AI Agent 与大模型中文情报库

该论文提出SSH-Net——一种专为竞争风险场景设计的深度神经网络，可直接建模多类型失效事件（如硬件老化、过热、电源异常）共存时的失效时间分布函数。区别于传统Cox模型或单任务生存分析方法，SSH-Net采用分层共享隐表示结构，在保证各风险路径特异性的同时实现跨风险特征迁移，并引入可微分分位损失优化分布拟合质量。作者基于真实GPU集群运行日志构建了首个公开GPU竞争风险故障数据集（含超12万设备-小时观测），实验表明其在C-index与Brier Score上显著优于SOTA生存模型。研究兼具理论创新性与工程落地价值，为AI基础设施可靠性建模提供了新范式。

该论文从机制层面系统探究持续学习中神经网络如何保留旧任务表征，重点分析稀疏激活、特征叠加（superposition）及灾难性遗忘三者间的动态博弈。作者通过控制实验与神经元级归因分析发现：适度稀疏性可抑制表征干扰，而过度叠加会加剧跨任务混淆；遗忘并非均匀发生，而是集中于高重用率但低任务特异性的神经通路。研究进一步提出「表征韧性指数」（RRI）作为量化指标，并在Split-CIFAR100和Seq-TinyImageNet上验证其与任务保持率的强相关性（r=0.87）。工作为设计抗遗忘架构提供了可解释的理论锚点与实证路径。

该论文针对智能电网中状态估计环节易受虚假数据注入（FDI）攻击的问题，提出一种名为‘伪特征填充’（Pseudo-Feature Padding, PFP）的新型轻量级防御机制。不同于依赖复杂模型或高开销重构的传统方法，PFP通过在原始量测特征空间中引入可控的、统计上合理但物理上不可行的伪特征维度，扰乱攻击者对系统雅可比矩阵的精确建模能力，从而显著提升检测鲁棒性。作者在IEEE 14/30/118节点标准系统上验证了该方法，在保持<0.5%估计误差增量的前提下，将典型FDI攻击的成功率从92%降至不足8%，且推理延迟低于3ms，适用于边缘侧实时防护场景。研究还开源了配套评估框架GridDefend。

该论文针对联邦图学习中各参与方节点特征模态分布严重不均衡（如部分客户端仅有文本模态、另一些仅有图像或时序模态）这一未被充分研究的现实挑战，提出首个系统性解决方案。作者构建了跨模态知识蒸馏驱动的生成式合成框架，利用轻量级模态翻译器将稀缺模态特征映射到统一隐空间，并通过图结构约束下的对抗训练生成高质量合成样本，在保护隐私前提下缓解模态缺失问题。实验在三个真实异构图数据集上验证了方法有效性，相较基线模型平均提升12.7%准确率，同时显著降低通信开销与本地计算负担。该工作为医疗、金融等多源异构图场景下的隐私保护协同建模提供了新思路。

CRAX 是一个专为安全强化学习（Safe RL）设计的新型基准测试平台，旨在解决现有基准在计算开销大、约束建模僵化、环境多样性不足等方面的局限。该框架通过轻量级仿真器、可配置的安全约束接口及标准化评估协议，显著提升实验迭代速度与结果可比性；支持连续控制任务中硬约束（如物理边界、能耗阈值）与软约束（如风险敏感奖励塑形）的统一建模。作者在多个经典控制环境（如SafeHalfCheetah、SafeSwimmer）上验证了其有效性，并开源了完整工具链，推动安全RL算法的公平、可复现与规模化评测。

AutoPass提出一种新型LLM智能体框架，专用于自动化编译器（如LLVM）的性能调优任务。区别于传统黑盒搜索或规则驱动方法，该系统通过构建「证据循环」机制——即在真实硬件上执行候选优化序列、采集性能指标（如IPC、缓存命中率）、将结果结构化为可推理证据，并引导LLM进行因果归因与策略迭代——实现闭环优化。论文在SPEC CPU2017等基准上验证了其有效性，相较Clang -O3平均提升8.2%运行速度，且显著降低人工调参依赖。工作凸显了LLM作为编译优化协作者而非替代者的定位，为AI for Systems领域提供了可解释、可验证的智能体设计范式。

