会议论文
MemCode：用离散语义编码组织 Agent 长期记忆
将对话改写为独立记忆单元，结合语义码本关联与向量检索；作者报告两项长记忆基准上的准确率和构建效率改善。结论限于所测设置，作者注明获 NeurIPS 2026 录用。
RESEARCH FRONTIER
前沿研究
每日精选人工智能与 AI Agent 的论文和研究成果，涵盖预印本、会议论文与研究报告。按精选批次归档，每项保留原始发布日期与研究边界。
更新于 2026-10-17
6 条研究
会议论文
ProD：减少小模型 Agent 的停滞循环
利用师生轨迹的进度差，自适应惩罚学生的停滞行为。作者在八个小模型上报告成功率与任务效率提升；尚不能推及所有任务，作者注明获 NeurIPS 2026 录用。
会议论文
Agent 安全评测：基准中的捷径会影响结论
通过分组留出与成对干预，区分标签可预测性和防护器决策变化，发现部分格式线索影响误报，跨模型效果不一致。作者注明获 NeurIPS 2026 的 TAE、AIWILD 工作坊录用。
论文 / 预印本
MLExpert：面向自主机器学习实验的 Agent 训练
以分层监督微调和窗口化交互强化学习，把实验结果反馈分配给多步决策。作者报告 MLE-Bench Lite 奖牌率提高，并测试跨任务迁移；这是预印本中的基准结果。
论文 / 预印本
Librarian Agents：为未来问题预先整理工作区
构建 Agent 把原始文档整理成分层文件和引用链接，并按下游问答准确率进行强化学习。作者报告两项基准提升；预先整理的成本需由后续多次查询摊销，结论仍属预印本。
论文 / 预印本
OS-Helix：在统一动作空间中结合 GUI 和代码
使用可验证的桌面任务及按动作步平衡的强化学习，训练 Agent 在图形操作与代码执行之间协作。作者报告 OSWorld-Verified 成功率提升并测试 Windows 迁移；预印本结果不代表任意桌面任务均可靠。
5 条研究
研究报告
可复现发现：追溯 NIST 椭圆曲线的种子来源
Anthropic 公布复现代码，将五条 NIST 素数曲线的种子对应到 lrand48 与历史时间戳。这不是 ECDSA 破解，部分基点及候选筛选规则仍待解释。
研究报告
Claude 与自动评估器协作优化量子电路
研究给模型自然语言规格与正确性、资源评分器，闭环优化八项量子电路任务，并验证部分数学性质。作者报告量子比特与门数之间的新折中；结果属于算法资源估算，尚非实用量子硬件演示。
研究报告
AI 预期差距：公众与研究机构员工如何看待未来工作
研究比较约 1.1 万名美国成年人和 Anthropic 员工的调查，发现两组对未来 AI 能力与自身工作自动化的预期不同。它记录受访者信念及相关性，不是能力预测已获验证，也不能证明经济影响的因果关系。
研究报告
观察研究：Agent 使用如何改变 Anthropic 内部工作
研究结合内部用工、工具使用与产出数据及十七次访谈，观察到初级技术招聘占比下降、Agent 监督工作增加。作者承认工具采用并非随机，且代码行数不等于质量；单一公司的经验不能代表整个劳动力市场。
研究报告
Google Research：用数字孪生连接 Agent 与实验室
研究以 VERID 数字孪生追踪机器人和实验状态，在执行前检查物理约束，并通过真实实验反馈迭代分子候选。原型保留人工授权和监督；论文案例尚不代表完全自主实验室或临床有效性。
5 条研究
论文 / 预印本
Athanor：AI Agent 自主开展模型后训练研究
预印本提出真实 GPU 上的自主后训练系统，包含冻结评测、任务管理与研究记录。结果限于文中模型和实验设置，尚不代表通用自主科研能力。
论文 / 预印本
Agent 批准操作需要与真实执行效果绑定
