论文：AI 论文、技术方法与基准测试第 23 页
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
- AI 摘要arXiv cs.AI
PhysiCalWorld 用上下文提示校准世界模型物理参数
arXiv 收录论文 PhysiCalWorld，针对动作条件世界模型在测试场景中物理属性不可见、预测漂移的问题，提出用上下文提示做实例级校准，无需微调或解析物理建模。方法把测试场景内采集的一段探索性交互片段编码成紧凑的物理描述符 token，让后续预测锚定该场景真实物理行为；训练只用潜空间预测损失，不需要物理标签。推理时描述符只提取一次，可在多次 rollout 中复用，算力开销可忽略。作者在覆盖多种物理变化的四个环境中评测，称 rollout 预测精度与视觉规划成功率均有明显提升，学到的描述符形成有物理结构的潜空间，并能泛化到训练时未见过的物理范围。
- AI 摘要arXiv cs.AI
arXiv 论文提出 Environment Duels 基准，评测 LLM …
一篇提交到 arXiv 的论文提出 Environment Duels，一个动态的 agentic 基准，在交互环境中同时考察模型的两项能力：写出带特权提示的环境，以及在没有提示时解不出、有提示时能解出。作者在九个前沿 LLM 上测试后发现，解题与出题是两种不同技能，最强的解题者并非最强的出题者；较小的模型反而从他人的对局中学到更多，写出的环境最难、提示最有用。论文还报告，两两对局结果具有传递性，可形成稳定排名；独立作者会收敛到相同设计；在 Qwen3.8-27B 的强化学习实验中，学习者在某作者环境上的提示增益，与该环境训练后迁移到留出推理与 agentic 基准的提升相关。代码已公开。
- AI 摘要arXiv cs.AI
AI 辅助发现新共识协议 A-greement，延迟降低 12.2% 至 33…
一篇 arXiv 论文报告，作者借助 AI 工具 AI-greement 发现了一种面向地理复制状态机的新共识协议 A-greement。在 5 或 9 个副本的六种部署上取平均，地理分布式键值存储在写密集和读密集负载下的平均延迟，分别比最快的基线方案低 12.2% 和 33.3%；在只读负载下，它与最快的基线方案持平。该协议结合了租约授权的本地读、客户端直接获知由领导者排序的写结果，以及按网络拓扑和工作负载选择的固定法定人数逐键写路径。AI-greement 由三部分组成：面向概念协议的知识库、模块化实现骨架，以及基于 Lean 的验证框架。作者强调，人类共识专家在搜索前后仍然不可或缺。
- AI 摘要arXiv cs.AI
Quant-Arena 基准发布：九款前沿模型均未跑赢等权市场
研究团队推出 Quant-Arena，这是一个面向端到端量化研究、基于真实 A 股数据的基准与公开排行榜。模型需自行构造特征与选股代码，只在 2022 至 2023 年数据上获得反馈，随后冻结一套策略，在封存的 2024 年数据上接受评估。评估器按现金账户规则计入交易约束与成本，市场冲击由模拟订单簿估算。评分以实际超额收益为主，辅以信号质量与特征多样性。九款前沿模型参与测试，GPT-6 Astra 得分最高，但没有任何模型在 2024 年跑赢等权市场。该基准接受任意模型或智能体框架提交。
- AI 摘要arXiv cs.AI
arXiv 论文提出 PAPAV 框架，统一比较电脑使用与机器人使用智能体
一篇提交至 arXiv 的论文把多模态智能体从电脑使用延伸到机器人使用，提出以能力而非架构划分的 PAPAV 框架，包含感知当前状态、预判动作效果、规划可行路径、通过接口或本体执行、核验结果五项功能。作者用该框架对比多模态智能体、机器人系统与多模态具身智能体，并指出从部分可观测到结果不可核验等五类物理约束会压缩可预先固定的选择空间，也减少纠错余地。在 64 个基准中，显式评测集中在执行环节，只有 5 个评测预判、3 个评测核验。
