预测智能体何时应当推理？基于行为压力测试的可靠性路由研究
该研究探讨了预测智能体在结合大模型推理、信息检索、集成与校准时，各决策行为在何时具备可靠性。研究人员在ForecastBench风格的二元预测任务上，将智能体选择检索、推理、参考市场先验或采用历史类比等策略视为可观测行为并展开压力测试。核心结论显示，机制的最优选择高度依赖于数据生成源，结构化类比在特定数据流程中占据主导，而市场群体策略与保守基线在其他情境下表现更优。
DC AI 热点
全部 AI 动态
9月25日2026-09-25
PAWS：面向政策驱动的多智能体金融世界模拟数据集发布
针对现有金融多智能体模拟数据集缺乏与历史证据时间对齐的问题，研究人员推出了 PAWS（政策驱动型智能体世界模拟）数据集。该数据集涵盖 36 个经过验证的美国金融与经济政策事件、12,727 条与政策关联的新闻记录，以及 65,291 个基于实际来源的利益相关者行为。每个行为均关联支撑新闻，并通过多层事件框架表征交互模式与金融行动类别，为金融多智能体仿真与宏观政策影响模拟提供了扎实的数据基础。
面向DNA测序数据分析自动化的智能体框架BaseCamp
针对DNA测序流程中质控阈值选择、边界变异判定、异常诊断及复核标记等高度依赖人工经验且标准不一的问题，研究团队提出了智能体AI框架BaseCamp。尽管现有工作流系统已能规模化调度生物信息学工具，但周边决策层仍需大量繁琐的手动判断。该框架旨在利用智能体自动化这一决策层，以提升测序数据分析流程的规范性与效率。（注：输入摘要在文末截断）
TWIST：针对对话记忆系统干预质量的新型评测基准
该研究提出了对话记忆评测基准套件 TWIST，旨在评估记忆系统在用户信念发生改变时是否能正确执行干预操作。针对现有长对话基准主要测试召回率和被动知识更新的局限，TWIST 设立了四大评估维度：主动张力检测、依据历史记录审查输出草案、在回答当前信念的同时保留历史变更记录，以及对敏感召回的治理控制。该套件基于 LoCo 进行了扩展，并引入了经人工验证的草案对齐机制。
TRACER：基于行为一致性对齐的多轮用户模拟器
针对交互式AI构建与评测中模拟用户难以复现真实意图演变和交互结果的缺陷，研究人员提出了多轮用户模拟器 TRACER。该模型能够显式建模用户动态演变的意图，使模拟行为与真实交互轨迹保持一致。TRACER 采用两阶段训练策略：首先在真实用户对话上进行监督微调（SFT），随后利用融合了分层结果与轨迹奖励的多轮强化学习进行对齐训练，从而大幅提升用户模拟的真实度与行为一致性。
Epydemix Agent：基于AI智能体驱动的流行病学建模框架
针对大语言模型智能体在调用科学软件时可靠性不足的问题，研究人员推出了 Epydemix Agent 框架。该框架建立在开源随机区室流行病学建模 Python 库 Epydemix 之上，为 AI 智能体提供四大核心能力：模型与参数发现、声明式场景规范的预防性验证、通过经过测试的库代码进行执行，以及结果的可检查性，从而实现了高可靠性的自然语言驱动科学建模。
skilder：基于角色权限控制的LLM智能体渐进式技能发现治理框架
针对大语言模型智能体在接入海量企业工具时面临的上下文超限、工具选择退化及合规治理漏洞等问题，研究人员提出了名为 skilder 的新框架。传统通过提示词设定的安全策略缺乏硬性约束，而多智能体委托方案又分散了审计日志。skilder 将技能与工具等能力打包为特定角色，通过基于角色的范围划分与渐进式技能发现机制，实现对智能体工具调用的结构化治理与确定性访问控制。
META：结合情景记忆检索的多智能体金融决策框架