研究审计十种智能体运行环境，提出将规范化操作描述呈现给用户、签署摘要后仅执行已存调用的授权网关。实验减少了批准内容被替换的问题，但批准轰炸仍然有效，且已被策略允许的操作无法靠确认解决。
论文 / 预印本
RAG 安全研究：检索图结构也会影响污染风险
论文在两百万篇维基文档构成的 HNSW 检索系统中，研究图连接结构如何让污染内容更易进入模型上下文。作者报告了检索与生成两阶段的风险；结果依赖所测索引、搜索预算及防御设定。
会议论文
LinguaGuardBench：用户语言会改变 Agent 安全判定吗？
研究只翻译用户指令，保持 1,220 个步骤的工具调用、观察和标签不变，对十九种守卫模型测试。多种模型在较少见语言下出现额外判定变化；这测量的是语言敏感性，而非真实环境攻击成功率。 作者注明已获 NeurIPS 2026 AIWILD 工作坊录用，并非主会录用声明。
论文 / 预印本
MCP-FSD：检查工具声明与文件系统权限之间的缺口
研究筛查九个注册源中的 21,097 个 MCP 服务，以工具契约分析和成对动态执行识别越界文件访问。所测沙箱策略下确认 150 个脆弱实例；筛查比例不代表所有部署的实际失陷率。
5 条研究
论文 / 预印本
多开发者协作成为 Agent 扩展的新方向
研究比较多开发者与单开发者智能体系统。在 GAIA 上，多个专长智能体组合达到 70% 准确率。作者通过经验与理论模型解释专业分工的价值；结果仍限于论文的基准与资源设定。
论文 / 预印本
CIPR：让 Agent 适应变化的工具接口
研究把同一任务放在两种语义等价接口下训练，用策略分布的一致性约束减少动作名称和表示方式变化带来的性能下降。作者在监督与强化学习后训练中验证方法；覆盖范围限于所测接口扰动。
论文 / 预印本
适时遗忘能否帮助科研 Agent 突破搜索停滞？
作者观察到，研究智能体积累尝试历史后容易被已有方案锚定。方法定期清除会话与候选历史，从当前最佳方案重新搜索，在四项编程、内核优化和模型训练任务上改善结果；尚不能推及所有科研任务。
论文 / 预印本
PhySGA：用物理仿真反馈组装三维场景
框架让装配智能体负责几何规划，评审智能体检查接触动力学，并把仿真试错整理为可复用技能。作者在 Isaac Sim 中评估刚体、关节和可变形物体的组合；仿真结果尚不等同于真实机器人验证。
论文 / 预印本
JetStream：Agent 为现有数据库生成可验证加速器
分阶段智能体流程为查询生成加速器，直接使用数据库原生表，并保持写入时辅助状态一致。方案区分差分测试与机器证明两类正确性保障；性能数据来自指定 TPC-H 规模和更新负载，不能泛化为所有数据库查询。
6 条研究
论文 / 预印本
Into the Unknown：评测 Agent 对开放科学问题的研究能力
预印本以科学家的未发表研究方向构建评测。九种 Agent 生成的 135 份后续论文均未满足全部条件，提示现有系统在研究完整性与验证上仍有明显局限。
论文 / 预印本
FEP：跨异构事件日志预测下一个事件
FEP 将基于上下文的非参数事件预测写成注意力运算，以稳健嵌入和时间归一化适应不同系统。作者在 696 个日志数据集预训练，并在 50 个未见数据集上无参数适配评估；效果随目标任务变化。
论文 / 预印本
YUBI-Real2Sim：检查重建场景能否可靠评价机器人
框架将双鱼眼视角、3D 高斯重建与物理模拟结合，在九组场景任务比较中有八组复现实机策略排序。研究同时测试空洞和漂浮伪影影响，指出画质分数尚不能形成通用可靠的场景验收规则。
论文 / 预印本
Box-WAM：用物体框轨迹压缩机器人未来状态