- AI 摘要arXiv cs.AI
ASTEROID：非对称在线策略蒸馏让学生模型学会探索
论文提出 ASTEROID，一种学生—教师监督学习框架，用于在部分可观测环境下学习测试时的探索行为。学生先在部分可观测条件下收集在线策略上下文，特权专家再基于该上下文给出动作标签；学生通过蒸馏这些标签，学会在不确定时搜索、在隐藏状态显现后利用。方法在十一个环境（离散探索基准、机器人操作、导航、Procgen）中，在固定探索预算下回报约为对比方案的两倍，交互次数比强化学习基线少约两个数量级，探索表现超过前沿模型。策略从仿真迁移到视觉受限的真实机器人操作任务，成功率比标准蒸馏高 40%。
- AI 摘要arXiv cs.AI
BatchBench 榜单发布：评测生物医学图像模型对批次效应的鲁棒性
研究团队公开 BatchBench，一个用于比较 AI 系统在生物医学图像上鲁棒性的排行榜，评测对象是来自未见实验批次与数据来源的样本。该榜单基于公开数据集 JUMP-CP 构建，该数据集由 Cell Painting 检测生成，存在明显的批次效应与域偏移。作者指出，现有 AI 系统仍易受域偏移影响，域适应方法虽有进展，但在域偏移下的性能差距依然存在，因此需要可量化进展的评测基准。
- AI 摘要arXiv cs.AI
arXiv 论文提出差分隐私稀疏奖励估计框架
一篇 arXiv 论文研究「私有稀疏 RLHF」问题，假设人类偏好（奖励模型）只由 s*≪d 个相关特征决定，而非全部 d 维参数。作者称这是首个在 Bradley-Terry-Luce 模型下、基于成对偏好反馈的差分隐私稀疏奖励估计理论框架，并给出 Sample-DP 与 Label-DP 两种设定下的算法。理论上给出平方 ℓ2 参数估计误差上界：Sample-DP 为 Õ(s*/n + s*²/n²ε²)，Label-DP 为 Õ(s*/n + s*/nε²)，n 为训练数据量；并证明 Sample-DP 速率接近最优，Label-DP 在随机响应框架内无法再改进。实验在情感生成与安全对齐基准上优于稠密基线。
- AI 摘要arXiv cs.AI
AtomicRL 提出面向长程机器人操作的强化学习后训练框架
AtomicRL 是一个用于视觉-语言-动作（VLA）模型的后训练强化学习框架，针对长程操作任务中轨迹级稀疏奖励导致的信用分配延迟与偏差问题。它包含两个组件：语义感知策略优化（SAPO）通过语义门控阻止失败子任务的 TD 残差跨任务边界传播，减少信用污染；瓶颈自适应目标探索（BATE）依据各原子子任务的掌握程度动态调整采样与局部探索激励。作者还搭建了 Real2Sim2Real 流程，把仿真中的在线强化学习迁移到真实机器人。在 LIBERO-LONG 上，相比 PPO，两种 VLA 架构分别取得 3.6% 和 4.0% 的绝对性能提升；在 CALVIN ABC-D 上，全任务性能最高提升 9.5%；结合 Real2Sim2Real 后，真实世界任务性能平均提升 21.3%。
- AI 摘要arXiv cs.AI
论文提出图结构分布式块优化框架，协调并行AI智能体的编辑合并
一篇 arXiv 论文把多个并行 AI 智能体协同修改同一方案的过程，建模为带依赖图的离散块优化问题。独立集可用来判定哪些编辑彼此兼容，这些编辑相对同一当前方案的增益可以精确相加；协调器据此构造安全的兼容候选，也能评估相互作用的编辑。作者证明，最优分数着色给出的合并方案能保留总验证局部改进的 1/χ_f(G) 比例，且这一保证在只挑选同一批提案子集的合并方式中最紧。在条件性局部改进保证与块误差界条件下，反复协作在目标差距上几何收敛，收敛速率把任务结构、智能体分配与计算开销分开，并给出智能体分配的线性规划与显式时间-成本权衡。代码修复实验中，验证式合并解决了朴素合并失败的冲突；在三个公开路网、90 次配对运行中保留 922 单位图割改进；路径搜索智能体在 12 次配对运行中实测墙钟时间中位数下降 15%。
- AI 摘要arXiv cs.AI
