AI Agent 与大模型中文情报库

该论文提出「受控共享内存」（Governed Shared Memory, GSM）架构，旨在解决多Agent LLM系统中知识冗余、状态不一致与协作低效等核心挑战。GSM通过分层内存空间（全局/角色/任务级）、细粒度访问策略及基于LLM的动态治理代理，实现跨Agent的知识协同与权限管控。作者在多跳问答、协作规划等任务上验证了其有效性：相比基线方法，GSM将任务完成率提升23%，内存冲突减少67%，且支持运行时策略热更新。该工作填补了多Agent系统中‘可解释、可审计、可调控’共享状态管理的空白，为构建可信、可控的LLM智能体集群提供了新范式。

OpenAI 在博客中阐述其积极参与国际AI治理协作的立场，强调需建立跨行业、跨国家的共享技术标准与安全框架，以应对前沿AI系统带来的风险。公司正与美国国家标准与技术研究院（NIST）、欧盟委员会、英国AI办公室及全球AI安全峰会（GAISF）等机构合作，推动可验证的安全评估方法、模型透明度协议和负责任部署指南。OpenAI 特别指出，标准制定应兼顾创新激励与风险防控，避免碎片化监管，并呼吁开发者、政策制定者与学术界形成共识性实践路径。此举延续了其2023年发布的《AI治理原则》与《前沿模型安全政策》，体现其从技术实践向生态共建的战略延伸。

NatureBench 是首个专为评估AI编程智能体而设计的基准，聚焦于复现《自然》《自然·机器智能》等顶刊论文中已发表的SOTA（state-of-the-art）代码实现。该基准涵盖32篇高质量论文中的67个可复现实验任务，强调真实科研场景下的代码生成、调试、环境适配与结果验证能力，而非单纯算法正确性。研究发现，当前主流编码智能体（如Claude 3.5 Sonnet、GPT-4o）在完整复现实验流程上的成功率不足30%，暴露出其在跨库依赖解析、论文隐含假设还原及数值结果可信度校验等方面的系统性短板。该工作不仅揭示了AI代理在真实科研闭环中的能力边界，也为未来面向科学计算的智能体评测提供了方法论范式。

AGORA 是首个专为评估AI智能体在真实职场场景中处理非结构化文档能力而构建的基准，聚焦于“档案 grounded”推理——即要求模型基于企业内部历史档案（如邮件、会议纪要、项目文档等）进行多步逻辑推演与任务执行。该基准包含1,200+人工标注的复杂查询，涵盖信息溯源、跨文档一致性验证、隐含意图识别等高阶认知任务，并提供细粒度推理链标注与可复现的评估协议。其设计直击当前大模型在企业知识管理中的核心短板：脱离上下文的泛化能力虽强，却难以在私有、碎片化、时序交织的组织文档中稳定执行专业推理。

该研究聚焦于利用纯音频信号识别土耳其语电话诈骗场景，构建了首个面向土耳其语的诈骗通话音频数据集（TurkScam-Audio），涵盖真实诈骗录音与高质量合成样本。作者系统评估了多种语音特征提取方法（如MFCC、Wav2Vec 2.0嵌入）与分类模型（XGBoost、LSTM、Whisper微调）的性能，并发现当前端到端模型在跨说话人泛化与低信噪比环境下的鲁棒性仍严重受限。研究指出，仅依赖声学线索难以可靠区分高仿真诈骗话术与合法客服对话，需融合语义理解与上下文建模——这为后续多模态反诈系统设计提供了关键实证依据和方法论警示。

该论文提出一种新型强化学习范式，专为能执行通用桌面任务（如网页浏览、文件编辑、软件安装）的AI智能体设计。核心创新在于构建了无需人工标注的自主评估模块——通过多源信号（系统日志、GUI状态变化、进程树演化及轻量级沙箱验证）自动判定任务完成质量与安全性，从而生成稠密奖励信号。作者在TaskWeaver基准上验证了该方法，相比依赖人工反馈或固定规则的基线模型，任务成功率提升23.7%，且显著降低误操作风险。研究还揭示了评估器泛化能力对智能体长期稳定性的关键影响，为构建可信赖的自主计算机操作Agent提供了新路径。