针对现有大语言模型交易系统多侧重长期预测或缺乏状态记忆等缺陷，研究人员提出了记忆增强型交易智能体框架 META。该框架是首个引入类似检索增强生成（RAG）的情景记忆增强型多智能体金融决策系统，通过整合一系列专门的指标分析智能体，有效解决了复杂交易环境下的动态决策需求，提升了智能体在金融分析与交易推理中的实际应用能力。
RECLAIM基准：评估AI智能体复现机器学习论文研究结果的能力
该研究提出了名为RECLAIM的新基准测试，旨在评估AI智能体能否复现机器学习论文的核心研究结论。基准选取了100篇NeurIPS 2025论文，预先设定了待复现结果、成功复现判定标准以及GPU运行时间预算。根据原作者开源内容的完整度，基准设立了不同难度层级，测试智能体在软件安装、代码调试及运行实验等完整科研工作流中的自动化复现能力。
Forecast-Dojo：用于大模型预测智能体评测与训练的可回放环境
研究人员推出了名为Forecast-Dojo的可回放环境，专门用于基准测试和训练大语言模型预测智能体。该环境将已公布结果的预测市场问题与带时间戳的历史新闻相结合，允许智能体在连续的历史时间节点检索事件并动态调整预测，无需等待未来事件即可完成评估、交互数据收集与结果反馈。系统包含1568个Polymarket事件及1880万篇带日期的新闻文章，并对12个模型进行了评估测试。
掌控智能体框架以控制成本：企业级AI编程智能体的路由与治理
随着企业内AI编程智能体从数百人试点规模扩展至数万人，企业多直接采购Claude Code或Codex等第三方运行框架。此类框架负责决策模型路由、上下文读取、Prompt缓存使用及子智能体调用，直接决定了算力消费单价与调用总量。报告指出，企业若直接使用未加调优的专有或默认框架，将面临高昂且失控的调用成本，亟需加强路由与治理管控。
基于轨迹图估算单步优势：面向智能体强化学习的新方法
以GRPO为代表的分组强化学习已成为训练推理与智能体大模型的主流范式。然而，这类方法在全轨迹层面的优势估计虽然可靠，但在单步层面上存在系统性偏差，粗粒度的轨迹级反馈难以准确评估单个步骤的实际贡献（例如失败轨迹中往往包含有价值的操作步骤）。论文回归强化学习基础定义，提出通过构建轨迹图来精确估计步骤级优势，以解决多轮复杂智能体任务中的信用分配难题并提升模型训练效果。
动作归因何时需要更新？面向工具调用型智能体的高效更新机制研究
针对工具调用型智能体在策略持续更新中动作归因（Action Credit）失效、重新计算导致昂贵工具调用与环境交互成本的问题，该研究探讨了历史归因何时真正需要更新。研究核心发现，动作价值的变化并不一定会导致最终决策的改变；只要策略诱导的漂移不足以颠覆原有决策，历史动作归因即可继续复用，从而大幅降低计算开销。（注：原始摘要文本存在部分截断）
AlphaDiverse：面向阿尔法因子多样性挖掘的本地量化研究智能体框架
基于大语言模型的多智能体系统虽能自动化挖掘量化阿尔法因子，但依赖外部API带来了成本、可用性及保密性挑战，且长期运行易导致研究路径坍塌。为此，研究团队提出 AlphaDiverse 框架，整合了多智能体研究系统、多样化研究路径收集以及本地智能体后训练流程。该框架通过生成互补的研究方案组合并动态调整研究环境，旨在提升本地量化研究智能体在因子挖掘中的多样性探索能力。
MeshHeal：面向去中心化LLM多智能体网络灰度失效的双时间尺度自愈框架
在去中心化的大语言模型多智能体系统中，单个智能体可能在保持响应的同时任务求解质量持续退化，引发灰度失效。针对此类问题，研究人员提出了完全去中心化的自愈框架MeshHeal。该框架在双时间尺度上结合能力匹配的同行评审机制：在快速时间尺度上，通过自适应分层机制升级不确定或低评分输出的评审层级；在提供即时任务保护的同时，收集证据以动态调整未来的路由决策，并允许恢复正常的智能体重新接入。
