答案依据的是哪一方。技术动态论文与研究速递开放世界AI的三项要求：一项预印本研究 一篇未经同行评审的arXiv预印本从理论推导出开放世界AI需要推理时学习、丰富表示与预测性解耦三项要求，并在不高于8B的语言模型上做定性检验，观察到满足要求的模型随相关任务数据积累而提升，其余模型反而退化。技术动态论文与研究速递预印本提出"连贯认知速度"基准，考察智能体应对现实加速的能力 一篇 arXiv 预印本提出问题：当现实变化加速到某个程度，智能系统是否还能可靠感知、推理和行动。作者将这一挑战形式化为"有效连贯认知速度"（S_C^eff），并用强化学习智能体在固定算力下做初步验证。技术动态论文与研究速递L2G-SR：为基于LLM的符号回归引入学习式结构引导 arXiv预印本提出L2G-SR框架，用树编辑距离构建结构监督信号训练验证器，在符号回归搜索中补充数值误差作为父代选择依据，并在LLM-SRBench上报告了最优表现。技术动态论文与研究速递NVIDIA 发布 Nemotron 阿拉伯方言微调流程与 Nemotron 3 说话人分离模型 NVIDIA 开发者博客介绍了用 NeMo 将 Nemotron 3.5 ASR 适配沙特 Najdi 与 Hijazi 方言的微调流程，并发布支持最多 8 位说话人的 Nemotron 3 Diarization 模型。技术动态论文与研究速递论文提出多层级AI可访问性模型 MAIAM：按能力与风险分级授权 arXiv 一篇预印本提出 MAIAM 多层级可访问性模型，主张按用途、安全与能力而非发布形式来划分 AI 访问权限，并建议与 SAFE AI 操作点结合形成能力边界与可访问性边界两部分框架。技术动态论文与研究速递面向移动对象的预期常识推理：基于 ASP 的交互轨迹预测框架 一篇未经同行评审的 arXiv 预印本提出混合式声明性框架，用 ASP 建模交互运动并生成可检查的轨迹预测假设，在 Argoverse 2 上评估。技术动态论文与研究速递技能与策略协同演化中的漂移陷阱：CODA 审计协议 一篇 arXiv 预印本指出，技能-策略协同演化方法在部署后可能因技能库变化而性能下降，并提出 CODA 评估协议来量化这种脆弱性。技术动态论文与研究速递基于置信度校准的推理扩展控制器研究 一篇未经同行评审的预印本提出将评估器引导的推理过程建模为计算感知的三动作决策问题，通过校准动作置信度，在保持或提升效用的情况下减少在线计算量。技术动态论文与研究速递用算法信息论刻画组合结构与生成方法 一篇 arXiv 预印本提出用算法信息论形式化“组合结构”，并尝试在字符串与图像上直接优化生成具有层级复用和部分—整体组织的对象。技术动态论文与研究速递StepSafe：面向智能体安全的步骤级及时干预训练框架 arXiv 预印本提出 StepSafe 与 ASPO 训练框架，将智能体安全护栏从轨迹级事后评估转向步骤级诊断，通过前缀级阶段对齐与自适应反馈自蒸馏来判断何时干预；论文称在五个智能体安全基准上取得开源护栏中的领先表现。技术动态论文与研究速递LEV：用循环决策模型实现可调深度的快速推理 arXiv 预印本提出 LEV，一种通过循环复用层而非生成 token 来加深计算量的决策模型，可在同一权重下按需调节推理深度，并在基准上观察到准确率随深度提升。技术动态论文与研究速递RAC：面向约束工程任务的关系型智能体契约 一篇未经同行评审的预印本提出 RAC，将工程智能体的语义决策与机械推导分离，在 PCB、调度等任务上报告了较高的通过率。技术动态论文与研究速递SkillNEO：面向智能体技能的非精英进化优化方法 arXiv 预印本提出 SkillNEO，将智能体技能的“使用版本”与“继续改进版本”分开选择，允许得分较低的版本继续演化，在 86 项 SkillsBench 任务上提升 GPT-5.4 Mini 的平均奖励。