arXiv 论文提出让数据智能体在推理中主动画图的方法
一篇 arXiv 预印本探讨图表能否作为数据智能体推理循环中的内部认知动作。作者先构建包含 200 个受控任务的测试集，在四种匹配的接口条件下发现：智能体从自己生成的图表中读取信息的效果与从数值输出中读取相当，但仅仅提供绘图能力并不能让它们稳定使用图表。任务切片显示，图表在时间、模式与异常推理上占优，文本在精确读取与条件验证上占优。作者随后提出一种方法，从条件化轨迹采样中蒸馏两类经验：一类记录如何选择与验证分析操作，另一类记录何时调用文本、图表或两者兼用；轨迹评判器为结果打分并标注中间步骤，验证门只接纳能提升留出集表现的经验。在三个留出基准与四个 LLM 主干上，该方法提升了分析准确率与视觉证据质量，从未画过图的主干也开始使用图表，且不修改模型参数。
- AI 摘要arXiv cs.AI
前沿AI模型在LIBERO-10机器人操作基准上的评测：最高成功率44%
一篇提交至arXiv的论文提出统一的闭环操作框架，让通用AI模型不经任务微调、也不依赖预训练操作技能，仅通过视觉观测、机器人本体感知和结构化工具调用（主要指定末端执行器位姿与夹爪指令）直接控制机器人。研究在LIBERO-10基准上评测了GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna、Claude Opus 5、Claude Opus 5.5、Gemini-4 Argon六个模型，覆盖三档推理强度，共18种配置、1800个评测回合。GPT-6 Astra成功率最高，为44%，Gemini-4 Argon以43%紧随其后。提高推理强度通常能改善操作表现，但收益因模型而异，且带来额外推理成本。模型在物体放置类任务上表现较好，在精确空间排布与复杂多步交互上明显吃力。作者公开了评测框架与实验结果。
- AI 摘要arXiv cs.AI
SWE-DIVE 提出多轮编码智能体评测框架，用用户模拟器替代单轮提示
现有编码智能体评测多依赖一次性、表述清晰的提示，SWE-bench 一类基准直接拿 GitHub issue 当输入。但真实场景中提示往往不够规范，且一次会话通常包含多轮交互，用户会不断追加任务与需求。为此作者构建 SWE-DIVE：一个动态、可交互的评测框架，核心是一个能模拟多种行为模式的用户模拟器，与编码智能体对话；另设对话校验器判断模拟器输出是否满足初始要求、是否把智能体引向正确解法。整个框架运行在 Harbor 环境中，由它调度智能体、模拟器与校验器并执行测试环境判定任务是否完成。代码与结果已公开，论文被 NeurIPS 2026 相关 workshop 接收（非存档）。
- AI 摘要arXiv cs.AI
arXiv 论文提出用可执行算术规则控制测试决策模型
arXiv 收录一篇 cs.AI 论文，作者用可执行算术规则把受控输入变化与规则迁移、联合可靠性、有向信息使用联系起来。方法通过语义规则分离以及规则与状态的交叉测试，使迁移和联合成功可以分别度量；研究还比较了等价措辞、用保持边缘分布的重关联校准联合正确性，并通过改动表格定义替代答案目标。结果显示，适配增益随与最近来源答案的一致度上升；完全冲突的四元组汇总增益很小，且在不同来源划分上增益符号相反。等价改写会产生方向相反的任务级效果。
- AI 摘要arXiv cs.AI
SP-HLM：用稀疏姿态接口驱使人形机器人全身运动与操作
一篇 arXiv 论文提出 SP-HLM 框架，把人形机器人高层任务策略与全身控制之间的接口改为稀疏姿态驱动：用五个任务关键身体姿态加一个学习到的隐式运动先验，分别承载空间意图与全身协调。其中 SP-VLA 视觉语言动作模型从多模态观测和语言指令预测稀疏姿态与手指关节位置，采用异步动作分块推理；SP-MGM 经两阶段蒸馏训练，实时重建协调的全身动作；预训练运动编码器把动作压成紧凑隐表示；SP-GMT 运动跟踪器再把显式稀疏目标与隐式先验结合做全身控制。仿真与真机实验显示，该方法在动作跟踪、全身协调和移动操作成功率上优于现有方案。
