论文：AI 论文、技术方法与基准测试第 28 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
LatBridge 提出潜空间通信多智能体系统的模型替换方案
多智能体系统常用潜空间通信传递连续表示，以减少文本生成与重编码，但现有方法面向固定的模型组合，替换智能体模型后接口可能失效。作者通过预实验确认了这一接口失效问题，并提出 LatBridge：各智能体模型通过共享 Bridge 与独立接口、在统一潜通信协议下连接；替换模型后复用未变接口、选取匹配的低秩接口并经 Bridge 组合，仅训练缺失部分且冻结全部模型。Bridge 在基础模式下处理源表示，在加速模式下不经自回归生成直接构造目标输入。八个小型模型配置下，MATH 基础模式平均准确率 14.8%，ALFWorld 下一动作预测 27.3%。
- AI 摘要arXiv cs.AI
LLM 智能体在商用基带芯片上实现 6G 物理层算法
一篇被 2026 年 IEEE Globecom Workshops 接收的论文提出一种智能体工作流：由 LLM 编码智能体在商用基带 SoC 上实现算法，将其优化到智能体编写的向量汇编，并在芯片上验证。智能体以实测平台事实构成的知识库为指引，每一步都对照被要求不得修改的评估器进行检查，并按阶段计量。作者在开放的 6G4All 平台上用 AI 发现的 OTFS 检测器组合展示该流程，得到十二个在芯片上周期精确运行的内核，优化版本每帧耗时 18k 至 405k 周期，即 30 至 660 微秒。流程还产出一个依据芯片实测成本塑造的新检测器，比移植版少用 13.9% 周期且误码率相当。
- AI 摘要arXiv cs.AI
SLM-SS：用语音语言模型做基于 token 的语音分离
论文提出 SLM-SS，把多说话人混合语音的分离改成 token 生成任务。先用神经编解码器把干净语音离散成多码本 token 序列，再用 Serialized Output Training 把多个说话人的目标串行化。编码器-解码器自回归语音语言模型预测零阶序列，确定说话人顺序和粗粒度语言内容；非自回归模块再细化高阶残差码本。作者还引入逐说话人非自回归策略，简化高阶建模并提升稳定性。在 Libri2Mix 上，采用逐说话人 NAR 的版本词错率为 6.92%，接近仅用编解码器重建的水平。
- AI 摘要arXiv cs.AI
RELAY 用规则复用加智能体修复历史构建
研究者在 14,159 个 OSS-Fuzz 案例上考察环境衰减问题，发现 69.7% 的案例已无法完成重建与验证，且多数失败集中在少数反复出现的症状上。RELAY 框架让 LLM 从代表性失败中推导并验证确定性修复规则，规则可复用且无需调用模型，规则无法解决的案例再交由逐案例智能体处理。实验显示规则推导可完全自动化，复用规则能达到与逐案例智能体相同的修复量且构建执行次数更少，而智能体能修复规则覆盖不到的案例；先规则后升级的混合方式修复量超过任一单独方案，成本也低于纯智能体方案。
- AI 摘要arXiv cs.AI
GRADUS 用环境潜在课程训练智能体，30B 模型在 τ²-Bench 从 …
论文提出 GRADUS 方法，用于训练受策略约束的工具环境中的 LLM 智能体。它不依赖种子任务，而是把固定环境当作潜在课程，提取受约束的行为算子，刻画动作如何依赖当前条件、其效果又如何改变后续决策，再把这些算子组合成难度递增的任务，并用语料级反馈补齐缺失的结果组合。任务与解会依据执行反馈联合校准，验证因此成为恢复信号而非终局过滤器。在现成基座模型上，30B 模型在 τ²-Bench 从 59% 提升到 89%，在 CAR-Bench 从 47% 提升到 83%（Opus 4.5 作为提议者）；换用开源 Qwen3-235B 提议者时，两项分别为 76% 和 62%。