技术动态论文与研究速递Google 公开发布 Deep Review：面向技术文档的智能审阅系统 Google Research 于 2026 年 10 月 14 日发布 Deep Review，一个用于复杂技术文档的智能审阅系统，由实验项目 Paper Assistant Tool 演进而来，支持 PDF 与纯文本输入，提供每周两次免费审阅额度。技术动态论文与研究速递论文观察：微调语言智能体的选择性撤回与规则级失误 arXiv 预印本研究在合成环境 NAQD-Env 中比较课程设计对 Qwen2.5-3B-Instruct 微调后选择性撤回行为的影响，并用规则级诊断揭示聚合指标掩盖的特定回归；作者明确结论仅属方法性贡献，不足以证明微调本身可保障智能体安全。技术动态论文与研究速递RRI：用对抗式元提示演化改进开放任务的奖励评分 该预印本提出递归奖励改进（RRI），在 proposer–solver 自改进循环中加入奖励攻击对抗者，通过让其写出钻 rubric 空子的答案并据此修订评分标准，缓解开放式任务中评分被利用的问题；在 HealthBench Professional 等基准上报告了相对基线提升，但摘要未提及同行评审与复现细节。技术动态论文与研究速递预印本提出 RSHD 方法：用失败轨迹回放恢复 GRPO 训练监督 一篇未经同行评审的 arXiv 预印本提出 Replay-Selected Hindsight Distillation（RSHD），在 GRPO 训练中把全部失败的分组转化为额外监督信号：策略为每个失败尝试写纠错笔记，再带笔记重解，仅当回放成功率高于原始分组时才采纳该笔记并蒸馏回常规策略。技术动态论文与研究速递HPC 作业调度中深度强化学习的统计评估 一篇 arXiv 预印本用两个真实 Slurm 工作负载轨迹和种子配对控制，评估带与不带动作掩码的 PPO、A2C、DQN 在 HPC 作业调度中的表现，发现掩码 DRL 并非普遍优于基线。技术动态论文与研究速递Google Research 提出多智能体长视频生成框架 Google Research 介绍一套面向长视频生成的多智能体编排框架，包含 AI video co-director、CANVAS、A²RD 与 VQQA 四个组成部分，旨在缓解多镜头叙事中的角色与场景漂移问题。技术动态论文与研究速递谷歌提出 Diffusion Controller：轻量"转向阻尼"网络统一图像生成控制 谷歌研究团队发布 Diffusion Controller 框架，把扩散模型的去噪过程视为连续控制问题，用一个轻量侧网络在冻结基座模型上动态施加引导，从而在不改模型权重的前提下提升提示词对齐度，并可适配闭源模型。技术动态论文与研究速递Google Earth AI 人群动态基础模型用于公共卫生的五项合作案例 Google Research 介绍 Earth AI 中的人群动态基础模型（PDFM），以自监督方式把搜索趋势、移动性与环境等信号压缩为位置嵌入，并在五项合作研究里作为即插即用输入增强既有流行病学模型。技术动态论文与研究速递Athanor：面向自主后训练研究的智能体原生系统 arXiv 预印本介绍 Athanor 系统，让前沿智能体在真实 GPU 上自主完成小模型后训练研究，104 小时内将 Qwen3-4B-Base 提升至接近官方 Instruct 版本。技术动态论文与研究速递Google Research 探索用生成式 UI 让教师自制互动学习模拟 Google Research 介绍一项研究实验：借助为教育优化的生成式 UI 与教学设计约束，让教师按课程目标生成互动式学习模拟；同时发布 30+ 个英文 STEM 学习互动样例库，并启动学校试点。技术动态论文与研究速递MilleMiglia：面向中程物流的真实实例生成器 Google Research 发布开源 C++ 实例生成器 MilleMiglia，用于生成中程物流的合成基准，弥补该环节缺乏公开高质量数据的空白。技术动态论文与研究速递Probe-and-Resume：仅在终点调用批评者来评估智能体执行 这篇 arXiv 预印本研究终端式计算机使用环境中 MCTS 测试时搜索为何难以提升任务成功率，并提出只在智能体认为已完成时才调用批评者的 Probe-and-Resume 设计，在 Terminal-Bench 2.1 上报告成功率提升 8.4 个百分点。