AI Agent 与大模型中文情报库

本文讨论持续学习在同质深度网络中的收敛行为，即模型在按任务顺序不断接收新数据时，参数更新能否稳定趋于某种解。研究重点在于分析连续任务带来的分布漂移与遗忘效应如何影响优化过程，以及在特定网络结构假设下，训练动态是否仍具备可证明的收敛性。该工作有助于理解大模型和深度网络在增量式学习场景中的理论边界，为缓解灾难性遗忘、设计更稳定的在线更新机制提供基础。

这篇论文围绕“诗歌理解”这一带有强主观性和文化语境的任务，讨论大语言模型是否能够充当可靠评测者。作者通过构建或整理相关评估场景，考察 LLM 在理解诗歌意象、隐喻、情感与多层含义时的判分一致性、稳定性与人类偏好对齐程度。研究重点不只在于模型能否答对，更关注其作为“裁判”时是否会受到措辞、提示方式和生成风格影响，从而产生偏差。论文结论旨在为文学类、开放式理解任务中的自动化评测提供参考，也提醒人们：并非所有语义判断都适合直接交给 LLM 自动评分。

这篇论文提出“语言防火墙”思路，关注多智能体系统在路由与协作过程中如何抵御恶意输入、越权转发和策略污染。作者强调，不应只依赖规则或内容过滤，而是利用表示空间中的几何结构，将可信指令与风险信息在向量空间中分离、约束和重定向，从而在路由层面建立防护边界。该方法将安全机制嵌入智能体通信与任务分发流程，兼顾可扩展性与鲁棒性，为构建更安全的多智能体编排与代理网络提供了新的研究视角。

本文聚焦工具增强型智能体在多步推理与外部工具调用中的“实体绑定”失效：模型虽然能生成看似合理的计划，却常把人名、对象、任务状态或工具返回结果错误关联，导致指代混乱、跨步骤信息串线和最终决策偏差。作者从这一类错误出发，分析其在检索、代码执行、工作流编排等场景中的表现，并指出问题不只是事实幻觉，而是智能体在“谁、什么、属于谁、当前处于何状态”上的结构性对齐失败。该研究对构建可靠 Agent、提升工具调用一致性与状态管理能力具有现实意义。

这篇论文聚焦深度伪造人脸检测在跨数据集、跨生成方法场景下泛化不足的问题。作者提出 μFlow 方法，将人脸样本的平均图像作为额外信息引入检测流程，用以强化模型对身份、光照和内容偏差的鲁棒性，从而更关注伪造痕迹而非数据集特有特征。该思路旨在缓解当前检测器在训练集上表现良好、但面对新型 deepfake 技术时性能迅速下降的现象。实验表明，结合平均图像后，模型在多个评测设置中展现出更稳定的泛化能力，说明“平均表征”可作为一种轻量且有效的先验，帮助深伪检测器学习更具迁移性的判别特征。

这篇论文聚焦聚类联邦学习中的“何时协作、与谁协作”问题。作者引入随机网络蒸馏（RND）作为新颖性度量，利用客户端更新与局部表征的“陌生程度”来识别潜在相似群体，而不是仅依赖传统的梯度距离或显式标签信息。方法的核心思路是：当某些客户端在模型更新上表现出更高的新颖性时，往往意味着它们与当前簇的分布存在偏离；据此可更稳健地发现可协作的客户端集合，并减少负迁移。论文面向异构数据场景，强调在不泄露原始数据的前提下提升簇划分质量与联邦训练效率。

概念瓶颈模型先以可解释概念作为中间表示，再完成最终预测，常被视为兼顾准确率与可解释性的方案。本文聚焦“后验”概念瓶颈模型，即在训练完黑盒模型后再引入概念层进行解释或控制，系统检验其是否真正忠实反映原模型的决策依据。研究表明，这类方法虽然能给出看似合理的概念解释，但在概念选择、概念预测误差和干预一致性上可能出现偏差，导致解释与模型内部机制不完全一致。文章由此讨论了后验解释的可信边界，并为构建更忠实的概念瓶颈方法提供了评价视角。