- AI 摘要Anthropic：Newsroom（网页）
Anthropic用Claude扫描25个开源项目，发现493个问题
Anthropic公布了一项针对自动化攻击面分析的研究：用Claude扫描25个不同语言的开源项目，共发现493个问题。其思路是先梳理代码中实际可达的部分，再移除或限制部署时不需要暴露的访问路径，从而降低未知漏洞被利用的可能。Anthropic称，只靠逐个修复漏洞难以规模化，而缩小代码可达范围能让漏洞更难被触达，在不定位具体漏洞的情况下提升安全性。
- AI 摘要arXiv cs.AI
OpenVLHarness 用多模态记忆提升视觉智能体工具调用
论文提出 OpenVLHarness，一个围绕能力层与持久多模态记忆组织的多模态推理框架。能力层把任务级工具接口与证据渲染结合起来，统一访问异构后端并把输出转成模型可读的观察；持久多模态记忆把图像、结构化数据和网页引用保留为可寻址工件；编码接口在已存数据上执行生成的程序，从而组合多个工具的结果。在 22 个基准、八个开源与专有骨干模型上评测，平均分比匹配的无工具基线高 9.7 至 12.6 分，其中 Qwen3-VL-8B 提升 11.2 分、Kimi K3 提升 9.7 分、GPT-6 Astra 提升 9.9 分。使用 GPT-6 Luna 中等推理强度时，其表现超过基座模型、Codex 与 Visual Sketchpad 在最高强度下的结果 7.7 至 8.5 分，模型 token 开销至多为后者的 37%。
- AI 摘要arXiv cs.AI
arXiv 论文提出 VAG 门控方法，改进多模态强化学习中的自蒸馏
一篇提交至 arXiv 的论文针对多模态可验证奖励强化学习（RLVR）与在线自蒸馏（OPSD）结合时出现的「特权纠正污染」问题展开研究：当教师模型带有以证据为中心的视觉视角时，其给出的 token 级纠正可能混入语言先验、回答风格或特权视角本身带来的非视觉偏移，直接蒸馏这类纠正会强化错误的 token 更新。作者提出视觉可归因在线自蒸馏，并用 Visual-Attribution Gating（VAG）实现：以验证器给出的优势值作为优化锚点，对比「有证据」与「证据退化」两种教师视角，只接纳方向与该视觉对比一致的纠正。在六个视觉推理基准上，VAG 的评测表现优于 GRPO 与 OPSD，平均成绩达到新的最优。
- AI 摘要arXiv cs.AI
CoopUQ：用不确定性感知协同预测提升多机器人社交导航
论文提出 CoopUQ 框架，把不确定性感知的协同占据栅格预测与鲁棒决策连接起来。它通过跨机器人时空特征融合预测未来占据栅格地图，再用预测结果及其不确定性，通过带约束的多智能体强化学习引导策略；代价项会惩罚穿过预测被占据或高度不确定区域的导航行为，使策略在分布偏移下调整风险敏感度。在多个 Unity3D 仿真环境中，覆盖不同布局、行人密度与匆忙行为，并在分布内与 OOD 设置下测试，预测性能与安全性优于代表性基线；真机实验也验证了跨场景鲁棒性。代码与视频已公开，工作发表于 CoRL 2026。
- AI 摘要arXiv cs.AI
arXiv 论文提出 PhysRSI-eval，用五轴指标衡量视觉语言模型的物…
一篇 arXiv 论文系统考察物理递归自我改进（physical RSI）的机制、扩展行为与泛化性，并提出 PhysRSI-eval 评测框架，用五个维度量化该能力：首次尝试表现、效率、成功率、预算与从失败中改进。研究在固定交互预算下，用 18 个操作任务评测不同视觉语言模型，据此提出「Physical Barrel Hypothesis」，即不同能力可能制约改进的不同环节。五轴指标还能区分公开基准均分接近的系统，并显示高分未必伴随早期或高效增益。研究还从两个角度考察观测式扩展：由公开能力预测 VLM 智能体的相对表现，以及由早期物理反馈预测后续进展。
- AI 摘要arXiv cs.AI