技术动态论文与研究速递跨人群基因组预测中的迁移学习：并非数据越多越好 Google Research 博客介绍一项基于英国生物银行（UKB）与日本生物银行（BBJ）的实证研究，考察将欧洲人群多基因风险评分迁移到非欧洲人群时的表现：目标人群样本量小的时候迁移学习有增益，但样本量增大后反而可能降低准确率。技术动态论文与研究速递Kolab：面向长周期工作流的人机协作基准 arXiv 预印本提出 Kolab 数据集，用 115+ 小时、50 名 40 种职业从业者的屏幕录制，考察人类与智能体在长周期专业任务中的协作，发现前沿模型倾向高估专家对智能体产出的采纳与协作质量。技术动态论文与研究速递微软研究院：用机器学习预测电网空间天气风险 微软研究院博客介绍一套端到端机器学习流水线，利用太阳风观测与AE/Dst指数预报，结合地质电导率等局地信息，为美国本土66,935座变电站生成30—60分钟提前的GIC风险估计。技术动态论文与研究速递CleanRM：用少量干净反馈校准噪声偏好数据 一篇预印本提出 CleanRM，用少量干净反馈通过最优传输估计逐样本噪声比例，并据此训练无偏奖励模型，用于改进 RLHF 对齐。技术动态论文与研究速递All-in-One Memory：面向记忆智能体的过程奖励强化学习 一篇未经同行评审的 arXiv 预印本提出 All-in-One Memory（AiO-Mem），将记忆的检索、写入与停止决策统一到共享证据状态的奖励空间中，用过程奖励模型与 PA-DAPO 优化记忆策略，摘要称在长上下文记忆基准上提升答案准确率。技术动态论文与研究速递Google Research 发布 Science One Framework：用证据链减少自主研究中的幻觉 Google Research 介绍实验性研究原型 Science One Framework，通过 Chain-of-Evidence（证据链）在设计上绑定每条论断与其证据，并配套 CoE Audit 自动化审计协议，用于检查 AI 生成论文的引用、分数与代码一致性。技术动态论文与研究速递MemScope：通过局部化代码修复实现智能体记忆架构进化 arXiv 预印本提出 MemScope 框架，利用执行的原始轨迹与运行时记忆状态定位失败点，对现有智能体记忆架构做受限的原地代码修补；在 GAIA、xBench、ALFWorld 上报告了相对基线的提升，论文未经同行评审。技术动态论文与研究速递Google Research 发布 GlucoFM：面向连续血糖监测的双流基础模型 Google Research 介绍了 GlucoFM，一个轻量级自监督连续血糖监测（CGM）基础模型，采用双流设计分别建模缓慢血糖趋势与短期波动，在糖尿病风险、胰岛素抵抗、β细胞功能障碍等任务上报告了优于 GluFormer 的表现。技术动态论文与研究速递AgentHands：为 XR 空间对话生成同步手势的智能体原型 Google Research 在 CHI 2026 发布 AgentHands 研究原型，让 XR 中的对话智能体在说话时同步做出指向、比划和警示手势，把抽象语音指令落到用户周围的三维空间里。技术动态论文与研究速递潜在链式推理是否真的在推理：一个统一分类法的预印本研究 arXiv 预印本提出用统一分类法区分潜在思维链"表示什么"与"模型如何使用它"，并在 21 组模型-任务配置上通过删除链、替换内容与探针分析检验其因果作用，发现可读的中间状态不足以证明推理发生。技术动态论文与研究速递Agent Lightning v1.0：约3500行代码的轻量级智能体强化学习框架 微软研究院发布 Agent Lightning v1.0，提出 Harnessed Agentic RL 训练范式，让部署用的智能体 harness 直接参与强化学习，并在约3500行代码内实现完整控制平面，支持 Kubernetes 原生运行，官方称在 SWE-bench Verified 上以约6000条样本将 Qwen3.5-9B 从 41.8% 提升到 56.4%。