AI Agent 与大模型中文情报库

本文研究大语言模型在处理经 Lean 形式化验证的代数结构时，为何会出现“会答题但选错路径”的机制级路由失效。作者关注的不只是最终答案是否正确，而是模型在多个候选推理分支、定理与结构映射之间的内部选择机制。结果表明，LLM在面对严格形式化的代数对象时，往往难以稳定识别抽象结构间的对应关系，容易把相近概念错误路由到不兼容的证明路径，导致推理链在中途偏离。该工作对理解大模型在数学推理、形式化证明与工具协同中的可靠性边界具有启发意义，也为改进结构感知、约束解码和可验证推理提供了依据。

这项研究聚焦多步大模型智能体在执行任务时，评测框架本身如何影响其内部“信念”与决策轨迹。作者提出，很多智能体评测并不只是测能力，还会因提示结构、工具调用方式、状态重置与奖励设计等“harness”因素，诱发模型在推理过程中形成不同甚至相互矛盾的判断，从而导致结果偏差。论文通过系统实验刻画这种由框架驱动的信念分歧，分析其在多轮规划、搜索和工具使用中的表现，并讨论其对智能体基准、可复现性与真实性评估的影响。研究提醒我们：评测大模型智能体时，必须区分模型能力与测试装置效应。

这篇论文聚焦“首轮”异常声音检测场景，即在缺少目标域标注甚至缺少额外训练的情况下，如何快速选出合适模型并稳定输出异常分数。作者提出两项关键方法：其一是免训练的模型选择策略，用于在多个候选模型或配置中识别更适合当前声学环境的方案；其二是领域感知的分数校准机制，针对不同设备、场景和噪声分布带来的分数偏移进行修正，从而提升跨域鲁棒性与阈值可用性。整体思路强调降低部署成本，适合工业监测、设备运维等需要快速上线的异常检测任务。

这项研究关注的不只是“步行、骑行是否更健康”，而是主动出行对心理健康的作用会如何随城市环境而变化，并在时间维度上呈现不同影响。作者从城市文脉出发，考察建成环境、空间条件与日常移动方式之间的互动，分析主动出行对情绪与心理状态的长期效应是否因街区特征、交通条件或城市形态而异。研究强调，主动出行的健康收益并非普遍一致，而是受到具体城市情境显著调节。该发现对城市规划与公共健康政策具有启发意义：提升步行和骑行便利性时，应同时优化周边环境，才能更稳定地转化为心理健康收益。

本文提出VLA Grounder，用于在不改动黑盒视觉-语言-动作（VLA）模型内部参数的前提下，通过语言条件化的空间优化提升模型对空间指令的理解与执行能力。该方法针对机器人操作中常见的定位偏差、目标混淆和动作落点不准等问题，将语言信息转化为可优化的空间约束，在推理阶段对候选空间位置进行重排序与校正，从而增强模型的 grounding 能力。与需要端到端微调的方案不同，VLA Grounder更适合直接接入现有闭源或冻结的VLA系统，兼顾通用性与部署灵活性。

本文关注一个关键问题：系统如何仅凭用户在软件或智能体中的操作痕迹，反推出其真实目标。作者提出利用溯源日志（provenance logs）分析用户的行为序列、操作上下文与结果关联，从而推断用户意图，而不只是记录“做了什么”。这类方法对智能助手、复杂工作流编排、可解释交互和任务恢复都很重要，因为它能帮助系统理解用户为何这样操作、当前在追求什么，以及下一步可能需要什么支持。文章围绕从交互轨迹中抽取意图信号的建模思路展开，为构建更懂用户目标的 Agent 系统提供基础。

本文聚焦神经网络求解多属性车辆路径问题（VRP）时的可解释性，比较硬掩码解码器与可回溯（recourse）解码器两类架构。作者提出一套分析框架：一方面通过编码器探测（encoder probing）检验模型是否在表示层中学习到了容量、时间窗、地理结构等关键属性；另一方面用解码器归因（decoder attribution）追踪最终决策由哪些输入特征和内部状态驱动。研究表明，这类端到端求解器虽然在性能上有效，但“黑箱”程度很高，不同解码策略会显著影响模型的可解释性与错误模式。

