跳到正文
10月7日周三
  2. arXiv cs.AI29

    同一反馈不同答案：前沿模型客户反馈分析中的运行间不稳定性

    一项研究提出重复运行评估框架，用主题流失率和数量分歧两项指标衡量 AI 智能体处理非结构化数据的可重复性。在 Claude Opus 4.8 与 1000 条记录语料固定条件下，基于分类体系的智能体（TGA）相比原始生成和分层分解将主题流失率降低 86–88%，匹配主题的数量分歧为零。该框架面向客户反馈、财报、法律文档等重复性知识工作场景。

  5. arXiv cs.AI24

    移动 GUI 智能体能否服务所有用户？PAIR 与 RePAIR 揭示跨用户可靠性差异

    研究提出 PAIR 流水线构建用户条件化应用状态，并推出 RePAIR 训练方法，从跨用户子目标结果差异中学习以提升可靠性。在六款智能体上，用户条件化 UI 中任务成功率下降 6.98 至 15.4 个百分点，涉及用户个人内容时差距扩大至 8.77 至 22.0 个百分点。RePAIR 在未见用户上将整体 Task SR 提升 9.42 个百分点。

  6. arXiv cs.AI26

    Confidence Reasoning Graphs：面向 LLM 智能体的结构化置信度估计

    研究者提出 Confidence Reasoning Graphs（CRG），一种推理时框架，仅凭单条轨迹即可估计 LLM 智能体完成任务的成功概率，无需模型内部信号或训练数据。CRG 将任务声明分解为基于轨迹证据的子声明，逐项估计置信度后再聚合为整体置信度。在三个智能体基准、三个骨干模型和三个智能体框架上，CRG 的置信度校准与风险感知决策均优于口头表达、采样和白盒代理基线。

  9. arXiv cs.AI22

    各向同性却无法解码：潜在预测式文本表征中的序列内容充分性缺口

    研究提出信息论分解，将输入歧义、表征损失与读出失配分离，并构建可恢复视图证明完美一致与联合各向同性高斯性可同时与零目标信息共存。基于此提出非自回归框架 CANOPE，在 40,000 条验证序列上，latent-agreement（PL0）与 token-grounded（PL2）池化排名几乎相同，但位置 Recall@1 分别为 13.5% 和 98.8%。

  10. arXiv cs.AI17

    用文本环境上下文与空间图增强 LLM 区域海表温度预报

    研究将区域多步海表温度（SST）预报建模为条件数值生成，用历史 SST 与异常序列、日期对齐的环境记录和静态海洋知识构成文本上下文，并通过图神经网络生成连续的空间前缀注入 LLM 输入。在南海 SST 预报的十个预测步上，完整配置取得对比方法中最佳 MAE 和 R²。配套的规则模块将预测趋势与环境因子方向匹配知识条目，返回带来源的事后上下文解释。

  11. arXiv cs.AI22

    ShanLiangRen：面向个性化每日膳食规划的 AI 营养智能体

    研究团队提出个性化全量化多目标膳食规划问题（MDP），并开发营养智能体 ShanLiangRen。该系统将饮食规格、营养数据、用户属性与自然语言需求转化为个性化约束规划实例，通过精确检索增强生成缩小候选食材与食谱范围，再由 LLM 在确定性营养计算和约束校验反馈下按 Pareto 原则迭代优化方案。系统输出含明确食材与分量的全量化餐食计划及营养合规报告，已以微信小程序形式上线。

  12. arXiv cs.AI26

    自参照社会偏好：不观察他人奖励也能学会合作

    研究者提出"自参照社会偏好"方法，让每个智能体学习自身奖励模型，并将其应用于其他智能体的观测轨迹，从自身视角评估对方结果，再接入标准社会偏好机制。在 Escape Room、Clean Up 和 Commons Harvest 三个序贯社会困境中，智能体无需观察他人奖励即可学会合作，甚至在独立学习失败的环境中也能实现合作，且收益分配常比能获取真实奖励的智能体更公平。