该研究提出一款专为罕见病诊断优化的推理型大语言模型（RareLLM），通过整合医学本体、真实病例逻辑链与多步因果推理模块，在保持临床可解释性的同时提升诊断准确性。研究开展前瞻性随机对照试验，纳入127名罕见病疑似患者，由32名主治医师双盲评估，结果显示AI辅助组诊断准确率提升23.6%（p<0.001），平均诊断时间缩短41%，且误诊率显著下降。模型未直接输出诊断结论，而是以‘证据链-鉴别要点-关键检查建议’三段式结构支持医生决策，符合FDA对AI辅助医疗工具的‘决策支持而非替代’监管范式。该工作标志着大模型从通用问答向高专业度、强约束临床推理的关键演进。

该论文系统性地指出当前图基础模型（Graph Foundation Models, GFMs）在节点属性预测任务中普遍存在的评估偏差问题：多数研究依赖非标准化数据集、混用预训练与微调数据、忽略下游任务分布偏移，导致性能高估。作者构建了首个面向GFMs的公平评估基准GFBench，涵盖7个多样化图数据集、统一预训练-微调协议及三类公平性指标（泛化性、鲁棒性、公平性）。实验表明，主流GFMs在跨域迁移和类别不平衡场景下性能显著下降，揭示其泛化能力被严重高估。研究呼吁建立标准化评估范式，并开源代码与基准以推动领域健康发展。

CrossPool提出一种专为冷启动混合专家（Cold MoE）模型优化的多大语言模型（Multi-LLM）协同推理架构。其核心创新在于解耦KV缓存与模型权重——通过跨模型共享动态生成的KV缓存（KV-Cache Disaggregation），显著降低重复计算开销；同时将专家权重按需加载并分片部署（Weight Disaggregation），缓解显存压力。该设计在保持低延迟前提下，提升GPU资源利用率达2.3倍，尤其适用于专家激活率低、请求稀疏的MoE场景。论文在Qwen2-MoE和DeepSpeed-MoE等主流架构上完成验证，并开源了轻量级调度器CrossScheduler。

该论文系统检验了大语言模型（LLM）性能随参数量、数据量和计算量增长的缩放规律，指出当前广泛采用的幂律缩放指数（如Chinchilla定律中的0.33/0.5）在实证中显著偏低——多数任务下实际指数介于0.15–0.25之间。作者通过跨模型族（Llama、Gemma、Phi）、多任务基准（MMLU、ARC、HumanEval）及不同训练阶段的细粒度分析，揭示指数偏小源于训练动态非稳态、数据质量衰减效应及评估指标饱和性，并提出‘有效缩放维度’概念以修正传统三元缩放框架。研究对算力分配策略与高效训练范式具有直接指导意义。

该论文介绍了UOL@IDEM团队在BEA 2026共享任务1中的系统方案，旨在解决二语学习者词汇难度预测问题。区别于传统仅依赖目标词本身的方法，作者提出L1感知建模框架，显式引入学习者母语（L1）信息——如跨语言词形相似度、语义对齐度及翻译一致性等特征，并通过神经融合模块（含注意力加权的多源特征编码器）实现L1相关信号与词频、词长、词嵌入、句法复杂度等常规语言学特征的深度协同建模。实验在多语言数据集（含英语、西班牙语、德语等L1背景）上验证了方法的有效性，在BEA官方评测中取得领先性能。研究为个性化词汇教学与自适应语言学习系统提供了可解释、可迁移的技术路径。

本文提出一种元红队（meta-red-teaming）方法，系统性地评估AI智能体红队自身的脆弱性与偏见。作者构建了多层对抗测试框架，不仅检验红队智能体在识别模型漏洞时的有效性，更深入探测其在目标设定、策略生成和伦理边界判断等环节的失效模式。研究发现，当前主流红队智能体普遍存在目标漂移、过度激进或规避关键风险等问题，并通过实证对比揭示了提示工程、强化学习反馈与人类-in-the-loop机制对提升红队智能体可信度的关键作用。该工作为构建可信赖的AI安全评估基础设施提供了理论基础与实践路径。