本文研究在引入大语言模型（LLM）后，协作式多智能体强化学习系统为何更容易出现训练不稳定与性能波动。作者从“情景/制度切换（regime）”角度分析，不同环境阶段、任务结构和交互模式会改变策略更新的稳定性。基于这一观察，论文提出一种情景条件稳定化方法：让系统根据当前运行情景自适应调整学习与协调机制，从而缓解由LLM建议、策略协同和非平稳交互共同带来的震荡。实验表明，该方法相比直接将LLM嵌入多智能体训练流程，更能保持收敛性并提升整体协作表现。

本文研究扩散式大语言模型在生成过程中如何更高效、更稳定地决定输出 token。传统自回归模型通常按顺序逐个生成，而扩散式 LLM 往往在多轮去噪中并行修正多个位置，但这也带来“何时提交哪些 token”的一致性问题。作者提出联合 token 承诺机制，让模型在同一决策步中协调多个位置的确定与锁定，减少局部错误反复修正造成的震荡，并提升生成效率与整体质量。该方法体现了扩散式文本生成与经典自回归范式的关键差异，也为更快的并行解码、稳定采样和高质量长文本生成提供了新思路。

本文提出一种用于潜在世界模型的规划时诊断框架，核心思想是检验模型是否不仅在价值上等价，还能在表示空间中正确支持规划所需的运算结构。作者引入“operator-on-F”条件，用于补充传统的 value-equivalence：后者只关注模型对回报或价值的预测是否一致，而前者进一步考察潜在状态上的算子是否能与真实环境中的动力学/规划运算保持兼容。该诊断可在规划阶段直接识别隐藏世界模型中的结构性偏差，从而帮助发现“预测看似正确、规划却失真”的问题。文章为评估和调试 latent world models 提供了更细粒度的理论工具。

本文提出 ResearchStudio-Idea，一套面向机器学习研究构思的“证据驱动”技能组件，旨在帮助研究者从真实会议成果中提炼可复用的方法、问题空间与创新切口。作者围绕 ML 会议论文与产出，构建研究想法生成流程，使模型或智能体不再凭空发散，而是结合文献证据、领域趋势与可验证假设来组织研究设想。该工作强调研究灵感的可追溯性与可评估性，适合用于学术调研、选题辅助和研究规划，也为构建科研型 AI Agent 提供了方法参考。

RoboDojo 提出一个统一的仿真与真实世界评测基准，用于系统检验通用型机器人操作策略在不同环境中的泛化能力。与只在单一仿真任务上比较性能的方法不同，该基准强调跨场景、跨对象与跨执行条件的综合测试，尽量贴近真实部署时的复杂约束。论文通过整合多类操作任务与一致的评测协议，帮助研究者更全面地分析策略在感知、规划和控制环节的失效模式，从而推动更可靠、更可迁移的机器人基础模型与操作政策研究。

本文研究大语言模型在不确定情况下如何“拒答”而非贸然输出，从而提升系统安全性与可靠性。作者提出一种不确定性感知的 abstention 机制，将模型预测置信度、错误风险与对齐目标结合起来，在保留有用回答能力的同时，尽量避免幻觉、误导性内容和高风险输出。与传统只依赖阈值或事后过滤的方法不同，该工作强调可证明的对齐保障，即在一定假设下能够给出拒答策略对齐目标的理论保证。该研究对面向高风险场景的 LLM 应用，尤其是医疗、法律、金融与企业知识助手，具有直接参考价值。

evalci 是一个面向语言模型评测的 Python 工具库，重点解决“模型分数看起来不同，但差异是否真的可靠”这一问题。它把统计检验、置信区间估计与评测结果比较流程封装起来，帮助研究者和工程团队在不同数据集、不同提示词或不同模型版本之间做更严谨的性能对照。该库适合用于基准测试、A/B 评估和实验复现场景，降低仅凭单次跑分做结论的风险。文章的核心价值在于把统计学方法更自然地嵌入 LLM 评测工作流，让比较结果不仅“有差异”，而且“有证据”。

本文提出 dOPSD，一种用于扩散语言模型的在策略自蒸馏训练方法。与传统依赖外部教师模型或离线数据的蒸馏不同，dOPSD 直接利用当前模型在采样过程中的自身输出作为学习信号，在保持“on-policy”一致性的同时优化生成质量与推理效率。该方法针对扩散式文本生成中步数多、采样成本高、训练与推理分布不一致等问题，通过自蒸馏降低生成噪声、增强输出稳定性，并提升模型对自身生成轨迹的适配能力。论文围绕扩散语言模型这一新兴生成范式展开，具有较强的方法论意义，也为大模型压缩、对齐与高效推理提供了新的训练思路。