  13. arXiv cs.AI32

    WorkflowOps：为多智能体工作流编排学习智能体协作先验

    WorkflowOps 是一个多智能体工作流编排框架，能从历史工作流中学习智能体协作先验，并按需扩展智能体池以覆盖新能力需求。它通过转移概率矩阵引导 DAG 工作流构建，并用分层语义匹配策略将 LLM 路由调用减少超 80%。在代码、数学与问答混合测试集上，其端到端通过率优于近期工作流构建基线，在结构化可分解任务上提升最大。

  15. arXiv cs.AI27

    DHCG：为基于 LLM 的多智能体推理动态构建分层协作图

    DHCG 框架通过 Planner、Worker、Generator 三个模块，从零逐步构建动态分层协作图，并支持提前终止或按需扩展。在代码生成、数学推理等基准上，其平均性能较单智能体基线提升 13.06 分，优于静态与动态 MAS 基线 2.77-8.02 分。该框架还引入动作感知偏好优化训练 Planner，并展现出跨 Planner 主干与未见 Worker 模型的泛化能力。

  18. arXiv cs.AI22

    ThinkFuse：面向小型推理模型的轨迹感知测试时融合方法

    ThinkFuse 是一种免训练的测试时融合框架，通过对比片段级不确定性与轨迹级不确定性趋势来识别不稳定推理点，并将辅助推理路径融合进主模型轨迹。在数学与知识密集型推理基准上，它优于现有基线，跨模型组合均有稳定提升，且主模型更小时仍保持稳健。该方法所需融合触发次数更少、生成 token 更少，代码已开源，论文被 EMNLP 2026 Findings 接收。

  19. arXiv cs.AI41

    Llama-3.1-8B-Instruct 研究：财务信息缺失时语言模型用身份替代事实

    一项针对 Llama-3.1-8B-Instruct 的 96,600 条提示词实验显示，当财务信息从 8 项事实减至零时，财务相同但身份不同的两个角色获得的股票配置建议平均差距从 4.78 个百分点升至 10.34 个百分点，比值达 2.16。身份在全披露时仅解释 5% 的配置差异，无披露时升至 96%。无事实时模型还会在理由中引用从未告知的收入、债务和储蓄，且这些虚构财务对大家庭更常转为不利。

  20. arXiv cs.AI38

    研究发现 LLM 存在错觉模式感知，会引发虚假推理

    一项被 NeurIPS 2026 接收的研究首次系统考察了大语言模型（LLM）中的错觉模式感知，发现 LLM 常比人类更易在随机数据中推断出有意义关联。模型倾向于将频繁出现的正面属性过度关联到多数群体或大型组织，并从模糊事件中构建因果叙事。研究基于稀疏自编码器（SAE）的特征可解释性框架，揭示整体频率感知与分析性认知取向与这类错觉的涌现相关。

  21. arXiv cs.AI29

    OOPMAS：面向查询级工作流生成的面向对象多智能体系统

    OOPMAS 是一个免训练框架，能在单个查询粒度上同时生成智能体集合与协调工作流，智能体以面向对象类定义表示，工作流则表达为可执行 main 函数。在覆盖代码、数学与问答的混合任务基准上，OOPMAS 达到 89.6% 准确率，超出最强基线 18.1 个百分点；跨四个 LLM 基座的模型替换研究显示性能一致扩展，最强模型下达到 92.4%。

  25. arXiv cs.AI24

    OTel：开放电信 AI 数据集、基准与模型发布

    研究者发布开放电信 AI 资源 OTel，包含面向检索、重排序、指令微调与安全/拒答的衍生电信数据集，以及 30 个全参数后训练基线，覆盖 10 个嵌入模型、3 个重排序器和 17 个语言模型。截至 2026 年 5 月 3 日，相关模型下载量超 1600 万次。后训练后嵌入检索达 93.1% NDCG@10，重排序达 0.947 MRR@10，语言模型正确率达 87.8%。

  26. arXiv cs.AI29

    ST-Bench：面向科研任务多智能体系统生成的空间-时间基准

    研究者推出 ST-Bench，用于检验 LLM 多智能体系统（MAS）在真实科学数据分析中是否优于单智能体。该基准含 100 个源自地球科学研究的数据科学任务，扩展为 2,067 条查询，在 GPT-5 上评测五种 MAS 生成方法。十种 MAS 配置中九种超过最便宜的单智能体基线，最强配置综合得分接近其三倍，但推理时间约为四倍；更经济的方案以不到两倍成本获得大部分收益。

