會議論文
MemCode：用離散語義編碼組織 Agent 長期記憶
將對話改寫為獨立記憶單元，結合語義碼本關聯與向量檢索；作者報告兩項長記憶基準上的準確率和建構效率改善。結論限於所測設定，作者註明獲 NeurIPS 2026 錄用。
RESEARCH FRONTIER
前沿研究
每日精選人工智慧與 AI Agent 的論文和研究成果，涵蓋預印本、會議論文及研究報告。依精選批次歸檔，每項保留原始發布日期與研究限制。
更新於 2026-10-17
6 則研究
會議論文
ProD：減少小模型 Agent 的停滯循環
利用師生軌跡的進度差，自適應懲罰學生的停滯行為。作者在八個小模型上報告成功率與任務效率提升；尚不能推及所有任務，作者註明獲 NeurIPS 2026 錄用。
會議論文
Agent 安全評測：基準中的捷徑會影響結論
透過分組留出與成對干預，區分標籤可預測性和防護器決策變化，發現部分格式線索影響誤報，跨模型效果不一致。作者註明獲 NeurIPS 2026 的 TAE、AIWILD 工作坊錄用。
論文／預印本
MLExpert：面向自主機器學習實驗的 Agent 訓練
以分層監督微調和視窗化互動強化學習，把實驗結果回饋分配給多步決策。作者報告 MLE-Bench Lite 獎牌率提高，並測試跨任務遷移；這是預印本中的基準結果。
論文／預印本
Librarian Agents：為未來問題預先整理工作區
建構 Agent 把原始文件整理成分層檔案和引用連結，並按下游問答準確率進行強化學習。作者報告兩項基準提升；預先整理的成本需由後續多次查詢攤銷，結論仍屬預印本。
論文／預印本
OS-Helix：在統一動作空間中結合 GUI 和程式碼
使用可驗證的桌面任務及按動作步平衡的強化學習，訓練 Agent 在圖形操作與程式碼執行之間協作。作者報告 OSWorld-Verified 成功率提升並測試 Windows 遷移；預印本結果不代表任意桌面任務均可靠。
5 則研究
研究報告
可重現發現：追溯 NIST 橢圓曲線的種子來源
Anthropic 公開重現程式碼，將五條 NIST 質數曲線的種子對應至 lrand48 與歷史時間戳記。這並非破解 ECDSA，部分基點與候選篩選規則仍待釐清。
研究報告
Claude 與自動評估器協作最佳化量子電路
研究給模型自然語言規格與正確性、資源評分器，閉環最佳化八項量子電路任務，並驗證部分數學性質。作者報告量子位元與閘數之間的新折衷；結果屬於演算法資源估算，尚非實用量子硬體展示。
研究報告
AI 預期差距：公眾與研究機構員工如何看待未來工作
研究比較約 1.1 萬名美國成年人和 Anthropic 員工的調查，發現兩組對未來 AI 能力與自身工作自動化的預期不同。它記錄受訪者信念及相關性，不是能力預測已獲驗證，也不能證明經濟影響的因果關係。
研究報告
觀察研究：Agent 使用如何改變 Anthropic 內部工作
研究結合內部用工、工具使用與產出數據及十七次訪談，觀察到初級技術招聘占比下降、Agent 監督工作增加。作者承認工具採用並非隨機，且程式碼行數不等於品質；單一公司的經驗不能代表整個勞動市場。
研究報告
Google Research：用數位分身連接 Agent 與實驗室
研究以 VERID 數位分身追蹤機器人和實驗狀態，在執行前檢查物理約束，並透過真實實驗回饋迭代分子候選。原型保留人工授權和監督；論文案例尚不代表完全自主實驗室或臨床有效性。
5 則研究
論文／預印本
Athanor：AI Agent 自主進行模型後訓練研究
預印本提出在實體 GPU 上自主進行後訓練的系統，包含固定評測、工作管理與研究紀錄。結果限於文中模型與實驗設定，尚不代表通用自主科研能力。
論文／預印本