WeAct 将 LoRA 适配器选择纳入智能体动作空间
论文提出 WeAct，在冻结的主干模型上训练多个能力专属的 LoRA 适配器，并把适配器选择加入智能体的动作空间，通过模型原生工具调用接口在共享上下文中按需组合能力，以缓解长程任务中更新共享参数导致的灾难性遗忘。在八个深度研究基准上，Qwen3-32B 搭配 WeAct 相比全量微调平均准确率提升 6.2%，且算力消耗更少；相比最强的静态 LoRA 合并方法提升 27.5%。该方法还支持模块化持续适配：新增代码计算适配器、更新写作适配器时，主干与其他适配器均保持不变。
- AI 摘要arXiv cs.AI
arXiv 论文提出 Agima 框架：让智能体先想象后果再行动
arXiv 收录的论文《Train An Imaginative Agent》提出 Agentic Imagination（Agima）训练框架，让智能体在执行动作前先想象后果。该框架用单一 omni 模型同时完成三件事：提出动作、生成动作结果的图像、基于想象出的未来进行推理，从而决定实际执行什么。训练分两步：先用监督微调把策略与世界建模统一进一个模型，使其能预测未来并做前向思考与反事实分支；再用智能体强化学习教它利用想象出的未来做规划。在 Maze2D、Sokoban、Pacman、PushT 四个环境中，Agima 能泛化到训练时未见过的更难设置。仅在双箱 Sokoban 上做 SFT 训练后，它在每五步才看一次真实棋盘的条件下解出 40% 的四箱谜题，而只做动作规划的对比方案仅解出 2%。经 RL 后还出现新行为：学会 SFT 阶段未见过的统一格式、只在必要时前向思考、在关键决策点…
- AI 摘要arXiv cs.AI
AnyGoal 基准发布：世界模型在未见状态动作组合上普遍失效
研究者提出 AnyGoal，一个由常见世界模型环境改造而来的目标偏移任务基准，并配套开源库。其设计思路是：单个状态因子与动作都仍在训练分布内，但它们的组合在专家轨迹中出现得很少，以此检验世界模型能否把熟悉的状态与动作因子重新组合成有效动力学。在多个环境和多个世界模型家族上测试后，现有模型在这类重组情形下持续失败。作者从动力学与表征两个层面，跨模型家族、交互方式和评测指标分析失败发生在哪里。
- AI 摘要arXiv cs.AI
LatComm 提出可复用上下文压缩，实现大模型间隐空间通信
论文提出 LatComm，一种让多个大模型共享同一段上下文时不必反复重读全文的接口。做法是把编码与读取拆开：冻结的编码模型先在不看问题的情况下把上下文压成固定大小的数据包，另一个冻结的接收模型再用交叉注意力读取，读取哪些内容由它自己的提示词算出的门控决定。在 12 个多项选择问答数据集上，平均准确率比单向量基线最高提升 10.2 分；在 QuALITY 上，接收端输入减少 57 倍，回答一篇文章的问题快 3 倍。
- AI 摘要arXiv cs.AI
研究：工具输出改为检索读取后，GPT 模型准确率下降最多 11.3 分
一篇 arXiv 论文用美国地质调查局的地球化学模拟器 PHREEQC 测试 LLM 智能体，其报告长度达 84.68 万字符。智能体需回答 158 道经执行验证的选择题。当报告不放进上下文、改为通过章节索引检索读取时，GPT-5.1 和 GPT-5.2 的准确率分别下降 11.3 和 7.9 个百分点，Claude Opus 4.6 与 Claude Sonnet 4.6 未观察到可检测的损失。重跑全部 11,007 次模拟调用显示，两个 GPT 模型算出关键值的频率与之前相近，变化在于它们答题所依据的证据：检索条件下它们常跳过报告，改用自身更高精度的输出文件作答，并因舍入错误落到相邻选项，作者称之为「证据替换」。在模拟结果固定不变时，检索仍使 GPT-5.2 损失 9.4 个百分点。对 GPT-5.4，更频繁的正确模拟掩盖了约十点的证据使用损失，净变化与零无异。为三个 GPT 模型指…