本文提出 FIL 假说，用以解释为何在核方法设计中引入归纳偏置，往往能显著提升“核函数工程”的效果。作者关注的不只是单纯扩大核的表达能力，而是如何借助结构先验、任务相关假设与特征映射设计，让核在有限数据下更容易捕捉有效模式。文章从理论与实践两方面讨论了这种偏置如何影响泛化、可优化性与样本效率，并指出在现代机器学习中，合理的先验设计仍然是连接经典核方法与当代表示学习的重要桥梁。

本文研究如何利用大语言模型，把人类用自然语言提出的任务或策略要求，转换为可供验证与执行的时序逻辑规范。与一般的文本转结构化不同，这里的目标不是简单抽取实体或意图，而是生成带有时间约束、条件依赖和策略语义的精确表达，便于后续自动推理、规划和形式化验证。论文围绕该转换任务的可行性、准确性与稳健性展开，探索LLM在理解模糊描述、补全隐含约束以及保持规范一致性方面的能力，并讨论其在多智能体协同、任务分解和安全关键系统中的应用前景。

这项研究面向青光眼视觉字段（视野）随时间恶化的预测任务，指出传统方法往往只给出单一“点估计”，难以反映病程演化中的不确定性与个体差异。作者引入扩散模型来生成未来视野分布，而不是只输出一个固定结果，从而更好刻画疾病进展的多种可能路径。该思路有助于在临床随访中评估风险区间、提升预测鲁棒性，并为医生制定更稳健的监测和干预策略提供依据。

本文围绕“大语言模型能否做好排序”这一问题展开，重点考察模型在成对或三元比较中的偏好一致性、稳定性与可解释性。作者将排序任务拆解为不同粒度的判断单元，并借助类似“分诊”的评测框架识别模型在复杂比较场景中的能力边界。研究显示，LLM 在简单偏好判定上往往表现良好，但当候选项数量增加、比较维度变得模糊或存在细微差异时，排序结果容易受提示方式、顺序位置和语义表述影响。该工作为理解 LLM 作为裁判、评审与检索重排器的可靠性提供了实证参考。

表格基础模型被寄望于像大语言模型那样，靠大规模预训练在多种表格任务上实现通用泛化。但这篇论文从“是否超越独立同分布（IID）假设”这一核心问题切入，系统考察这类模型在分布外数据、任务迁移与不同表格结构下的真实表现。作者指出，很多看似强劲的基准成绩，往往建立在数据分布相近、特征模式稳定的前提上；一旦面对列语义变化、采样机制不同或跨域场景，性能容易明显回落。论文因此强调，评估表格基础模型不能只看单一静态测试集，而应关注更严格、更贴近真实业务的数据偏移与泛化能力。

这篇论文面向长上下文大模型解码阶段的效率瓶颈，提出一种面向动态稀疏注意力的加速思路：先预测下一步可能需要关注的注意力模式，再复用历史计算结果，并在预测偏差出现时进行快速修复。相比每步都重新计算完整注意力，该方法试图在保持生成质量的同时显著降低长序列推理开销。其核心价值在于把注意力稀疏化从静态规则推进到更贴近真实生成过程的动态机制，适合用于长文本问答、代码生成和检索增强生成等场景。

本文围绕神经网络训练过程中复杂的高维参数演化，探讨能否用少量标量指标来刻画其动力学特征。作者关注损失下降、梯度变化、参数更新等训练信号之间的关系，并尝试建立更紧凑的表示方式，以便分析训练阶段切换、收敛行为及不同模型或优化设置之间的可比性。这类研究有助于把原本难以解释的训练轨迹转化为可观测、可分析的低维描述，为训练监控、诊断异常和优化算法研究提供工具。

脑肿瘤分割在临床影像中面临病灶形态多变、边界模糊和标注噪声等问题，单纯追求像素级准确率往往难以保证模型在复杂病例上的稳定性。该研究提出一种集合包含式的不确定性建模思路，用于更可靠地刻画分割结果中的可信区域与不确定区域，从而提升脑肿瘤分割的鲁棒性。方法核心是将预测结果从单一确定输出扩展为更具包容性的集合表示，在训练与推理阶段同时显式利用不确定性信息，缓解过度自信和误分割问题。实验表明，该策略在多样化脑肿瘤场景下有助于改善模型泛化能力，并为临床辅助诊断提供更稳健的分割依据。