Agent 批准操作需要與真實執行效果綁定
研究稽核十種智慧體執行環境，提出將規範化操作描述呈現給使用者、簽署摘要後僅執行已存呼叫的授權閘道。實驗減少了批准內容被替換的問題，但批准轟炸仍然有效，且已被策略允許的操作無法靠確認解決。
論文／預印本
RAG 安全研究：檢索圖結構也會影響污染風險
論文在兩百萬篇維基文件構成的 HNSW 檢索系統中，研究圖連接結構如何讓污染內容更易進入模型上下文。作者報告了檢索與生成兩階段的風險；結果依賴所測索引、搜尋預算及防禦設定。
會議論文
LinguaGuardBench：使用者語言會改變 Agent 安全判定嗎？
研究只翻譯使用者指令，保持 1,220 個步驟的工具呼叫、觀察和標籤不變，對十九種守衛模型測試。多種模型在較少見語言下出現額外判定變化；這測量的是語言敏感性，而非真實環境攻擊成功率。 作者註明已獲 NeurIPS 2026 AIWILD 工作坊錄取，並非主會議錄取聲明。
論文／預印本
MCP-FSD：檢查工具聲明與檔案系統權限之間的缺口
研究篩查九個註冊來源中的 21,097 個 MCP 服務，以工具契約分析和成對動態執行識別越界檔案存取。所測沙箱策略下確認 150 個脆弱實例；篩查比例不代表所有部署的實際失陷率。
5 則研究
論文／預印本
多開發者協作成為 Agent 擴展的新方向
研究比較多開發者與單開發者智慧體系統。在 GAIA 上，多個專長智慧體組合達到 70% 準確率。作者透過經驗與理論模型解釋專業分工的價值；結果仍限於論文的基準與資源設定。
論文／預印本
CIPR：讓 Agent 適應變化的工具介面
研究把同一任務放在兩種語義等價介面下訓練，用策略分布的一致性約束減少動作名稱和表示方式變化帶來的效能下降。作者在監督與強化學習後訓練中驗證方法；涵蓋範圍限於所測介面擾動。
論文／預印本
適時遺忘能否幫助科研 Agent 突破搜尋停滯？
作者觀察到，研究智慧體累積嘗試歷史後容易被既有方案錨定。方法定期清除會話與候選歷史，從目前最佳方案重新搜尋，在四項程式設計、核心最佳化和模型訓練任務上改善結果；尚不能推及所有科研任務。
論文／預印本
PhySGA：用物理模擬回饋組裝三維場景
框架讓裝配智慧體負責幾何規劃，評審智慧體檢查接觸動力學，並把模擬試錯整理為可重用技能。作者在 Isaac Sim 中評估剛體、關節和可變形物體的組合；模擬結果尚不等同於真實機器人驗證。
論文／預印本
JetStream：Agent 為現有資料庫生成可驗證加速器
分階段智慧體流程為查詢生成加速器，直接使用資料庫原生資料表，並保持寫入時輔助狀態一致。方案區分差分測試與機器證明兩類正確性保障；效能數據來自指定 TPC-H 規模和更新負載，不能泛化為所有資料庫查詢。
6 則研究
論文／預印本
Into the Unknown：評測 Agent 對開放科學問題的研究能力
預印本以科學家未發表的研究方向建立評測。九種 Agent 產生的 135 篇後續論文皆未符合全部條件，顯示現有系統在研究完整性與驗證上仍有明顯限制。
論文／預印本
FEP：跨異質事件日誌預測下一事件
FEP 將基於上下文的非參數事件預測寫成注意力運算，以穩健嵌入和時間正規化適應不同系統。作者在 696 個日誌資料集預訓練，並在 50 個未見資料集上無參數調整評估；效果隨目標任務變化。
論文／預印本
YUBI-Real2Sim：檢查重建場景能否可靠評價機器人
框架將雙魚眼視角、3D 高斯重建與物理模擬結合，在九組場景任務比較中有八組重現實機策略排序。研究同時測試孔洞和漂浮偽影影響，指出畫質分數尚不能形成通用可靠的場景驗收規則。
論文／預印本
Box-WAM：以物體框軌跡壓縮機器人未來狀態