- AI 摘要arXiv cs.AI
HGM-Dual 提出面向规划智能体的谱系感知 harness 优化框架
论文提出 HGM-Dual，用于在冻结或闭源 LLM 上优化智能体的提示、工具与工作流。作者指出，Darwin–Gödel Machine、Huxley–Gödel Machine 等递归自我改进方法主要面向编程任务，而规划任务需要智能体输出满足相互约束的工具调用序列，开放式自我修改会反复尝试无效改动并消耗大量评估预算。HGM-Dual 把智能体演化记录为谱系感知上下文，标明每个祖先改了什么、哪些行为改善或退化、哪些修改无效；同时引入错误条件下的双路径子代生成，为每个父代生成一个保留开放探索的通用子代，以及针对最可能导致约束违反的组件的专用子代。在案例准确率上，它相对最强基线最高提升 14.45%，并以少 2 至 4 倍的评估预算达到 HGM 变体的最终表现。
- AI 摘要arXiv cs.AI
论文提出行为定位法，用少量轨迹位置监督软提示
这篇论文关注工具调用智能体的技能注入问题：长文本技能描述会推高计算开销，软提示虽紧凑，但用整条成功轨迹训练会带来多余的行为改变。作者发现文本技能的作用集中在少数轨迹位置上，于是提出 Behavioral Localization：对比带技能与不带技能的冻结智能体，挑出既提高成功 token 概率、又明显改变下一 token 分布的位置，用这些位置监督一段短软提示。在 SpreadsheetBench 上，以冻结的 Qwen3.6-35B-A3B 智能体测试，前 10% 轨迹位置覆盖了 96.12% 的正向技能增益；共享提示设置下成功率从全轨迹的 30.36% 升至 36.79%，任务特定条件下用前 10% 定位位置达到 57.38%，高于完整文本技能与 on-policy OPCD 基线。
- AI 摘要arXiv cs.AI
研究：文档转换丢失颜色与高亮线索，智能体F1从0.690跌至0.150
一篇 arXiv 论文指出，企业智能体处理 Word 或 PDF 时，主流转换工具会丢掉作者通过排版传递的含义，尤其是颜色和高亮，导致智能体给出错误答案却看不出信息缺失。作者用 76 份真实政策文档构建任务，以文件自身的 OOXML 属性做确定性匹配评分。忽略格式的转换使 micro F1 从 0.690 降至 docling 的 0.150 和纯文本的 0.075，该差距在两家厂商的六个回答模型上复现。逐项剔除分析把损失定位到高亮（+0.302）和颜色（+0.262），粗体、斜体、等宽、删除线影响接近零。在 6,460 份文档中，32.8% 带有刻意的颜色或高亮，10.3% 落在义务条款上。
- AI 摘要arXiv cs.AI
arXiv 论文：用驻点约束改进机器学习交换关联泛函
一篇提交至 arXiv 的论文指出，经验交换关联泛函在固定轨道上拟合、却以自洽方式使用，导致能量变好时密度往往变差。作者提出用训练所得泛函在精确密度 Kohn-Sham 轨道上的 Brillouin 残差作为约束，该量在一阶上同时控制自洽密度偏移与拟合能量和自洽能量之间的差距，且训练时无需自洽场求解。用 6 个能量与 11 个 CCSD 密度训练的神经常规 meta-GGA，在未见分子的原子化能与密度两项上均超过 SCAN。
- AI 摘要arXiv cs.AI
GuideEvolve 自进化智能体框架发布，优化迭代次数减半
GuideEvolve 是一个自进化智能体框架，结合专家评估驱动的进化流程与三项自主调控机制（合称 3Ts：快慢思考、回溯、自主终止）。在 MGSM 与 MMLU 两个基准上，其准确率分别为 89.8% 和 89.1%，对照 Gödel Agent 为 90.6% 和 87.9%；波动幅度降低 25% 至 59%。框架的进化成功率达到 100%，基线为 82%；所需优化迭代从基线的 30 次降至 15.1 次和 13.4 次，约减少一半，作者称这有助于生产部署的稳定性。