Box-WAM 用任务相关物体的有向包围框轨迹替代整帧未来视频，联合预测动作与物体运动。作者报告在机器人操作任务中减少计算并改善动作预测，但紧凑表示能否保留开放环境所需细节仍需更广泛验证。
论文 / 预印本
TacitVLA：让动作不必等待推理文本生成
TacitVLA 保留推理监督，但动作专家不读取当前调用生成的推理文本，长任务中的记忆可在执行动作时生成。作者在四个操作及驾驶基准上比较延迟与表现，结果是受控实验结论，不能视为实际驾驶安全认证。
论文 / 预印本
Agent 记忆认证：事实变化后如何停止复用旧结论
论文分析把多步推理压缩成记忆后的过期风险，提出按失败似然比认证效用、检测变化并重启证书。五种模型的改动事实问答及带精确验证器的代码实验显示优势；安全界依赖可验证反馈和规定的信息条件。
5 条研究
论文 / 预印本
逐层量化误差补偿：保证何时成立、何时失效
论文推导线性网络在指定舍入噪声等假设下的均方误差改进保证，并展示激活函数、有限码本等可使比较失效。两种 8B 模型实验支持谨慎使用补偿强度，校准数据上的损失下降不保证新文本收益。
论文 / 预印本
ECHO：按错误责任分配工具型 Agent 的训练反馈
ECHO 用冻结评审器区分新错误、继承后果和有效纠正，对共享后果只计分一次，并限制自行制造错误后的修复奖励。作者在 4B、8B 模型的六项工具任务上报告改进；方法仍依赖评审器的责任判断质量。
论文 / 预印本
RECONS：按接收方和通信路径约束多 Agent 隐私泄漏
研究在 485 个情境中观察授权信息如何经常规协作流向未授权 Agent。RECONS 结合接收方和执行上下文脱敏，在保留多数授权披露时降低泄漏，但仍有残余披露，检测覆盖率是主要瓶颈。
论文 / 预印本
Agent 基准审计：评分器缺陷可能改写成功率
论文提出状态完整性约束与已知答案控制，审计会在评分前修改环境状态的基准缺陷。4,320 次运行经回放校正后，成功率由 94.3% 降至 65.5%；另一个基准缺少可重建终态，方法无法直接验证。
论文 / 预印本
Dream2Discern：不用新增轨迹训练运行时失败预测器
Dream2Discern 扰动已有轨迹前缀的表示，生成审计器当前难以分类的隐空间变体，再沿用原标签训练。作者在 AFTraj-2K、StepShield 上报告超过 90% 的轨迹加权准确率，但仅验证记录数据上的结果预测。
5 条研究
论文 / 预印本
MoMaTune：面向数值记录的两阶段后训练
MoMaTune 先在无标签序列化记录上建模，并可加入同一记录不同视图的一致性学习，再训练下游预测。作者在八个公开数据集上报告收益，说明数位敏感性和字段关系值得监督；结果不代表普遍数值推理能力。
论文 / 预印本
Sequent-Prover：借助求解器训练可检查推理
Sequent-Prover 让模型编写 SMT-LIB、调用 Z3 并修复形式化过程，以筛选轨迹进行蒸馏和偏好训练。作者在 37 个基准上报告准确率提升及调用减少，同时强调求解成功不必然意味着形式化忠实于原问题。
论文 / 预印本
RECAP：用历史上下文校准低比特推理模型
RECAP 在量化校准时保留长历史前缀并轮换短重建区块，按历史缓存对注意力输出的影响设置监督。作者在多种低比特推理配置上报告优于基线；这些结果来自特定模型和基准，未证明任意长链推理均能保真。
论文 / 预印本
LeHami：用辛几何约束世界模型的潜在动力学
LeHami 用辛积分的哈密顿流替换 JEPA 的自由预测器，在结构上保持潜在相空间体积。视觉摆环境实验显示长时速度预测改善，但验证集中在守恒及受控摆系统，不能直接推广到复杂现实世界。
论文 / 预印本
Co-DSL：人机共同设计可复用空间概念