Box-WAM 以任務相關物體的有向包圍框軌跡取代整幀未來影片，聯合預測動作與物體運動。作者報告在機器人操作任務中減少計算並改善動作預測，但緊湊表示能否保留開放環境所需細節仍需更廣泛驗證。
論文／預印本
TacitVLA：讓動作不必等待推理文字產生
TacitVLA 保留推理監督，但動作專家不讀取目前呼叫產生的推理文字，長任務中的記憶可在執行動作時產生。作者在四個操作及駕駛基準上比較延遲與表現，結果是受控實驗結論，不能視為實際駕駛安全認證。
論文／預印本
Agent 記憶認證：事實變化後如何停止重用舊結論
論文分析把多步推理壓縮成記憶後的過期風險，提出依失敗似然比認證效用、偵測變化並重啟憑證。五種模型的變更事實問答及帶精確驗證器的程式實驗顯示優勢；安全界依賴可驗證回饋和規定的資訊條件。
5 則研究
論文／預印本
逐層量化誤差補償：保證何時成立、何時失效
論文推導線性網路在指定捨入雜訊等假設下的均方誤差改善保證，並展示啟用函數、有限碼本等可使比較失效。兩種 8B 模型實驗支持謹慎使用補償強度，校準資料上的損失下降不保證新文本收益。
論文／預印本
ECHO：依錯誤責任分配工具型 Agent 的訓練回饋
ECHO 以凍結評審器區分新錯誤、繼承後果和有效糾正，對共享後果僅計分一次，並限制自行製造錯誤後的修復獎勵。作者在 4B、8B 模型的六項工具任務上報告改善；方法仍依賴評審器的責任判斷品質。
論文／預印本
RECONS：依接收方和通訊路徑約束多 Agent 隱私外洩
研究在 485 個情境中觀察授權資訊如何經常規協作流向未授權 Agent。RECONS 結合接收方和執行脈絡去識別化，在保留多數授權揭露時降低外洩，但仍有殘餘揭露，偵測涵蓋率是主要瓶頸。
論文／預印本
Agent 基準稽核：評分器缺陷可能改寫成功率
論文提出狀態完整性約束與已知答案控制，稽核會在評分前修改環境狀態的基準缺陷。4,320 次執行經重播校正後，成功率由 94.3% 降至 65.5%；另一基準缺少可重建終態，方法無法直接驗證。
論文／預印本
Dream2Discern：不新增軌跡訓練執行時失敗預測器
Dream2Discern 擾動既有軌跡前綴的表示，產生稽核器目前難以分類的隱空間變體，再沿用原標籤訓練。作者在 AFTraj-2K、StepShield 上報告超過 90% 的軌跡加權準確率，但僅驗證紀錄資料上的結果預測。
5 則研究
論文／預印本
MoMaTune：面向數值紀錄的兩階段後訓練
MoMaTune 先在無標籤序列化紀錄上建模，並可加入同一紀錄不同視圖的一致性學習，再訓練下游預測。作者在八個公開資料集上報告收益，說明數位敏感度和欄位關係值得監督；結果不代表普遍數值推理能力。
論文／預印本
Sequent-Prover：藉助求解器訓練可檢查推理
Sequent-Prover 讓模型編寫 SMT-LIB、呼叫 Z3 並修復形式化過程，以篩選軌跡進行蒸餾和偏好訓練。作者在 37 個基準上報告準確率提升及呼叫減少，同時強調求解成功不必然意味形式化忠實於原問題。
論文／預印本
RECAP：以歷史上下文校準低位元推理模型
RECAP 在量化校準時保留長歷史前綴並輪替短重建區塊，依歷史快取對注意力輸出的影響設定監督。作者在多種低位元推理設定上報告優於基線；這些結果來自特定模型和基準，未證明任意長鏈推理皆能保真。
論文／預印本
LeHami：以辛幾何約束世界模型的潛在動力學
LeHami 以辛積分的哈密頓流替換 JEPA 的自由預測器，在結構上保持潛在相空間體積。視覺擺環境實驗顯示長時速度預測改善，但驗證集中在守恆及受控擺系統，不能直接推廣至複雜現實世界。
論文／預印本
Co-DSL：人機共同設計可重用空間概念