该论文提出一种基于交互轨迹挖掘的自动化技能文档生成框架，专为能直接操作GUI/CLI的计算机使用型AI Agent设计。作者通过捕获Agent在真实软件环境（如VS Code、Terminal）中的多步操作序列，结合动作语义解析与上下文感知聚类，将原始轨迹提炼为结构化、可复用的技能单元，并自动生成符合SKILL.md规范的技能描述文档。该方法显著降低了人工编写技能知识库的成本，提升了Agent技能发现、共享与迁移的效率，在HumanEval-Desktop和ToolBench-UI两个新构建的评估基准上验证了其有效性。研究还开源了轨迹采集工具链与标注规范，推动计算机使用型Agent的工程化落地。

本文针对含公共噪声的均场控制（MFC）问题，提出一种鲁棒Q-learning框架，以应对模型中公共噪声分布的不确定性。作者将不确定性建模为Wasserstein球内的概率分布集合，并在该集合上优化最坏情况下的性能指标；通过构造双层优化结构，将原始无限维鲁棒动态规划问题转化为可计算的策略迭代格式，并证明了算法在适当条件下收敛至鲁棒最优解。技术上融合了Mean-Field Games理论、Wasserstein度量分析与强化学习中的值函数逼近思想，显著提升了算法在模型误设和噪声扰动下的泛化能力。该工作为多智能体系统在部分可观测、分布偏移场景下的鲁棒决策提供了新范式。

该论文从数学分析角度严格证明：在适当构造下，单层循环神经网络（RNN）即使仅含有限隐藏单元，也能以任意精度一致逼近定义在紧集上的任意多元连续函数。作者通过引入时间展开与状态轨迹控制技术，将RNN的动态映射建模为分段仿射函数序列，并结合Stone-Weierstrass定理的推广形式完成证明。研究突破了传统观点中RNN需依赖长序列或无限深度才能实现强表达力的认知局限，为理解RNN的内在表征机制提供了新理论支撑，也对轻量化时序模型设计及可解释性AI研究具有启示意义。

该论文系统研究深度神经网络在过参数化 regime 下训练动态与泛化性能的统计规律，揭示损失曲面几何、梯度噪声结构及参数演化路径如何共同塑造泛化能力。作者通过高斯过程近似、神经正切核（NTK）分析与大规模实证实验，论证了SGD引入的隐式各向异性正则化效应，并指出训练早期阶段的统计稳定性比最终收敛点更能预测泛化差距。研究还提出一种基于Hessian谱与梯度协方差矩阵的泛化界新形式，为理解‘为何大模型不欠拟合’提供了统一统计框架。工作对理解深度学习中的偏差-方差权衡与优化-泛化耦合机制具有基础性意义。

ELVA 是一种新型多模态检索范式，突破传统单任务、单模态对齐的局限，提出以统一排序目标驱动跨文本、图像、音频等模态的联合表征学习。其核心创新在于引入可微分排序损失（Differentiable Ranking Loss）替代常规对比损失，使模型直接优化检索结果的相对序关系；同时设计轻量级模态适配器，实现单一主干网络对任意模态组合的零样本泛化。在 MS-COCO、Flickr30K、AudioCaps 等 7 个基准上全面超越 CLIP、FLAVA 等基线，尤其在跨模态零样本迁移任务中提升 Recall@1 达 12.3%。该工作为构建真正通用、可扩展的多模态搜索引擎提供了新路径。

Lagrange 是一种新型端到端自动驾驶框架，突破传统方法对预定义动作空间或固定语义标签的依赖，支持开放词汇（open-vocabulary）理解与泛化决策。其核心采用能量基模型（EBM）建模驾驶策略，通过稀疏注意力机制降低计算开销，并在多任务联合优化中统一处理感知、规划与控制。该框架在nuScenes和Waymo Open Dataset上验证了跨场景泛化能力，尤其在长尾交通情境（如异常行人轨迹、临时施工区）中显著提升鲁棒性。作者开源全部代码与预训练模型，强调可解释性设计——能量函数输出可映射为驾驶意图置信度，便于安全验证与人机协同。