SLCA-GRPO：解决工具调用强化学习中的跨段信用分配错误
具备工具调用能力的智能体通常交替生成结构化工具调用和自然语言总结。现有同策略强化学习算法（如GRPO）由于将整条轨迹的单一优势值无差别广播至所有Token，导致总结生成中的梯度噪声泄漏至工具决策Token，引发跨段信用分配错误与优化不稳定。为此，研究者提出了SLCA-GRPO框架，通过引入分段锁定的信用分配机制，有效隔离噪声并提升了工具调用策略训练的鲁棒性。
从自我蒸馏到自我练习：多轮智能体特权信息利用机制研究
该研究探讨了大模型多轮智能体训练中策略内自我蒸馏（OPSD）范式的缺陷。该范式利用特权信息构建强教师模型进行词元级监督，但在多轮交互中，学生智能体会表现出脱离实际信息的盲目自信，误以为自己掌握了未曾观测到的特权信息，导致性能大幅落后于普通强化学习，甚至劣于基座模型。为此作者提出了新范式；由于原文摘要截断，新方法细节尚未完全展开。
CRISS：基于检索增强生成的癌症登记智能辅助问答系统
针对癌症登记员及肿瘤数据专家需处理复杂且频繁更新的编码和分期标准这一痛点，研究团队开发了CRISS（癌症登记智能支持系统）。该系统采用检索增强生成（RAG）架构，构建能够快速提供引文支持的对话助手。研究评估了CRISS在提供准确且附带引用来源的解答、改善指南检索与解读、以及在保持人工最终审核的前提下支持人员培训和技术咨询等方面的实际效果。
持久化前先划定范围：防止智能体记忆中的跨任务族干扰
该研究探讨了大语言模型智能体的持久记忆机制，旨在不更新权重的前提下持续改进提示与技能。研究发现，将检索范围与认证范围精确匹配，能有效防止跨任务族的干扰，支持在重复出现的任务族中实现可靠适应。研究人员在12轮代码修复数据流ProcStream-RSI上对冻结模型智能体进行了测试，并使用基于执行的正交回归控制门控机制，证实仅在技能生成的原始任务族内检索该技能，可显著提升轨迹效用。
基于偏差引导的大模型智能体技能自我进化机制
该研究针对大语言模型智能体在复杂工具使用任务中的技能自我进化问题展开探索。论文指出，复杂任务通常存在多种有效解题路径，失败轨迹往往也包含前期的有效进展而非全盘皆错。因此，研究提出不应将失败轨迹强行与固定成功路径对齐或进行粗粒度反思，而应精确定位有效求解向错误偏离的转折点，通过偏差引导的方式实现智能体技能的高效自我进化与演进。
9月24日2026-09-24
Lean Pool：由AI智能体自主维护与优化的形式化数学代码库
Lean Pool 是一个形式化数学代码库，其核心特色在于完全由 AI 智能体负责拓展、维护与持续优化。该项目展示了人工智能在形式化定理证明与复杂数学知识归档中的自主管理潜力，有助于提高数学形式化库的组织效率与代码质量。由于原论文摘要提供的信息极为简略，具体的智能体协作机制与工程实现细节仍有待进一步公开。
AI神经科学家：面向神经影像分析的交互式智能体界面
神经影像数据分析通常需要专业的编程与统计技能，这给非计算背景的研究人员带来了门槛。为此，研究团队推出了“AI神经科学家”，这是一种用于交互式数据探索的语言智能体。该系统将大语言模型与神经影像专业工具集相结合，支持研究人员直接通过自然语言查询数据质量、执行建模与可视化并设定分析参数，为小规模数据探索提供了一种替代传统脚本处理流程的透明且交互式的解决方案。
大模型智能体缺乏人情世故？新研究提出关系社交推理框架ReAdapt
该论文指出当前大模型智能体在社交决策（如是否互动或联系谁）中，往往仅关注内容显著性而忽略人际间的潜在关系（如关系强度、互惠性等）。现有的智能体循环无法根据新关系证据动态调整社交假设，导致在关系与内容线索产生分歧时做出表面化选择。为此，研究团队形式化了这种失效模式，并提出了包含500个样本的关系推理基准测试及ReAdapt方法，以提升智能体的社交推理能力。