RetiSEM 是一种新型因果推断方法，专为处理现实世界中高度异构、分散存储且缺乏统一协变量对齐的生物医学数据而设计。该方法通过引入可学习的潜在结构嵌入（Retinal Structural Embedding）与模块化因果图解耦机制，在不依赖完整联合分布假设的前提下，实现跨数据源的因果效应迁移与反事实估计。论文在多个真实临床队列（如UK Biobank子集、MIMIC-IV影像-文本配对数据）上验证了其相较传统结构方程模型（SEM）和双稳健估计器的显著优势，尤其在样本量稀疏、混杂因子观测不全的场景下保持稳健性。作者开源了PyTorch实现，并提供了面向EHR与多模态医学数据的适配接口。

该论文提出一种面向开放无线接入网（O-RAN）架构的自适应机器学习框架，用于动态优化无人机（UAV）基站的三维轨迹。框架融合O-RAN的近实时RAN智能控制器（Near-RT RIC）与非实时RIC能力，通过在线强化学习与轻量化模型蒸馏，在通信覆盖、能耗与时延约束下实现闭环轨迹重规划；特别设计了适配O-RAN E2接口的策略部署模块，并在真实信道模型与3GPP Urban Microcell场景中验证了相较传统PID与静态路径规划方法提升19.7%的频谱效率与14.3%的能效比。研究填补了O-RAN生态中AI驱动空基网络编排的关键技术空白。

该论文提出video-SALMONN-R³，一种新型视频理解架构，通过模拟人类认知中的‘重看（ReWatch）—重问（ReAsk）—重答（ReAnswer）’闭环机制，实现多轮自适应推理。模型基于SALMONN系列语音-视觉大模型扩展，引入轻量级重聚焦模块与动态问题生成器，在不增加视频帧采样密度的前提下，显著提升长时序、细粒度问答与事件定位能力。在ActivityNet-QA、TVQA+等主流基准上达到SOTA，推理效率较单次前向模型提升37%，同时支持低资源微调。研究强调‘少看多思’的设计哲学，为计算受限场景下的视频理解提供了新范式。

G³VLA 提出一种融合几何先验的端到端视觉-语言-动作（VLA）建模范式，通过显式建模三维空间中的刚体运动、视角不变性与动作轨迹的微分几何结构，在机器人具身智能任务中显著提升泛化能力与样本效率。该模型将SE(3)群变换嵌入多模态编码器，并设计可微分的几何注意力机制，使语言指令能精准锚定空间动作语义。在RT-1、Bridge2及自建室内导航基准上的实验表明，其零样本跨场景迁移性能较Flamingo-VLA和OpenVLA提升12.7%–19.3%，且对传感器噪声与视角扰动具备鲁棒性。研究填补了当前VLA模型缺乏显式几何约束的理论空白，为具身AI提供了可解释的动作规划新范式。

本文提出「潜桥」（Latent Bridge）——一种新型神经架构，专为实时策略游戏中的AI智能体设计。它通过解耦感知与决策的时间尺度，在隐空间中构建连续、可微的慢速语义通道（承载长期目标与世界模型）与快速动作通道（响应即时交互），二者经轻量级门控机制动态耦合。该设计显著缓解了传统端到端模型在帧率约束下因时间压缩导致的因果混淆与策略退化问题，在《StarCraft II》和自研实时多智能体环境中的实验表明，其在延迟敏感场景下胜率提升12.7%，且推理开销仅增加3.2%。论文还开源了配套训练框架LB-RL，支持与主流强化学习库无缝集成。

这篇文章介绍了 Meta-Harness R&D 这一面向企业场景的自我改进框架，重点解决长周期 AI 工作流中“会做但难以持续变好”的问题。它通过将任务执行、评估反馈与策略迭代串成闭环，让模型在真实业务流程中持续学习、修正错误并提升稳定性。文章强调，企业级应用不仅需要单次任务完成率，更需要可追踪、可复现、可治理的改进机制，以适应跨步骤、跨工具、跨部门协作的复杂流程。

