解读
1098 篇 · 选题榜 / 深度解读 / 科普 / 综述 / 视频脚本（学术推广产出）
Flow-ERD：面向多样化交通仿真的 Agent 类型感知 Flow Matching 与熵正则蒸馏
FlowERD 通过「Agent 类型感知 Flow Matching (AFM) + 熵正则蒸馏 (ERD)」两阶段设计，让多智能体交通仿真同时跑出真实运动和多样化轨迹，在 WOSAC 基准上排名第一并主导真实性多样性的 Pareto 前沿。 自动驾驶仿真需要海量「既真实又多样」的交通流。真实的轨迹能让规划算法学到符…
PolicyShiftGuard：可适配策略的图像护栏及其评测
PolicyShiftGuard 提出「PolicyShiftBench 基准 + 紧凑策略条件护栏 PolicyShiftGuard 模型 + RPSFT/BPAdapt 两阶段训练」组合，把图像护栏从「图像固有安全」范式转向「策略条件决策」，在 7B 规模上达到 76.9 Avg.F1 / 72.1 Avg.PSS…
基于音韵激活映射的音素切分与识别
作者提出 SPAM（S3Mbased Phonological Activation Mapping）框架，主张自监督语音模型（S3M）的表征里已经隐含了音素结构，只需用一个轻量、无梯度的"音韵激活向量"把它显式引出，再叠两个超轻的预测头就能同时做音素切分（segmentation）和识别（recognition），且…
长上下文 LLM 的自引导测试时训练
针对长上下文 LLM 直接做 testtime training（TTT）容易引入噪声、退化基础能力的问题，本文提出 SelfGuided TTT（STTT）：在正式做 instancespecific 参数更新之前，先让模型自己挑出"和当前问题最相关的 span"，然后只对这部分 span 做语言建模目标训练，从而在…
LongMedBench：面向长程临床决策的医疗 Agent 基准
LongMedBench 是一个基于真实电子健康记录（EHR）的长程临床决策基准。它面向"agent 在多院次、长时间窗口下做临床决策"这一被现有医疗 NLP 评测严重低估的场景，提出三套评测（事实型问答、时序推理、长程决策），并通过实验揭示了当前 LLM agent 在隐性时间推理与决策任务上的关键短板——RAG 和…
视觉推理的「局部性」与「长度泛化」：全局卷积是组合泛化的隐性瓶颈
在视觉状态跟踪（visual state tracking）类任务上，全局一次性输入的 vision model 会像 LLM 一样「学会走捷径」，无法随任务长度（序列/对象数）外推；只有严格 local perception 的循环视觉策略才能在长度维度上保持泛化——这提示 local attention 可能不是工…
重新审视「Agent Harness 自动演化」：它赢得还是 test-time scaling 赢了？
在 TerminalBench 2.1 上，用 GPT5.4 与 Claude Opus 4.6 做后端的实验显示，自动 harness evolution 并不一致地胜过简单的 testtime scaling 基线，且演化得到的 harness 在「未见过的任务」上泛化有限——也就是说，过去报告的 harness …
Chat2Scenic：用迭代 RAG 把法规文本「写」成自动驾驶仿真场景脚本
Chat2Scenic 是第一个把「法规文本 → 自动驾驶仿真场景 DSL 脚本」做成 迭代式 RAG + 交互式 chatbot 的端到端框架，并配套发布一个 123 个场景的开源 benchmark——它把 RetrievalAssemble 与 Retrieval 全脚本生成两类前辈方法的成功率双双显著提升（CS…
LongStraw：固定 GPU 预算下，把 RL 后训练上下文推到 2M+ token 的执行栈
LongStraw 是一个面向百万 token 量级 RL 后训练的架构感知执行栈，用「共享 prompt 无 autograd + 短响应分支逐条回放」的方式，把激活显存压到训练图级别，代价是多花一些重放时间；它在 8 张 H20 上把 Qwen3.627B 的 GRPO 训练推到 2.1M positions，并在…
RAG 里的隐私保护不该是静态的：PA-HDP 用 Prompt-Aware 差分隐私重写外库
这篇论文指出 RAG 的隐私风险本质上由 prompt 驱动、随 query 动态变化，但现有方法都默认外库文档的隐私风险是「documentlevel static」的；它提出 PAHDP（PromptAware Dynamic Hierarchical Differential Privacy）框架，先做 prom…