面向企业数据智能体的学习型数据理解：压缩与路由机制
在企业环境中，结构化数据智能体需要面对分布在模式、数据关联和业务规则中的复杂环境。现有系统常依赖Markdown格式的记忆或技能文件来沉淀信息以减少重复探索，但该做法模糊了合理的分工界限。研究指出，智能体更擅长语义推理，而学习型系统更适合执行预测与数据组织。论文围绕此分工探讨了针对数据智能体的数据压缩与路由方法（注：原文摘要存在截断）。
提升智能体一致性：研究提出通过“技能习惯化”解决重复任务的冗余与偏差
针对当前智能体在重复任务中表现不一致且极度耗费资源的缺陷，研究团队开展测试发现，智能体在重复执行中不一致率达38%至74%，且超95%的生成内容都在重复推导已知方案。为此，研究提出“技能习惯养成”（skill habit formation）机制，让智能体从历史执行记录中挖掘候选确定性技能，使其与既有方案竞争并界定适用输入空间，从而大幅改善智能体在重复任务中的一致性与计算效率。
ZeroGate：面向受治理AI智能体运行时的信任保留快速路径机制
针对AI智能体提前授权可能导致载荷、权限或状态发生漂移的安全风险，研究团队提出ZeroGate架构。该方案将精确操作审批与持久本地准入解耦：签发者签署具有时效性的ActionPass凭证，受信任运行时适配器重构最终操作，再由本地网关验证绑定并消耗nonce。系统利用SQLite事务同步处理nonce注销、配额更新及准入收据生成，在维持信任边界和决策一致性的前提下优化了执行分发延迟。
ShowTellArena：评估智能体从业务演示中理解工作流能力的基准数据集
研究人员提出了 ShowTellArena，这是一个用于评估智能体在观看带有口述解说的业务演示后其理解能力的基准测试协议与公开数据集。该基准模拟了人类通过“边演示边讲解”指导新同事的场景。v1.0 版本涵盖财务、招聘、采购、客户决策、库存和物流等领域的 50 个业务工作流任务，包含屏幕录像、截图、旁白解说及 502 道评估试题，旨在系统性测试智能体对复杂商业流程的掌握水平。
智能体与工具交互中的“静默失败”现象：针对 ToolUniverse 的审计研究
随着智能体 AI 系统逐步采用整合多工具的自动化流程，智能体与工具间交互的可靠性日益受到关注。该研究针对生物学智能体等工作流场景，系统调查了交互过程中的“静默失败”问题。此类故障表现为工具调用表面上显示成功，但 API 或封装层返回的信息与功能实际存在缺失或残缺，且未向用户或智能体发送任何异常通知。该研究填补了此前评测仅关注任务完成率而忽视交互底层隐性故障的空白。
极简大模型智能体框架JAZ：以最小化控制架构探索最大表达能力
现代大语言模型智能体大多依托于由模型与工具调用构成的核心循环（Agent Loop）运行，但处理记忆增强与自我改进等复杂工作流时，通常依赖复杂的额外工程系统。为此，研究团队构建了极简智能体框架JAZ，旨在探索仅依靠最基础的循环机制，在多大程度上能够替代并完成此类专门系统的任务。由于原文摘要结尾存在截断，关于JAZ具体暴露的接口与机制细节仍有待全文披露。
TwinCheck：面向有状态工具智能体的反事实负孪生验证机制
针对单一局部合理的工具调用可能导致整个智能体执行轨迹失败的问题，研究人员提出了一种名为 TwinCheck 的推理期验证策略。该策略认为仅凭怀疑进行干预可能引入新错误，因此仅在轨迹满足与局部失败假设相关的证据条件时才触发替换。系统通过构建基于轨迹的反事实替代方案（即“负孪生”），仅当该方案通过结构检查且成对验证器判定其更优时，才替换智能体原有的提议调用，有效提升了执行可靠性。
1 / 2下一页 →