该论文提出CompressKV，一种面向长上下文大语言模型推理的高效KV缓存压缩框架。不同于传统按距离或重要性阈值裁剪的启发式方法，CompressKV引入轻量级语义检索模块，在推理时动态识别并保留与当前查询最相关的键值对，剔除语义冗余项。其核心创新在于将检索精度与缓存压缩率解耦——通过离线构建分层语义索引、在线执行近似最近邻查询，实现毫秒级响应开销。在Llama-3-8B等模型上实验表明，CompressKV在保持<0.5%困惑度损失前提下，将128K上下文的KV内存占用降低62%，端到端延迟下降37%，显著优于FlashAttention-2与StreamingLLM等基线方法。

该论文首次系统揭示了前沿大语言模型（如Llama、Gemma、Phi-3）在处理非洲语言时存在的结构性劣势——作者将其定义为‘非洲语言税’。研究通过跨语言基准测试发现，非洲语言（如斯瓦希里语、约鲁巴语、豪萨语）在tokenization阶段普遍遭遇更高字节膨胀率、更长推理延迟及显著的上下文窗口浪费（平均损失23%有效上下文长度）。其根源在于主流分词器严重依赖拉丁字母子词切分，缺乏对非洲语言音节结构、连写规则及声调标记的原生支持。论文还提出轻量级适配方案，在不重训模型的前提下将豪萨语任务延迟降低37%。这项工作为全球AI公平性提供了关键实证依据，呼吁构建面向语言多样性优化的分词基础设施。

针对工业设备中轴承故障诊断面临的跨域迁移难、标注数据稀缺等核心挑战，该论文提出一种融合大语言模型（LLM）能力的两阶段Transformer框架。第一阶段利用LLM对原始振动信号进行语义化表征建模，将时序特征映射为富含物理意义的文本化中间表示；第二阶段通过轻量级跨域适配Transformer完成故障类别判别，在仅有少量目标域样本（如每类≤5样本）下仍保持高鲁棒性。方法在CWRU、PU与MFPT等多个公开轴承数据集上验证了其跨工况、跨传感器、跨设备的泛化能力，显著优于传统迁移学习与对比学习基线。研究凸显了LLM在非文本工业时序理解中的新范式潜力。

该研究提出了一种‘认知中立’（agnostic）的机器学习框架，用于评估系外行星表面是否具备支持光合作用的物理条件，而非预设地球式生物化学路径。模型仅基于可观测的恒星辐射谱、行星大气透射率、表面温度与水相态等基础物理参数进行训练，规避了对叶绿素、碳基代谢等地球中心主义假设的依赖。作者在模拟行星数据集上验证了其泛化能力，并指出该方法可为詹姆斯·韦布空间望远镜（JWST）后续观测提供非假设驱动的宜居性优先级排序工具，推动天体生物学从‘类地’范式向更广义的物理宜居性范式演进。

本文提出一种基于贝叶斯推理的控制范式，用于提升代码生成智能体（coding agents）在不确定环境下的决策鲁棒性与任务完成可靠性。作者将智能体的代码编写过程建模为序贯决策问题，通过引入隐状态先验、观测似然与后验更新机制，动态校准对用户意图、代码语义正确性及运行时反馈的理解。该方法在需多步调试、API调用容错或模糊需求解析等场景中显著优于标准强化学习或确定性提示工程方案，并在HumanEval-X与CodeContests子集上验证了其降低幻觉率与提升首次通过率（first-pass pass@1）的能力。研究亦探讨了计算开销与近似推断的权衡，为构建可解释、可校准的编程智能体提供了新路径。

本文深入剖析《艾尔登法环》中看似简单却极具表现力的AI设计：不依赖复杂机器学习或行为树，而是通过精心编排的状态机、环境反馈（如声音传播、视线遮挡）与玩家行为模式的强耦合，构建出富有叙事张力与沉浸感的敌人反应。作者指出，这种「低科技」方案规避了现代AI常见的不可预测性与调试困境，反而让每场遭遇战都成为世界观与角色性格的延伸——例如狼群的协同围猎、Boss战中随血量变化的形态切换，本质是程序化戏剧（procedural drama）的成熟实践。该思路对游戏AI乃至具身智能体（embodied agents）的设计具有重要启发：在可控性、可解释性与艺术表达之间取得精妙平衡。