这篇论文探讨了一个实用问题：能否把大语言模型当作“低成本统计估计器”，用来近似分析人类反应数据，而不是完全依赖昂贵的人工标注或大规模调查。作者关注的是在人类行为、意见或回答分布这类数据上，LLM是否能在样本有限、成本受限的场景中，提供足够稳定的统计估计。文章的核心价值在于把大模型从“生成内容的工具”进一步推进为“统计推断的辅助器”，并评估其在准确性、偏差和可扩展性之间的权衡。这类方法对社会科学、用户研究和快速原型验证都具有现实意义。

本文讨论了面向大模型参数层面的防御机制在模型合并（model merging）场景中的失效风险。作者指出，许多防御方法假设攻击只会影响单一模型或局部参数，但当多个模型经过权重合并、任务融合或社区共享时，攻击者可借助合并过程将受保护模型中的脆弱性重新激活，甚至放大原本被抑制的后门或有害行为。研究强调，参数级防御若缺乏对跨模型组合效应的考虑，往往难以在真实的模型复用与再分发流程中保持有效。该工作为理解开放生态下大模型安全边界提供了重要视角。

OLIVE提出一种面向语音自监督学习的新框架，将“潜在表示预测”与“波形重建”联合起来，并引入视图增强机制提升表示学习效果。与仅在特征空间进行预测的做法不同，该方法通过利用不同视图下的上下文信息，增强模型对语音内容与时序结构的建模能力，同时用波形重建约束保留更丰富的声学细节。整体思路是在不依赖标注的前提下，学习更稳健、更具泛化性的语音表征。该工作关注的是如何在 SSL 预训练阶段同时兼顾语义抽象与低层信号信息，以改善后续语音识别、说话人建模等下游任务表现。

本文聚焦不完整多模态学习场景：训练或推理时并非每个样本都具备全部模态，常见于医疗、自动驾驶与跨媒体检索等任务。作者提出一种残差引导的专家特化框架，通过分析不同模态间的预测残差，动态促使若干专家分别擅长补全信息、利用可靠模态与处理缺失模式，从而缓解模态缺失带来的性能退化。该方法强调以残差信号作为路由与分工依据，使模型在信息不完备时仍能保持较强的鲁棒性与泛化能力。

这项研究聚焦视觉模型在受控提示操纵基准中的“捷径学习”现象，探讨训练初期线索的精度如何影响模型是否过度依赖表面相关特征。作者通过精心设计的 cue-manipulation 设置，比较不同早期提示质量下模型的学习轨迹与泛化表现，发现早期线索越精确，模型越容易形成稳定但可能脆弱的捷径策略；而当早期提示较弱或存在干扰时，模型更可能转向更稳健的判别依据。该工作为理解视觉模型的归纳偏置、数据组织方式对学习路径的塑造，以及如何构建更能暴露捷径风险的评测基准提供了实验依据。

REAR提出一种面向大模型测试阶段的偏好重对齐方法，核心思路不是重新训练整套策略，而是把奖励信号拆分为多个可解释部分，并在推理时据此动态修正模型输出。这样做能够在不依赖大规模再训练的前提下，缓解模型生成与人类偏好、任务约束之间的偏差，尤其适用于部署后仍需持续对齐的场景。论文强调奖励分解带来的细粒度控制能力，可更灵活地处理复杂偏好冲突，并提升模型在真实使用环境中的适应性与稳健性。

FlexTab 提出一种面向表格数据的灵活编码器-解码器架构，用于在上下文学习（in-context learning）场景下统一处理分类、回归、缺失值补全等多种表格任务。与传统依赖固定任务头或单一输入形式的方法不同，FlexTab 通过可配置的编码与解码机制，直接从少量示例中捕捉表格字段间关系，并在不同任务间保持良好的迁移能力。论文强调该架构对异构表格、变量数量变化以及任务定义差异具有更强适应性，适合大模型时代将表格理解与推理纳入通用学习框架。

这篇论文提出 BayesEvolve，一个面向自主科学发现的框架，核心思想是在搜索与实验过程中显式维护“信念状态”，而不是仅依赖黑箱式生成和评估。作者将贝叶斯更新思路引入进化式探索，使系统能够把已有证据、候选假设与不确定性统一表示，并据此动态调整后续探索方向。相比传统自动发现方法，BayesEvolve 更强调可解释性和可积累性：每一步实验结果都会反映到信念分布中，帮助模型更稳健地选择下一轮探索对象。该工作对机器人科学家、自动假设生成与实验设计等方向具有参考价值。