Co-DSL 将用户描述和反馈转成可复用空间操作，由语言模型组合概念图，再由求解器寻找满足约束的布局。研究在五类空间布局任务上展示效果，结论依赖概念库和约束表达，未覆盖任意设计需求。
5 条研究
会议论文
用可移植技能简化 Agent 检索增强流程
论文用自然语言技能、轻量工具和文档导航层生成客服处理流程。在需人工审核的整理文档库中，作者报告较高流程一致性，但每例约需 90 秒，慢于原有助手，结论仅适用于该场景。 作者注明已获 EMNLP 2026 Industry Track 录用。
论文 / 预印本
SceneForesee：评测视频中实体的未来变化
研究构建共享实体标识的观测与未来场景配对数据，并提出 EvoSee 联合预测轨迹和事件。作者在 SceneForesee 与 Dyn-Bench 上报告改进，结果支持所测场景推理任务，不能视为开放世界预测可靠性的证明。
论文 / 预印本
TETPO：按有效样本量调节异步强化学习
TETPO 根据每组提示的有效样本量调整重要性权重指数，降低旧策略轨迹集中主导更新的风险。论文给出权重离散度界，并在高延迟数学推理训练中比较基线；理论保证受桥接分布及相关假设约束。
论文 / 预印本
KV4-RL：为异步强化学习量化 KV 缓存
KV4-RL 将 INT4 KV 量化与注意力锚点及近期上下文的 INT8 保护结合。作者在 Qwen3 训练中报告整体迭代加速，并在共同 BF16 评估下保持接近基线的准确率；结论限于所测模型与训练配置。
论文 / 预印本
可执行任务契约：先确认 Agent 测试仍是同一任务
论文为工具型 Agent 定义事实、允许改动和完成条件，在运行前检查变更是否保留原任务。对 14,336 次已存运行的重评分发现，嵌入相似度会放行改变任务的修改；研究强调测试有效性，不等于提供通用安全保证。
5 条研究
会议论文
误导图表如何影响网页 Agent 的操作
MisVisAgentBench以280个任务实例组成干净图表与误导图表配对，隔离视觉证据的影响。13种网页Agent的平均成功率下降超过34个百分点；结果来自特定可执行任务集，不代表所有真实网站。 作者注明已获 EMNLP 2026 录用。
论文 / 预印本
TreeHCA：用回溯探索改进多轮 Agent 训练
根据参考答案似然变化回访中间步骤，采样推理和工具调用分支，再将结果传播为轮次级优势。作者在七个问答基准、三种Qwen骨干上报告总体提升；效果不等同开放任务上的普遍可靠性。
论文 / 预印本
同时修改应用与部署配置的 Agent PR 研究
论文分析26999个PR，以分层匹配比较代码与基础设施共同修改的集成过程，发现审查延迟及绕过人工审查两类模式。这是依赖条件可交换性等假设的观察研究，不能把所有差异直接认定为因果效应。
论文 / 预印本
CToM：预测用户反馈后再修订回答
框架先起草、预测用户回应并内部修订，将回应预测目标与GRPO结合。在数学、编程和写作协作任务上报告表现与交互效率提升；结果限于论文任务与用户回应设置，不能解释为理解人类心理。
论文 / 预印本
T-Mem：为多方长期对话组织时间证据
以时间局部性补找遗漏消息，再用证据森林表达状态变化与支持关系，压缩低信息跨度供回答生成。作者在两个长期多方记忆基准上报告收益；实际持续对话中的长期稳定性仍需验证。
5 条研究
论文 / 预印本
无需字幕的原始视频中期训练
研究让Qwen3-1.7B预测连续视觉标记，再进行相同的图文指令微调。作者在所测图像和视频任务上报告提升，文本均值保持；实验集中于这一模型与训练配置，未证实普遍扩展规律。
论文 / 预印本
Intent Graph：让探索性数据分析路径可检查
DAG-EDA以意图图拆解分析问题，以知识图把领域概念连接到数据变量，支持分支比较和回溯。论文展示使用场景及用户研究设计，尚未提供已完成用户实验的效果证据。