  29. arXiv cs.AI22

    推荐系统中的可解释隐式负样本发现：Evidence Before Sampling

    研究者提出"隐式负候选发现"方法，用符号规则编码用户行为模式，按支持度、信息量和产品相关性打分排序，再由 LLM 结合业务目标与领域知识解读规则，最终报告融合统计证据与 LLM 解读。在工业 B2B 场景和五个公开推荐数据集上，该方法候选质量精度高于所评估基线，符号选择使工业任务下游测试 PR-AUC 较随机选择提升 12.5%（每正样本四个负样本）。

  30. arXiv cs.AI37

    AgentMemGate：解决对话助手记忆中的推测污染问题

    AgentMemGate 是一种写入时门控机制，可将提取的陈述分类为推测、已完成事件、更正或其他，阻止未确认的计划进入记忆存储。在 147 组对话的留出集上，Mem0 和 Graphiti 分别将 35.2% 和 27.3% 的未决计划断言为当前状态；AgentMemGate 在核心基准上将污染从 87.5% 降至零，任务准确率从 65% 提升至 95%。

  32. arXiv cs.AI26

    BluffJAX：JAX 中的对抗性不完美信息博弈开源套件

    BluffJAX 是一个基于 JAX 的开源对抗性不完美信息博弈套件，包含 Texas Hold'Em Poker、Kuhn Poker 等经典基准，以及此前未被强化学习研究过的 Bluff、Stud Poker 和 Kemps。其在单 GPU 和多 GPU 设置下实现每秒数亿样本的吞吐量扩展，并提供了强化学习、树搜索和博弈求解算法的基线结果。

  33. arXiv cs.AI24

    EIO-Agents：为 AI 智能体评估补上缺失的语义层

    EIO-Agents 是一个面向可互操作 AI 智能体评估的开放规范，由语义层 EIO 与记录系统 PER 两层构成。EIO 通过类型化证据、版本化行为谓词、证据契约、声明、见证规则、证明状态与可计算推导，支撑指标、发现、控制及 PASS、REVIEW、BLOCK 决策；PER 则以内容寻址方式保存单次评估的证据到决策链，可重新推导、解释与验证。

  35. arXiv cs.AI26

    规则止于何处，裁判始于何处：测量多智能体系统安全中的判断边界

    研究将 LLM 多智能体系统（MAS）的防御组织为五项原则并实现为 DEFER1，包含 28 项检查的级联，能拦截的拦截、其余交给四人评审团。在四个领域的独立测试中，攻击成功率从约 30.0% 降至约 3.0%，78% 被拦截的攻击由确定性检查处理。安全运营领域仅四分之一提案会到达评审团，但风险评分审批门会错误放行多数攻击提案、却只放行少数合法提案。

  37. arXiv cs.AI22

    面向可解释国际象棋战术的自动合成研究

    研究者提出一种用于下棋的符号子策略模型，借助归纳逻辑编程系统 PAL 学习到的模式，将国际象棋战术的领域知识引入模型以提升可解释性。团队提出一种散度指标，将模型与随机基线对比，得到一组能给出接近人类初学者棋力的战术。他们还提出通过为现成引擎增补该模型的计算评估方案。

  38. arXiv cs.AI22

    让 RL 智能体学会可解释的复杂游戏策略表示

    研究者提出一种类似人类认知的方法，训练 RL 智能体将学到的策略与策略网络合成为基于对局动作序列的可执行程序，并自动学习这类程序来下国际象棋和求解网格环境任务。实验显示，学到的策略能产生有效动作，且可从对局数据中学习。

  39. arXiv cs.AI24

    让理论学会"长大"：超越初始假设空间的实验发现

    研究提出"实验性模型类修正"框架，让发现策略同时提出结构编辑和诊断实验，以检验该编辑是否必要。在 400 个受控动力学环境中，联合策略以 32 次真实实验预算达到 89.5% 精确恢复率，较最强匹配基线提升 10.0 个百分点，且所需实验与候选拟合更少。当真实机制超出编辑语法时，该方法在 88% 的情况下检测到库不足，误支持率为 5.5%。