Co-DSL 將使用者描述和回饋轉成可重用空間操作，由語言模型組合概念圖，再由求解器尋找滿足約束的版面。研究在五類空間配置任務上展示效果，結論依賴概念庫和約束表達，未涵蓋任意設計需求。
5 則研究
會議論文
以可移植技能簡化 Agent 檢索增強流程
論文以自然語言技能、輕量工具和文件導覽層產生客服處理流程。在需人工審核的整理文件庫中，作者報告較高流程一致性，但每例約需 90 秒，慢於原有助理，結論僅適用於該情境。 作者註明已獲 EMNLP 2026 Industry Track 錄取。
論文／預印本
SceneForesee：評測影片中實體的未來變化
研究建構共享實體識別碼的觀測與未來場景配對資料，並提出 EvoSee 聯合預測軌跡和事件。作者在 SceneForesee 與 Dyn-Bench 上報告改善，結果支持所測場景推理任務，不能視為開放世界預測可靠性的證明。
論文／預印本
TETPO：依有效樣本數調節非同步強化學習
TETPO 根據每組提示的有效樣本數調整重要性權重指數，降低舊策略軌跡集中主導更新的風險。論文給出權重離散度界，並在高延遲數學推理訓練中比較基線；理論保證受橋接分布及相關假設約束。
論文／預印本
KV4-RL：為非同步強化學習量化 KV 快取
KV4-RL 將 INT4 KV 量化與注意力錨點及近期上下文的 INT8 保護結合。作者在 Qwen3 訓練中報告整體迭代加速，並在共同 BF16 評估下維持接近基線的準確率；結論限於所測模型與訓練設定。
論文／預印本
可執行任務契約：先確認 Agent 測試仍是相同任務
論文為工具型 Agent 定義事實、允許修改及完成條件，在執行前檢查變更是否保留原任務。對 14,336 次已存執行的重新評分發現，嵌入相似度會放行改變任務的修改；研究強調測試有效性，不等於提供通用安全保證。
5 則研究
會議論文
誤導圖表如何影響網頁 Agent 的操作
MisVisAgentBench以280個任務實例組成乾淨圖表與誤導圖表配對，隔離視覺證據的影響。13種網頁Agent的平均成功率下降超過34個百分點；結果來自特定可執行任務集，不代表所有真實網站。 作者註明已獲 EMNLP 2026 錄取。
論文／預印本
TreeHCA：用回溯探索改進多輪 Agent 訓練
根據參考答案似然變化回訪中間步驟，採樣推理和工具呼叫分支，再將結果傳播為輪次級優勢。作者在七個問答基準、三種Qwen骨幹上報告總體提升；效果不等同開放任務上的普遍可靠性。
論文／預印本
同時修改應用與部署配置的 Agent PR 研究
論文分析26999個PR，以分層匹配比較程式碼與基礎設施共同修改的整合過程，發現審查延遲及繞過人工審查兩類模式。這是依賴條件可交換性等假設的觀察研究，不能把所有差異直接認定為因果效應。
論文／預印本
CToM：預測使用者回饋後再修訂回答
框架先起草、預測使用者回應並內部修訂，將回應預測目標與GRPO結合。在數學、程式設計和寫作協作任務上報告表現與互動效率提升；結果限於論文任務與使用者回應設定，不能解釋為理解人類心理。
論文／預印本
T-Mem：為多方長期對話組織時間證據
以時間局部性補找遺漏訊息，再用證據森林表達狀態變化與支持關係，壓縮低資訊跨度供回答生成。作者在兩個長期多方記憶基準上報告收益；實際持續對話中的長期穩定性仍需驗證。
5 則研究
論文／預印本
無需字幕的原始影片中期訓練
研究讓Qwen3-1.7B預測連續視覺標記，再進行相同的圖文指令微調。作者在所測影像和影片任務上報告提升，文字均值保持；實驗集中於這一模型與訓練配置，未證實普遍擴展規律。
論文／預印本
Intent Graph：讓探索性資料分析路徑可檢查
DAG-EDA以意圖圖拆解分析問題，以知識圖把領域概念連接到資料變數，支援分支比較和回溯。論文展示使用情境及使用者研究設計，尚未提供已完成使用者實驗的效果證據。