SUFLECA：把 CAD-to-image 对齐从外观匹配拉到几何一致匹配
SUFLECA（Scaling Up Feature Learning for CAD Alignment）是面向 zeroshot 6D 位姿估计的弱监督框架，通过「在 674K 图像 / 12 个真实与合成数据集上以 Normalized Object Coordinates (NOCS) 做几何监督规模化训练」+…
AgentOdyssey：面向测试时持续学习智能体的开放式长视野文本游戏生成
AgentOdyssey 是一个程序化生成的开放式文本游戏评测框架，把"测试时持续学习（testtime continual learning）"这件事从口号变成了可度量的实验场：在长视野游戏中同时考察世界知识获取、情景记忆、探索多样性、规划深度与推理代价，并发现短期记忆是多种 Agent 范式在测试时训练中的关键组件…
面向 LLM 游戏 Agent 的环境接地自动化提示优化
针对 LLM 游戏 Agent「换 prompt 像换模型」却只能靠人手调的问题，本文提出一套自动提示优化（APO）流水线：把「观测→动作」拆成 Descriptor + Actor 两段，用 LLM 驱动的进化循环在外挂环境回报的引导下迭代改写 prompt，不动模型权重，在 BALROG/BabyAI 五任务上稳定…
Long-Horizon-Terminal-Bench：基于密集奖励评分的 Agent 长程终端任务极限测试
LongHorizonTerminalBench 是一个包含 46 条长程终端任务、覆盖 9 大类别、采用密集奖励（dense reward）+ 子任务细粒度评分的 Agent 评测基准：每条任务需要数百 episode、分钟到小时级执行时间，平均 9.9M tokens / 231 episodes / 85.3 分…
AutoMem：将记忆作为可学习的认知技能，让 32B 开源模型逼近前沿闭源系统
AutoMem 把 LLM Agent 的"记忆管理"从一段 prompt 提示词升级成一项可被自动学习与训练的可分离技能，仅优化记忆机制、不改动任务动作，便能在长视野游戏里把 32B 开源权重 Agent 的成绩提升 2–4 倍，达到与 Claude Opus 4.5、Gemini 3.1 Pro Thinking …
在 Kubernetes 上跑 GenAI 推理：Kueue + DAS + GAIE 三件套打通 ASR→LLM 流水线
论文完整标题：Evaluating Kubernetes Performance for GenAI Inference: From Automatic Speech Recognition to LLM Summarization（arXiv:2602.04900v3，已被 ICPE 2026 第 17 届性能工程会…
EO-WM：面向概率性地球观测预报的物理信息世界模型
EOWM 是一个把"气象强迫"拆成气候基线、天气异常、累积物理应力三路条件信号的多光谱视频扩散 Transformer，专门解决卫星地球观测（EO）预报中"未来地表长什么样、要按天气变化给出概率性回答"这件事。 地球观测预报（EO forecasting）要回答的实际问题是：给定过去一段时间的多光谱卫星影像序列，以及同…
编码 Agent 能"看见"代码仓库吗？——视觉化代码仓库表示的首次系统实证
这是第一篇系统性地把"代码仓库的视觉表示"喂给多模态大模型（MLLM）驱动的编码 Agent，在仓库级 issue 修复任务上做大规模对照实验的工作；结论是纯视觉不灵，但视觉+文本的混合设计能省 token 且不损准确率，最高可减少 26% 输入 token。 编码 Agent（coding agent）目前主流范式是…
SPEAR:面向真实感具身 AI 研究的可编程仿真器
SPEAR 是一个 Python 库 + Unreal Engine 插件组合，把任意 UE 应用变成可被 Python 编程控制的"具身 AI 仿真后端"，并能在同一帧内确定性调度任意数据依赖的工作图，是当前面向真实感（photorealistic）具身研究的最通用、可编程性最强的 UE 桥接方案，由 Intel L…
TOKI：LLM-Agent 持久记忆中矛盾解析的双时态算子代数
TOKI 把 LLMAgent 持久记忆里司空见惯的「矛盾解析」等价改写成「写时并发控制」，给生产环境常用的四种启发式（lastwriterwins、evidenceweighted merge、awaitconfirmation、perrule policy）补上一套写在纸面上的契约：双时态算子 + 隔离前置条件 +…