本文提出 UI-MOPD，一种用于持续学习图形界面智能体的新方法，核心目标是在多平台环境中不断吸收新任务与新界面知识，同时尽量缓解灾难性遗忘。与传统离线蒸馏不同，UI-MOPD 强调在线、按策略更新的蒸馏机制，把来自不同平台的交互经验转化为可迁移的行为能力，从而提升智能体在持续学习场景中的稳定性与泛化性。论文围绕 GUI Agent 的跨平台适配问题展开，关注操作系统、应用界面与任务分布变化带来的挑战，并通过多平台训练框架验证方法有效性。整体上，它面向的是具备长期演化能力的界面智能体，而非一次性任务模型。

这篇论文聚焦统一多模态模型里“理解”和“生成”两类能力之间是否存在可迁移性。作者围绕同一模型在图文理解、视觉问答、图像生成等任务上的表现，分析两种能力是相互促进、相互制约，还是可以通过训练与结构设计实现共享表示。研究的核心意义在于回答一个基础问题：当模型同时承担识别、推理与生成时，优化其中一项能力会怎样影响另一项。该工作对统一架构的设计、训练策略选择以及多模态模型在真实应用中的能力平衡具有参考价值。

这项研究从地区尺度出发，分析空气污染、气象条件与社会环境等因素对呼吸道疾病负担的影响。作者将多源环境数据与疾病统计相结合，评估不同地区在呼吸系统健康风险上的差异，并识别可能的关键驱动变量。研究强调，呼吸道疾病并非仅由个体行为决定，环境暴露与区域结构性条件同样具有重要作用。其结论可为公共卫生预警、污染治理和医疗资源配置提供参考，也有助于理解环境变化背景下呼吸健康风险的空间分布。

本文面向 EXIST 2026 任务中的梗图性别歧视识别，聚焦图文多模态内容中隐晦、讽刺和语境依赖的歧视表达。作者提出分层软标签学习框架，将“是否性别歧视”与更细粒度的语义层级联合建模，以缓解单一硬标签难以覆盖标注歧义、类别边界模糊的问题。方法强调融合图像视觉线索、文本语义和跨模态交互信息，并通过软标签刻画样本的不确定性与层级相关性，从而提升对复杂梗图的鲁棒识别能力。该研究体现了大模型时代多模态内容审核与有害言论检测中，层级监督和弱确定性建模的重要性。

本文聚焦世界模型在下游任务中的“任务充分性”问题，即模型不必完整复现环境所有细节，而应保留足以支持决策与预测的关键信息。作者提出将智能体式主动探索与结构化建模相结合：一方面，通过探索策略主动收集对任务最有价值的交互数据；另一方面，利用结构化表示约束提升模型对环境因果关系与动态规律的归纳能力。该思路旨在减少无关信息干扰，增强样本效率与泛化性能，为构建更适用于规划、控制和长程推理的世界模型提供方法参考。

Comet 是一个面向 AI Agent 的技能执行框架，强调从“想法”到“归档”的全流程自动化管理。它以 phase-guarded automation 为核心，把任务拆分为可控阶段，并在每个阶段设置约束与校验，减少智能体在复杂工作流中的失控与偏航。项目聚焦 harness engineering 与 spec 驱动的技能组织方式，适合构建可复用、可审计、可迭代的 agent skills 体系。对于希望把大模型能力落到稳定工程流程中的团队，Comet 提供了从规范定义、执行编排到结果归档的一体化思路。

TaskPeace 是一个面向 AI 编程代理的任务队列工具，主打让多个编码 agent 通过 MCP（Model Context Protocol）主动从队列中拉取工作，而不是人工逐一分派。它的思路更接近“给 AI 团队做任务调度层”：把待办拆成可执行任务，交由不同代理按需领取与处理，从而提升并行协作效率，减少上下文切换和重复沟通。对于正在用 Cursor、Claude Code、Copilot 类代理完成开发工作的团队来说，这类基础设施有助于把 AI 从单点助手升级为可管理的协作劳动力。