技术动态论文与研究速递Google Research 提出 ME-POIs：用出行数据增强地点表示 Google Research 介绍 ME-POIs 框架，将静态文本元数据与匿名聚合出行模式结合，为地点生成同时编码身份与功能节奏的嵌入表示，并报告在多个地点属性预测任务上的相对提升。技术动态论文与研究速递微软研究播客：AI 评估、多轮对话退化与长流程任务失败 微软研究院播客对话 Jennifer Neville，讨论面向真实使用场景的 AI 评估、多轮对话性能下降、长流程知识工作中的意外失败，以及隐私保护的数据分析方式。技术动态论文与研究速递基于条件对比外推的在线策略蒸馏方法 CCE-OPD arXiv 预印本提出 CCE-OPD，通过屏蔽问题条件的对比评估与有界对数概率对比，缓解在线策略蒸馏中教师偏好无效续写的问题，并在诊断集和多数学基准上报告了改进。技术动态论文与研究速递研究：多轮多方对话中智能体承诺的解除权限 一篇 arXiv 预印本论文研究助手在多方对话中作出承诺后，谁有权解除该承诺，并在受控聊天环境中测试多个模型的表现。技术动态论文与研究速递Google Research：前沿大模型的事实错误更多源于“回想失败”而非“未编码” Google Research 提出知识画像框架与 WikiProfile 基准，将事实状态区分为编码与回想。结果显示，Gemini-3、GPT-5 等前沿模型约 95–98% 的事实已被编码，但仍有 26–34% 无法直接回想；长尾事实与反向提问的困难主要属于回想问题，思考过程可部分恢复已编码但难以直接调用的事实。技术动态论文与研究速递Google 研究将 AMIE 扩展至实时视频问诊 Google Research 介绍 AMIE（Video），通过异步多智能体架构在模拟视频问诊中实现与初级保健医生相当的评估表现，但研究完全基于模拟场景与受训患者演员，尚未经真实患者验证。技术动态论文与研究速递基于评分标准的LLM评估存在不确定性：共形加权方法提出 一篇arXiv预印本提出URW框架，用共形校准为评分标准中的每项准则赋予不确定性权重，以改善LLM评估中的偏好判断与下游强化学习对齐。该工作为未经同行评审的预印本，结论尚待验证。技术动态论文与研究速递AutoOnboarder：让编码智能体自动调优 LLM 智能体 一篇未经同行评审的 arXiv 预印本提出 AutoOnboarder，由“入职者”编码智能体自动调整基础模型、提示词与 harness 源码，在基因组测序预授权表单提交任务上，据称能以最多约 29 倍更低成本达到或超过某 Gemini Flash 基线，但最终表现波动较大。技术动态论文与研究速递Google Research 发布 SymptomAI：会话式症状评估智能体的全国规模研究 Google Research 公布一项基于 Gemini Flash 2.0 的会话式症状问诊与鉴别诊断智能体 SymptomAI 研究，在 13,917 名参与者中开展随机对照，临床专家在超过 50% 的案例中更偏好其鉴别诊断列表，且其优势在临床医生自身信心最低的病例上最为明显；研究同时将诊断结果与 Fitbit 可穿戴生物信号进行对照分析。技术动态论文与研究速递医疗流程 LLM 智能体升级可靠性审计基准：扰动受控的工作流状态失效评估 一篇未经同行评审的预印本提出以 400 个合成医疗工作流片段评估智能体在证据缺失、过时、冲突或延迟时的动作选择可靠性，发现干净输入下准确率高但升级动作遗漏严重，规则控制器虽能改善却对改写表述缺乏泛化。技术动态论文与研究速递Google 用强化学习让量子计算机在运算中持续校准纠错 Google Research 与 DeepMind 合作，提出用强化学习代理从量子纠错检测事件中学习，在计算过程中持续调整数千个控制参数，以抵消硬件漂移，并在 Willow 处理器上验证。