論文／預印本
NOMOS：將文字策略編譯成工具呼叫門控
四階段編譯器把自然語言策略變為確定性門控，並用工具模式靜態檢查規則。作者在客服與提示注入基準上報告違規減少；效果受策略表達與綁定完整性限制，不能保證攔截所有有害行為。
論文／預印本
AgentHorizon：檢驗長流程電腦操作的自動裁判
基準包含1373對指令與軌跡，利用相近指令的配對檢查裁判是否發現隱藏約束與副作用。作者評測11種裁判，最優配置在AH子集平衡準確率為80.9%；自動判定仍存在明顯誤差。
論文／預印本
OpenProblemBench：面向理論科學開放問題的評測
以82道數學和理論物理未解問題提供背景、假設與已有進展，由四個模型獨立評判提交內容。論文報告的解決率屬於無標準答案的模型評審結果，不能據此認定開放問題已獲獨立證明。
5 則研究
論文／預印本
自我改進循環中的評測雜訊與贏家詛咒
研究反覆重用小評測集篩選提示詞所造成的高估。Qwen實驗中，選擇集得分與留出集表現存在明顯差距；論文主張報告獨立留出評測及不確定性，未發現測試的接受規則能普遍解決問題。
論文／預印本
僅用樣本評估 Best-of-N 推理策略
利用得分排名估計策略價值，無需取得模型回答的機率，並據信賴區間選擇採樣預算。驗證包含合成實驗和GSM8K；理論保證依賴論文假設，不意味著真實部署中不會產生錯誤回答。
論文／預印本
LeCuration：用小型世界模型輔助資料整理
以潛在世界模型加擴散解碼器，探索異常偵測、內容分群和動作狀態一致性檢查。論文僅提供CS:GO遊戲資料上的定性概念驗證，尚未報告量化整理指標或下游訓練收益。
論文／預印本
RT-Safe：將推理延遲納入具身 Agent 安全評測
城市模擬環境在模型推理時持續運行，聯合評測任務完成與碰撞等安全事件。八種視覺語言模型顯示成功率可能掩蓋即時風險；結果來自模擬城市，不能作為真實道路事故率預測。
論文／預印本
SearchWorld：以空間記憶與想像輔助無人機搜尋
世界模型把俯視探索記憶、障礙物和任務價值結合，用想像軌跡改進搜尋策略。作者在UAV-ON報告23.8%成功率、未見場景為19.9%；仍有大量失敗，實驗不證明真實城市自主飛行可靠。
5 則研究
論文／預印本
SkillFormer：按技能組合音訊模型適配器
將音高、說話者等技能拆分為低秩適配器，由問題驅動路由組合。作者在三種模型和三個基準上報告平均準確率提升2.5—4.1個百分點；結論限於這些評測。
會議論文
多智慧體模擬：基礎模型與角色設定的影響
研究在混合基礎模型的社交網路模擬中，分離角色與模型帶來的互動差異。實驗中模型身分對參與度的影響超過角色設定；這是模擬觀察，不能直接推論真實人類社交行為。 作者註明曾在 COLM 2026 相關社會模擬工作坊作 Spotlight 展示。
論文／預印本
為 JEPA 世界模型保留控制所需的不穩定模式
研究指出預測損失較低仍可能丟失控制關鍵狀態，並加入動作重建目標。理論針對線性系統，非線性證據來自CartPole等視覺控制實驗，尚非通用機器人穩定性保證。
論文／預印本
GRADE：用梯度准入控制小模型微調
結合動態樣本選擇和逐步更新門控，減少LoRA低秩空間中的梯度衝突與覆蓋。作者在三種骨幹、七個指令資料集上報告收益；尚未證明對任意模型與資料分布同樣有效。
論文／預印本
CheckerBench：評測 Agent 編寫靜態分析檢查器
300項任務要求Agent理解缺陷、修改儲存庫並利用編譯回饋完善檢查器。21種模型與執行框架組合的平均Pass@1為32.30%；結果反映這一特定檢查器開發基準，不能等同完整安全稽核能力。
目前標籤與日期範圍內沒有研究項目，可切換標籤或選擇「全部」日期。