该论文提出一种新型AI评估框架，专用于自动分析学生手绘的科学概念模型（如光合作用流程图、生态系统能量流示意图等）。区别于传统端到端识别模型，其核心创新在于显式建模评估过程中的不确定性：通过多阶段推理架构分离结构解析、语义对齐与知识一致性验证，并为每项评分维度输出校准后的置信度分数。作者在涵盖生物学、地球科学等6类课程的真实课堂数据集上验证了方法有效性，在专家评分一致性（Krippendorff’s α）上达0.82，显著优于基线模型；同时置信度分数能有效识别高风险误判案例，支持教师进行靶向人工复核。研究强调教育AI中可解释性与人机协同评估的实践路径。

该论文提出「注册鸿沟」（The Register Gap）概念，指尼日利亚多语社会中官方文本（如政策文件、法律公告）与民众日常语言实践之间在语域（register）、语用惯例及意义建构逻辑上的系统性断裂。作者构建了一个融合计算语言学、社会语言学与非洲本土知识论的「意义智能」（Meaning Intelligence）分析框架，基于尼日利亚豪萨语、约鲁巴语、伊博语及尼日利亚皮钦英语的真实语料，识别语域错配如何削弱政策传达效力与公众参与质量。研究强调需超越传统NLP的语法/语义建模，将权力结构、殖民语言遗产与口述传统纳入AI系统设计，为全球南方语境下的负责任AI提供方法论范式。

该研究系统探究了视觉-语言-动作（VLA）模型在机器人操作任务中进行参数高效微调的可行性，发现仅需更新编码器顶层2–4个Transformer块（约占总参数0.5%–2%），即可在Bridge、RT-1等主流基准上达到与全模型微调相当甚至更优的泛化性能。作者通过梯度敏感性分析与跨任务迁移实验验证：底层视觉编码器已具备强鲁棒表征能力，而高层模块才真正承载任务特定的动作策略映射；过度微调底层反而引发灾难性遗忘与域偏移。这一发现挑战了当前VLA模型“全量微调即最优”的实践范式，为边缘端部署与低资源机器人学习提供了轻量化新路径。

本文针对大语言模型（LLM）在推理过程中同时依赖参数化知识（内化于权重）与上下文知识（外部注入）时易产生矛盾的问题，提出一种显式知识冲突解析框架。作者系统分类了参数知识与上下文知识间的四类冲突模式（如事实性抵触、粒度不一致、时效性错位等），并设计可插拔的冲突检测-仲裁-融合三阶段模块，支持在生成前动态校准知识源可信度。实验表明，该方法在FactScore、TruthfulQA及自建冲突基准上显著提升答案一致性与事实准确性，且不依赖模型微调，适用于主流开源与闭源LLM。研究为构建鲁棒、可解释的LLM推理范式提供了新路径。

该论文提出SPOT-E方法，旨在不微调参数的前提下提升冻结视觉语言模型（VLM）在开放词汇推理任务中的鲁棒性与准确性。核心创新在于引入‘视觉聚光灯’（Visual Spotlights）——一种可学习的、空间感知的注意力掩码，动态聚焦图像关键区域；同时结合测试时熵塑形（Test-Time Entropy Shaping），通过调节输出分布的熵值，抑制模型对模糊或无关视觉线索的过度置信。实验表明，SPOT-E在VQAv2、GQA和TextVQA等基准上显著优于标准零样本推理及现有测试时优化方法，且无需额外训练数据或模型更新，契合边缘部署与隐私敏感场景需求。

该论文提出一种新型多智能体架构，专为求解高维、非凸、带复杂等式与不等式约束的多目标优化问题而设计。系统将传统单目标优化范式解耦为分工明确的代理集群：约束验证代理实时监控可行性，梯度引导代理在可行域内探索帕累托前沿，多样性维持代理通过种群熵调控避免早熟收敛。作者在工程设计（如航天器热控参数调优）与运筹调度（带时间窗与资源冲突的柔性车间调度）等6个基准任务上验证了方法有效性，相较MOEA/D和NSGA-II，在约束违反率降低42%的同时，超体积指标提升27%。研究还开源了基于Ray的轻量级框架MA-MOCO，支持异构代理动态注册与分布式策略协同。