- AI 摘要arXiv cs.AI
KronLSTM 提出 Kronecker Delta Rule，面向长上下文…
研究者提出 KronLSTM，一种基于 Kronecker Delta Rule 的线性注意力架构。该规则用于关联矩阵记忆的更新：修正特定关联时，只在矩阵空间的单一方向上改动记忆，从而减少对已存信息的干扰，相比 delta-rule 更新更适合长上下文语言建模。其记忆动态可描述为收敛到稳态分布的马尔可夫链，记忆矩阵的期望范数在整条输入序列上始终有界，因此无需额外的归一化与稳定机制。实验显示其与现有线性注意力架构（含 Gated DeltaNet 家族）相比具有竞争力，且常优于后者，在长上下文基准上表现突出。代码与模型已开源。
- AI 摘要arXiv cs.AI
ProteinGeoBench 发布：前沿模型查结构元数据强、算几何弱
ProteinGeoBench 是一套含 131 个蛋白质结构任务的评测集，作者用四个前沿模型的 4,249 次 rollout，以及另外 26 个模型的 4,486 次试验进行分析。四个前沿模型中有三个的得分落在 0.785 至 0.816 之间，彼此差距不超过 0.031，无法区分高下；第四个得分为 0.707，它与前三个的差距均不含零。四个模型中有三个在元数据查找上表现优于数值计算，第四个则在数值计算上略好。数值任务只占 131 个任务中的 28 个，却占了四个模型全部失败的 12 个任务的一半。排名还受评测预算影响：每个任务只跑一次时，23.9% 的 bootstrap 重采样会把另一个模型排到第一。作者建议按任务族报告结果，并说明运行次数、harness 与访问条件。
- AI 摘要arXiv cs.AI
WildAWM 用开源模型合成计算机使用智能体训练环境
一篇 arXiv 论文提出 WildAWM，一条可扩展的流水线，用于合成可控环境与任务，以训练通用计算机使用智能体。与只针对单一交互界面的做法不同，它构建的可执行环境同时支持图形界面、模型上下文协议服务与命令行，让智能体组合视觉操作、工具调用和代码执行。整条流水线完全由开源模型驱动。作者用执行式质量门控解决任务可解性、难度与验证可靠性问题，合成出 341 个长程环境-任务对，部分需超过 100 步才能完成，GPT-6-Astra 仅解出 60%。用这些合成环境训练的两个不同规模 Qwen 模型，在覆盖网页、claw 与计算机使用智能体的 8 个分布外基准上均有明显提升，代码已公开。
- AI 摘要arXiv cs.AI
RefCraft 基准发布：300 个网页开发任务考验智能体读图能力
研究团队提出 RefCraft 基准，用于评测智能体把视觉参考融入生成过程的能力，场景选在网页开发。该基准包含 300 个多模态网页开发任务，每个任务由自然语言指令与 1 至 5 张参考网页截图组成；智能体需要自行判断并选用这些参考，完成渲染、视觉检查与迭代修改。评测采用可独立核验的关键点，并结合程序化判分与 VLM 判分。在九个前沿（多模态）大模型上，最强系统总分仅 52.12（满分 100），说明按视觉参考进行智能体生成仍是明显难点。
- AI 摘要arXiv cs.AI
AfriBED 发布：面向两种非洲低资源语言的语音识别偏见评测数据集
研究团队公开了 AfriBED，一个用于检测和估计 ASR 系统性别与说话人类型偏见的语音数据集，覆盖 Bemba 和 Nyanja 两种低资源非洲语言。Bemba 部分由 80 名说话人录制 3928 条语句、共 9 小时；Nyanja 部分由 127 名说话人录制 6260 条语句、约 18 小时。基线实验显示，该数据集能用于考察目标语言中的性别与说话人类型属性偏见。论文被 2026 IEEE Spoken Language Technology Workshop Demo Track 接收。