本文研究机器学习中常见的病态线性方程组求解问题，重点关注当直接求解数值不稳定、对噪声极其敏感时，如何借助正则化解进行外推恢复更接近原问题的解。作者从理论与算法两方面分析了正则化参数变化下解的演化规律，并提出利用多个正则化解构造外推估计的方法，以减轻过强正则带来的偏差，同时保持对病态系统的稳定性。该思路对于大规模回归、逆问题、核方法及其他需要处理近奇异矩阵的学习任务具有实际意义。

BrainJanus提出一种统一模型框架，面向脑信号、视觉与语言三种模态，兼顾“理解”和“生成”两类任务。该工作试图把脑数据表征、图像内容建模与语言语义对齐到同一潜空间中，从而支持从脑活动推断感知与语义信息，并反向生成图像或文本等结果。相较于分别训练多模型的方案，这一统一范式有助于降低模态间鸿沟，提升跨模态迁移与联合推理能力，也为脑机接口、认知神经科学和多模态生成提供新的技术路径。

这是 Cloudflare 开源的一个面向编码代理（coding agent）的“安全审计技能”，核心目标是把代码安全审计流程标准化、分阶段化，并产出可机器读取、可独立核验的发现结果。它适合接入具备推理与执行能力的大模型代理，在审计过程中逐步定位潜在漏洞、复核证据并形成结构化输出，减少单次扫描的漏报与误报。项目强调“独立验证”的结果可信度，适用于希望将 AI 引入代码安全检查、漏洞排查和自动化审计工作流的团队，也反映了大模型生态正从通用问答走向专业化、可审计的 Agent 工具链。

这篇综述围绕“常久在线”LLM Agent 展开，系统梳理了智能体在长周期运行中必须处理的三项核心能力：持久记忆、状态维护与治理机制。作者不仅总结了记忆从短期上下文到长期知识库、外部存储与检索增强的演进，也讨论了状态如何在多轮任务、跨会话协作和环境交互中持续更新。进一步地，文章强调了治理的重要性，包括权限控制、行为约束、审计追踪与失控风险防护。该综述适合研究和构建面向真实场景的自治智能体系统，是理解下一代 Agent 基础设施与安全边界的重要入口。

这项研究提出 ManimAgent，一种面向视觉教育场景的自进化多模态智能体框架，目标是让模型自动生成高质量、可解释的教学动画与可视化内容。与传统依赖人工编排的课件制作方式不同，ManimAgent 结合多模态理解、程序生成与迭代反思机制，能够围绕知识点持续优化脚本、画面与讲解逻辑，从而提升教学表达的准确性和生动性。论文强调其“自进化”能力，即智能体可通过反馈不断修正输出，逐步适应不同学科和教育需求，为大模型在教育内容生产、交互式讲解和可视化学习中的应用提供了新路径。

本文面向文本属性图学习，提出 PromptGNN-sim，一种将图神经网络与大语言模型深度融合并显式对齐的框架。该方法针对节点同时具有结构关系与文本语义两类信息的场景，通过协同建模图拓扑与文本表示，弥补传统GNN在语义理解和LLM在结构感知上的短板。作者进一步引入提示式机制与相似性对齐策略，强化两种模型在表示空间中的一致性，从而提升分类、检索等下游任务效果。该工作体现了“图模型+大模型”在异构信息学习中的互补优势。

本文聚焦动作语言智能体在持续学习场景中的能力演进，研究如何在不断接收新动作知识时，兼顾旧知识保留与新任务适应。作者围绕 LoRA 这一参数高效微调方法，考察多种变体在增量动作理解与生成中的表现，试图缓解灾难性遗忘并降低训练成本。文章将动作建模与语言交互结合，强调智能体不仅要“看懂”动作，还要能以语言形式进行解释、生成与迁移。该研究为面向长周期部署的多模态 Agent 提供了方法参考，也为动作基础模型在机器人、虚拟人和人机交互中的持续更新奠定基础。