该论文提出QMFOL——首个面向大语言模型（LLM）推理能力的结构化评测框架，核心创新在于将复杂推理任务形式化为可量化的单子一阶逻辑（Monadic First-Order Logic）表达式，并自动生成具有严格语义覆盖度与难度梯度的测试用例。区别于现有黑盒评测（如MMLU、GSM8K），QMFOL通过逻辑公式约束输入输出关系，支持细粒度归因分析（如量化模型在量词嵌套、谓词组合、否定推理等维度的表现差异），已在12个主流开源与闭源LLM上完成验证，揭示了当前模型在形式化逻辑推理中普遍存在的系统性缺陷。论文同时开源测试生成工具链与评估协议。

CzechDocs 是首个专为捷克共和国境内少数语言（如罗姆语、德语、波兰语等）构建的多向平行文档数据集，涵盖PDF扫描件、OCR文本、结构化HTML与语义标注四层对齐。该数据集填补了东欧小语种高质量文档理解研究的空白，特别支持文档布局分析、多语言OCR及跨语言信息抽取等任务。作者团队联合捷克国家档案馆与少数民族社区采集并人工校验超1200份历史与行政文档，所有数据均遵循GDPR规范脱敏处理，并提供开源工具链实现格式转换与基准评测。其设计兼顾语言多样性与文档真实性，为低资源语言的AI Agent文档智能提供关键基础设施支撑。

该论文提出FlowMaps框架，首次将流匹配（Flow Matching）范式系统性引入长时序、多模态（如RGB+深度+运动矢量）物体动态建模任务。区别于传统扩散模型或自回归方法，FlowMaps通过构造可微分的连续时间隐空间流场，直接学习从噪声分布到真实多模态轨迹的确定性映射，在保持生成质量的同时显著提升采样效率与跨模态一致性。作者在KITTI-360、nuScenes等自动驾驶数据集上验证了其对车辆、行人长达数秒运动轨迹的高保真预测能力，并展示了在遮挡恢复、跨传感器补全等下游任务中的泛化优势。工作为具身智能体的环境动态理解提供了新范式。

该研究系统检验了将心理学量表（如大五人格、MBTI）直接施用于大语言模型所生成的“人格特征”是否具有实质意义。作者发现，模型输出对提示词措辞、上下文长度、温度参数等技术变量高度敏感，同一模型在不同测量条件下可呈现截然不同的“人格剖面”；而跨模型比较亦缺乏收敛性与可复现性。研究指出，当前主流评估范式混淆了语言模仿能力与真实心理结构，将统计模式匹配误读为内在特质表征，本质上是一种方法论层面的测量伪影。论文呼吁建立面向AI系统的专属行为评估框架，而非沿用人类中心的心理学工具。

该论文发布了一个高质量、跨风格的单声部乐谱数据集，涵盖爵士标准曲的和弦进行标注（pitch-spelled lead sheets）、专业爵士乐手即兴独奏的精确音高与节奏转录、巴赫等作曲家的古典钢琴单声部乐谱，以及经人工校验的单音旋律谱。所有乐谱均采用规范的MIDI音高拼写（如F♯而非G♭），支持调性感知建模；数据经过结构化清洗与对齐，可直接用于训练音乐大模型、AI作曲Agent或乐谱理解系统。作者强调其在音高语义一致性、风格覆盖广度及标注可信度三方面的突破，填补了当前开源音乐数据集中调性敏感型单声部资源的空白。