论文 / 预印本
NOMOS：将文字策略编译成工具调用门控
四阶段编译器把自然语言策略变为确定性门控，并用工具模式静态检查规则。作者在客服与提示注入基准上报告违规减少；效果受策略表达与绑定完整性限制，不能保证拦截所有有害行为。
论文 / 预印本
AgentHorizon：检验长流程电脑操作的自动裁判
基准包含1373对指令与轨迹，利用相近指令的配对检查裁判是否发现隐藏约束与副作用。作者评测11种裁判，最优配置在AH子集平衡准确率为80.9%；自动判定仍存在明显误差。
论文 / 预印本
OpenProblemBench：面向理论科学开放问题的评测
以82道数学和理论物理未解问题提供背景、假设与已有进展，由四个模型独立评判提交内容。论文报告的解决率属于无标准答案的模型评审结果，不能据此认定开放问题已获独立证明。
5 条研究
论文 / 预印本
自我改进循环中的评测噪声与赢家诅咒
研究反复复用小评测集筛选提示词所造成的高估。Qwen实验中，选择集得分与留出集表现存在明显差距；论文主张报告独立留出评测及不确定性，未发现测试的接受规则能普遍解决问题。
论文 / 预印本
仅用样本评估 Best-of-N 推理策略
利用得分排名估计策略价值，无需取得模型回答的概率，并据置信区间选择采样预算。验证包含合成实验和GSM8K；理论保证依赖论文假设，不意味着真实部署中不会产生错误回答。
论文 / 预印本
LeCuration：用小型世界模型辅助数据整理
以潜在世界模型加扩散解码器，探索异常检测、内容聚类和动作状态一致性检查。论文仅提供CS:GO游戏数据上的定性概念验证，尚未报告量化整理指标或下游训练收益。
论文 / 预印本
RT-Safe：将推理延迟纳入具身 Agent 安全评测
城市模拟环境在模型推理时持续运行，联合评测任务完成与碰撞等安全事件。八种视觉语言模型显示成功率可能掩盖实时风险；结果来自模拟城市，不能作为真实道路事故率预测。
论文 / 预印本
SearchWorld：以空间记忆与想象辅助无人机搜索
世界模型把俯视探索记忆、障碍物和任务价值结合，用想象轨迹改进搜索策略。作者在UAV-ON报告23.8%成功率、未见场景为19.9%；仍有大量失败，实验不证明真实城市自主飞行可靠。
5 条研究
论文 / 预印本
SkillFormer：按技能组合音频模型适配器
将音高、说话人等技能拆分为低秩适配器，由问题驱动路由组合。作者在三种模型和三个基准上报告平均准确率提升2.5—4.1个百分点；结论限于这些评测。
会议论文
多智能体模拟：基础模型与角色设定的影响
研究在混合基础模型的社交网络模拟中，分离角色与模型带来的互动差异。实验中模型身份对参与度的影响超过角色设定；这是模拟观察，不能直接推断真实人类社交行为。 作者注明曾在 COLM 2026 相关社会模拟工作坊作 Spotlight 展示。
论文 / 预印本
为 JEPA 世界模型保留控制所需的不稳定模式
研究指出预测损失较低仍可能丢失控制关键状态，并加入动作重建目标。理论针对线性系统，非线性证据来自CartPole等视觉控制实验，尚非通用机器人稳定性保证。
论文 / 预印本
GRADE：用梯度准入控制小模型微调
结合动态样本选择和逐步更新门控，减少LoRA低秩空间中的梯度冲突与覆盖。作者在三种骨干、七个指令数据集上报告收益；尚未证明对任意模型与数据分布同样有效。
论文 / 预印本
CheckerBench：评测 Agent 编写静态分析检查器
300项任务要求Agent理解缺陷、修改仓库并利用编译反馈完善检查器。21种模型与执行框架组合的平均Pass@1为32.30%；结果反映这一特定检查器开发基准，不能等同完整安全审计能力。
当前标签与日期范围内没有研究条目，可切换标签或选择“全部”日期。