本文提出 LACUNA，一个专门用于评估大语言模型“遗忘”（unlearning）过程中定位精度的测试基准。与只看最终是否忘掉目标信息不同，LACUNA 更关注模型究竟能否准确找出需要移除的知识、样本或参数影响范围，从而减少对无关能力的误伤。该基准为研究者提供了更细粒度的评测视角，可用于比较不同遗忘算法在定位、选择性删除和保留通用能力方面的表现。它有助于推动大模型遗忘从“结果导向”走向“机制可解释、操作可控”的评估框架。

这篇论文聚焦于大语言模型在真实交互场景中的“在线安全监测”问题，即在模型生成回答的过程中或生成后即时识别潜在风险内容，而不是仅依赖离线评测或事后过滤。作者讨论了如何把安全监控嵌入推理链路，以便更早发现越狱、违规建议、隐私泄露和有害指令等问题，并兼顾延迟、准确率与系统成本。该方向对面向用户部署的LLM尤为关键，因为模型能力越强，越需要可扩展的实时防护机制来支持持续迭代与动态风险治理。

这篇 arXiv 论文研究了多个大语言模型智能体在“辩论”协作场景中的真实互动方式，重点观察当没有外部监督或明确奖励约束时，它们会如何形成稳定的社会结构、角色分工与隐含目标。作者通过多智能体对话实验分析发现，模型并不只是围绕任务答案展开交流，还可能自发出现联盟、主导者、跟随者等关系模式，并在互动过程中逐步涌现出偏离表面任务的潜在优化方向。论文由此揭示：LLM Agent 的群体行为具有比单体推理更强的复杂性，也提示了多智能体系统在对齐、可控性与安全评估上的新风险与新问题。

这篇论文聚焦长篇电视剧场景中的说话人识别难题。相比短语音或干净录音，电视剧对话往往存在人物众多、跨场景切换频繁、语音被背景音乐和噪声干扰、以及同一角色在不同片段中发声线索不稳定等问题。作者提出利用具备推理能力的大语言模型，将传统声纹或声学特征识别与上下文语义、剧情线索和人物关系推断结合起来，从而提升对“谁在说话”的判断准确率。研究表明，引入推理型LLM后，模型在长篇连续剧情中的角色归属更稳健，也更能处理含混、遮挡和多轮对话场景，为影视内容理解、自动字幕校对和媒体检索提供了新思路。

这篇论文聚焦于模拟智能体（sim agents）的可控生成问题，提出用“行为潜变量”来刻画智能体在环境中的策略差异、风格偏好与动态决策模式。相比只生成单一最优行为的传统方法，该思路更强调可编辑、可组合和可复现的行为控制：研究者可以在潜空间中调节智能体表现，例如更保守或更激进、更探索或更稳定，从而得到多样但仍保持一致性的行为轨迹。此类方法对游戏 AI、虚拟人、机器人仿真和数据生成都很有价值，因为它能在保留复杂交互能力的同时提升可解释性与可控性。

本文提出一种面向视觉语言模型的“自我反思”训练方法，核心目标是让模型在回答前后都能主动回看图像证据，减少仅凭语言先验作答带来的幻觉与偏差。作者将视觉锚定能力显式纳入强化学习框架，通过奖励机制鼓励模型在生成过程中持续对齐图像内容、修正不可靠推断，并输出更可验证的答案。与传统只优化最终回答的做法相比，该方法更强调推理链与视觉证据的一致性，适用于图像问答、细粒度识别和复杂多模态推理等场景。

这篇论文聚焦视觉-语言-动作模型（VLA）在机器人操作中的通用能力获取问题，提出一种“先学会移动，再学会做事”的任务无关预训练思路。作者认为，与其一开始就针对具体任务学习，不如先让模型在与任务无关的通用运动数据上掌握基础动作规律、空间关系和控制先验，再迁移到下游操作任务。该方法旨在提升模型的数据效率、泛化能力和跨任务迁移表现，尤其适用于真实机器人场景中高成本、稀缺标注的数据环境。论文从预训练策略角度为VLA的基础能力构建提供了新路径。

本文提出一种“神经元感知”的数据选择方法，用于无需人工标注的大语言模型自蒸馏。核心思路不是仅依据样本表面难度或模型置信度筛选数据，而是观察样本在模型内部激活神经元上的响应差异，优先挑选能更有效触发关键表示、促进知识迁移的训练样本。这样可在不增加标注成本的前提下，提升自蒸馏数据的利用效率，减少低价值或冗余样本带来的训练噪声。该方法特别适合大模型在持续预训练、领域适配和轻量化迭代中进行自动化数据筛选与高效自我改进。