该论文提出HilDA（Hierarchical Distillation with Diffusion for Advancing Self-Supervised LiDAR Pre-training），一种面向稀疏、无序点云的新型自监督预训练框架。针对现有LiDAR表征学习中伪标签噪声大、层次语义建模弱等问题，HilDA创新性地将扩散模型引入知识蒸馏流程：以教师网络生成的多尺度结构化伪点云为监督信号，通过分层扩散去噪过程引导学生网络学习鲁棒的空间几何与语义先验。在SemanticKITTI和nuScenes等主流基准上，HilDA显著提升下游分割与检测任务性能，且仅需单帧输入，无需额外标注或配对数据。该工作为点云自监督学习提供了可扩展、高保真的新范式。

该论文首次系统揭示了量子核方法（Quantum Kernel Methods）在视觉任务中泛化性能的核心决定因素——并非量子电路深度或希尔伯特空间维度，而是由训练数据与量子特征映射共同诱导出的「有效维度」（Effective Dimension）。作者通过理论推导与CIFAR-10等基准实验验证：有效维度越低，模型越不易过拟合；其与泛化误差呈强负相关，且可被高效估计。这一发现突破了传统量子机器学习中对“高维表征即强表达力”的直觉认知，为量子视觉模型的设计提供了可量化、可优化的新准则，并架起了量子核方法与经典统计学习理论（如Rademacher复杂度）之间的关键桥梁。

该研究首次系统考察了面向遥感图像的多模态大语言模型（RS-MLLMs）在处理否定语义（如“无云”“非耕地”“未发生火灾”）时的表现缺陷。作者构建了首个遥感领域专用否定理解评测基准NegRS，涵盖图像-文本对齐、视觉推理与指令遵循三类任务，并发现主流RS-MLLMs在否定表达上普遍存在30%以上的准确率下降。研究进一步提出NegTune方法，通过否定感知的对比微调与反事实数据增强，在不增加推理开销的前提下显著提升模型鲁棒性。实验表明，优化后模型在NegRS上平均提升22.6%，且泛化至下游变化检测与异常识别任务。本工作揭示了地理空间AI中被长期忽视的语言逻辑鸿沟问题。

PilotDeck 是由清华大学 OpenBMB 团队开源的 AI Agent 生产力平台，专为构建任务导向型智能体（Task-oriented AI Agents）而设计。它提供可视化编排界面、多模型协同调度、可复用的工具链（如网页搜索、代码执行、文档解析等）以及完整的调试与评估能力，显著降低复杂 Agent 应用的开发门槛。平台基于 TypeScript 构建，支持与主流大模型（如 Qwen、GLM、Llama 系列）及本地/云服务工具无缝集成，适用于自动化办公、智能客服、科研辅助等场景。其核心理念是将 Agent 开发从‘写提示词’升级为‘工程化构建’，强调可解释性、可追踪性与可部署性。项目已应用于多个高校与企业实验环境，并持续迭代中。

BuilderIO Skills 是一个开源 JavaScript 工具集，专为编码类 AI Agent（如代码生成、调试与重构助手）设计，提供标准化、可组合的「技能」模块——例如文件操作、Git 交互、终端执行、HTTP 调用等。它采用轻量级函数式接口，支持与 LangChain、LlamaIndex 等主流 Agent 框架集成，并内置类型安全与错误处理机制。项目强调开发者友好性：每个技能均附带清晰文档、单元测试及真实场景示例，便于快速验证与扩展。其设计理念源于对当前 Agent 开发中重复造轮、能力碎片化问题的回应，旨在构建可共享、可审计、可演进的技能生态，推动编程 Agent 从实验原型走向工程化落地。

示例条目：LangGraph 新增状态持久化与子图能力，便于长流程 Agent 的中断恢复。

OpenAI联合多家学术与产业机构推出LifeSciBench，这是首个专为生命科学领域设计的综合性大语言模型评测基准。该基准涵盖蛋白质结构预测、基因组序列理解、生物医学文献推理、实验方案生成等12项任务，强调模型在真实科研场景中的推理能力、多步逻辑链构建及跨模态知识整合，而非单纯事实检索。其数据集全部来自经同行评审的论文、公开数据库（如UniProt、ClinVar）及专家标注，包含大量需领域常识与上下文推断的复杂问题。OpenAI强调，该基准旨在推动AI在药物发现、精准医疗等关键方向的可信落地，并已向研究社区开源评估框架与基线结果。