Larch：面向 AI SQL 语义谓词的习得式查询优化
Larch 把 AI SQL 里高开销的语义过滤器当作可学习对象，给出 LarchA2C（Gated GNN + MDP 排序）与 LarchSel（监督学习预测选择率 + 动态规划）两种变体，在多个真实与合成负载下，比 Palimpzest、Quest 等基线 降低 3×–19× 的 token 总开销。 现代分析型…
PROJECTMEM:面向 AI 编程 Agent 的本地优先、事件溯源记忆与判断层
PROJECTMEM 是一个开源、纯本地(localfirst)的 Python 包,把"AI 编程 Agent 的项目级记忆"建模为追加式(appendonly)的明文事件日志,并通过 MCP(Model Context Protocol)向 Agent 暴露"读 + 判断"两类能力,使记忆不仅被动回答 Agent …
多步工具调用 RL 为何会崩？监督信号如何救场
一句话结论：tooluse 场景下纯 RL 训练容易"突然崩盘"，不是能力没了，而是少数控制 token 的概率出现尖峰把生成结构打坏。把 SFT 与 RL 交错训练能稳住训练，但 OOD（分布外）评测会掉点；要在交错基础上叠加多样化监督信号（offpolicy 示范、错误示范、提示性 hint 等），同步与异步方案各…
CoffeeBench：长视野 LLM Agent 在异构多 Agent 经济中的基准测试
CoffeeBench 把 LLM Agent 放进一个由咖啡产业链上的农户、烘焙商、零售商组成的 90 天多 Agent 经济模拟里，检验它们在长视野、异构对手、真实现金流和库存压力下能否持续做出有利可图的决策——结论是当前主流模型虽然都能跑赢"什么都不做"的被动基线，但在沟通频率、长程规划与"行动瘫痪"（idled…
Cordon：面向工具调用 LLM Agent 的语义事务运行时
工具调用型 LLM Agent 的"工具接口"目前仍被当成一次性的 RPC 暴露，缺少跨多步、跨工具的任务级事务边界。本文提出 Cordon——一个事务性 Agent 运行时，把一次任务的工具意图、执行轨迹、外部副作用都绑进一个可回滚、可审计、可审批的语义事务，在提交前做整体验证；在对抗与良性工作流上都暴露了既有"逐调…
DataEvolver：基于多层级自演化的 LLM 自动化数据准备
DataEvolver 是第一个自演化的数据准备系统：在 operator / pipeline / 实例化三层做闭环，把"原始数据 → 高质量训练数据"这件事从"人工写 pipeline"变成"LLM 自己搜索、构造并迭代优化 pipeline"，在 7 个 benchmark 上让下游 LLM 平均提升约 10%。…
Vesta：把定位、空间推理、导航、长程规划塞进一个具身基础模型
Vesta 是一个统一的具身通用模型（generalist embodied foundation model），用一份大规模精挑细选的数据集 + 一个简单的多模态记忆 harness，把定位、空间推理、导航、长程规划这些原本各管一摊的能力合并到同一个模型里，并在多项基准上平均比单任务 SOTA 高出 20% 以上，比…
当 Agent 不需要被攻击也在泄露数据：现实场景下工具调用型 LLM 的操作性数据泄露评估
新加坡 AI Safety Institute（AISI Singapore）与韩国 AI Safety Institute（AISI Korea）联合做了一份针对工具调用型 LLM Agent 的现实场景评估：在 12 个非对抗性任务里，没有任何一个 Agent 能在所有场景下既把任务做对又保证数据安全，表明操作性数…
InSemRAG:面向意图感知检索与语义保持切分的高效 RAG
InSemRAG 是一个基于"迭代检索—校验"机制的 RAG 框架,通过意图感知检索器(IAR)动态混合多路召回通道、通过语义保持切分(SPC)修复被破坏的证据块,并借助小模型(SLM)吸收迭代带来的延迟成本;在 HotPotQA、FEVER 等多跳与证据敏感任务上对近期 SOTA 形成稳定优势,达到与 MultiHo…
RTP-LLM:阿里巴巴工业级 LLM 推理引擎
RTPLLM 是阿里巴巴集团自研、已服务超过 1 亿用户的工业级 LLM 推理引擎,通过对模型加载、PrefillDecode 解耦、KV Cache 管理、投机解码、多模态处理五个层面的端到端集成设计,在 8B–235B 多种模型上同时获得远超 vLLM / SGLang 的吞吐与延迟指标,并以开源形式提供给社区复用…