该论文提出NoContactNoWorries框架，旨在解决灵巧手在抓取和操作物体过程中难以精确感知接触状态的难题。不同于依赖力传感器或触觉阵列的传统方法，作者创新性地融合单目视觉观测与关节级本体感觉（如电机编码器、关节角度与扭矩信号），通过时空对齐的多模态表征学习，实现细粒度接触区域与接触强度的隐式估计。模型在YCB物体集和真实DexArm平台上验证，显著提升了无触觉传感条件下的操作鲁棒性，尤其在易滑动、透明或反光物体上表现突出。研究为低成本、高适应性的灵巧操作提供了新范式，推动了纯视觉-本体感觉闭环控制的发展。

该论文提出ReM-MoA（Reasoning Memory Mixture-of-Agents）框架，旨在解决多智能体协同推理中状态遗忘与规模扩展的矛盾。核心创新在于引入轻量级、可复用的‘推理记忆’模块，将历史推理链结构化缓存并动态检索，使各专家智能体在协作过程中共享语义一致的认知上下文。实验表明，该设计显著提升复杂任务（如多跳数学推理、长程代码生成）的准确率与稳定性，且推理开销随智能体数量增长呈亚线性上升——突破传统MoA架构因冗余重计算导致的性能瓶颈。作者进一步验证其在不同模型规模与任务粒度下的泛化能力，为构建可持续演化的AI Agent系统提供了新范式。

该论文提出MedPCFM框架，专为医学三维点云（如CT/MRI重建点云）的缺失区域补全任务设计。针对医学点云稀疏性高、结构复杂且语义敏感的特点，作者创新性地将分层点云Transformer编码器与连续流匹配（Flow Matching）生成范式相结合：前者精准建模局部几何与全局解剖上下文，后者通过可微分ODE求解实现稳定、高质量的点云生成。在多个真实医学数据集（含颅骨、脊柱及关节点云）上验证表明，MedPCFM在CD、F-Score等指标上显著优于PointNet++、PCN及Diffusion-based基线模型，尤其在保持解剖拓扑一致性与边缘锐度方面表现突出，为手术规划与个性化假体设计提供了更可靠的三维重建基础。

该研究首次系统揭示了大语言模型中存在的‘反转诅咒’现象：即使在训练数据中高频出现‘A is B’这类陈述（如‘苹果是一种水果’），模型仍难以自发掌握其逻辑逆命题‘B is A’（如‘水果包括苹果’或‘苹果属于水果类’）。实验覆盖多个主流闭源与开源模型（如GPT-4、Llama-2），证实该缺陷普遍存在且不随参数量增加而显著改善。作者指出，这反映当前LLM依赖表面共现统计而非真正理解语义对称性与范畴关系，对知识推理、问答一致性及Agent自主规划构成底层瓶颈。研究还探讨了微调、提示工程与符号辅助等潜在缓解路径。

该论文深入探究了扩散模型与自编码器等生成式AI中图像在潜在空间（latent space）内的几何变换规律，提出一种基于流形曲率与方向敏感性的量化框架，用于刻画隐变量扰动如何映射为语义连贯的图像变化。作者通过构建可解释的潜空间轨迹图谱，揭示了线性插值失真、语义解耦边界及跨类迁移瓶颈等关键现象，并在Stable Diffusion和VAE架构上验证了其普适性。研究不仅为潜空间操控提供理论依据，也为可控生成、编辑鲁棒性评估及对抗样本防御提供了新视角，填补了表征学习与生成机制交叉领域的实证空白。

该研究首次对GitHub等平台上的1.8亿公开代码仓库开展大规模AI编码代理（如Copilot、CodeWhisperer生成代码）检测，融合启发式规则、模型指纹识别、训练数据匹配与人工验证四重方法，并通过交叉验证确保准确率超92%。研究发现：约0.8%的活跃仓库含显著AI生成痕迹，其中Python和JavaScript项目占比最高；AI代码多集中于测试脚本与CLI工具，且存在明显“编辑稀疏性”特征——即低人工修改频次与高初始提交完整性。成果为开源治理、许可证合规及代码溯源提供了可复现的方法论框架与基准数据集。