ORACLE: Agentic AI Orchestrator Routing Via Adaptive Verifier Calibration Feedback
Georgia Institute of Technology(佐治亚理工学院);Intel(英特尔公司);Texas A&M University(德克萨斯农工大学)
研究针对企业AI中现有路由决策与智能应用任务级结果不匹配问题,提出TRACE-Router任务级路由框架,利用上下文博弈、终端奖励更新策略,在多基准测试中改善准确性-延迟权衡,取得较好效果。
2026-10-05 cs.AI cs.LG cs.MA
Unsupervised Skill Discovery for Agentic Data Analysis
University of Science and Technology of China(中国科学技术大学)
提出DataCOPE框架,通过无监督验证器引导从探索轨迹中发现可复用的数据分析技能,在报告式和推理式分析任务上分别提升平均得分9.71%和32.30%。
2026-06-04 cs.AI cs.CL cs.LG
Reality Is the Final Verifier: On Two Key Gaps in Agentic Software Engineering
UC Berkeley(加州大学伯克利分校)
本文提出两差距框架,指出需求与模型差距是智能体软件工程失败主因,并引入保证-修订循环,以现实部署为最终验证,持续缩小差距。
2026-09-14 cs.AI cs.SE
Verifier-First Evaluation of Agentic LLMs for Infrastructure-as-Code Generation
研究针对自然语言生成基础设施即代码的问题,对七种智能策略在特定基准测试上进行验证优先评估,通过多种方法得出如主动检索提升性能、迭代优化有收敛效果等五个主要发现,为相关研究提供了重要参考。
2026-07-24 cs.AI cs.SE
Evaluating and Guarding Citation Faithfulness in Agentic Scientific Synthesis
Seoul National University(首尔国立大学);BioNexus(生物 Nexus)
研究智能语言模型系统引用答案检查的可靠性问题,提出黄金锚定评估协议和可部署防护措施,能验证验证者、测量重新归因,为无支撑引用设限,经多模型和管道验证后作为单GPU工具包发布。
2026-07-24 cs.AI
AutoCedar: An Agentic Framework for Verifier-Guided Access Control Policy Synthesis
研究针对大语言模型将自然语言需求转化为访问控制代码存在的问题,构建验证器引导系统AutoCedar,先转化需求为可检查目标,再合成Cedar策略,通过分解意图原子等实现端到端策略编写,在多任务和案例中表现良好。
2026-07-07 cs.AI cs.CR cs.SE
AxDafny: Agentic Verified Code Generation in Dafny
Axiomatic AI, Boston, MA, USA(Axiomatic AI,波士顿,马萨诸塞州,美国)
提出AxDafny框架,通过验证器引导的修复迭代生成Dafny代码和证明,在LCB-Pro-Dafny和DafnyBench上显著提升验证成功率。
2026-07-01 cs.AI
VISA: Agentic Self-Evolving Data Synthesis for Multimodal Instruction Following
vivo AI Lab(vivo AI实验室)
VISA是一种智能体式自进化数据合成框架,通过自进化循环优化多模态指令合成,在MM-IFEval等基准上提升了多模态指令遵循性能。
2026-08-28 cs.CL
AstroAgentBench: Evaluating Agentic Planning on Space Mission Planning Tasks
Fudan University(复旦大学);Shanghai Innovation Institute(上海创新研究院)
AstroReason-Bench通过评估代理在复杂空间规划问题中的表现,揭示了通用规划在现实约束下的局限性。
2026-10-05 cs.AI cs.CL
Dockerless: Environment-Free Program Verifier for Coding Agents
提出Dockerless,一种无需执行代码即可验证补丁正确性的智能体验证器,通过智能体仓库探索收集证据判断补丁正确性,在验证基准上超越最强开源验证器14.3 AUC点,并实现完全无环境的训练后流程。
2026-06-26 cs.AI cs.SE
TRACE: Diagnosing Verifier Brittleness in Agentic Evaluation
Prime Intellect
本文提出TRACE协议,用于诊断智能体评估中验证器的脆弱性,通过针对性修改评估部分内容,可区分评分变化源于智能体还是测量本身,能检测真实效果。
2026-10-09 cs.CL
Graph Is the Verifier: Agentic Reinforcement Learning for Interprocedural Vulnerability Detection
Singapore Management University(新加坡管理大学);Harbin Institute of Technology(哈尔滨工业大学);GovTech(新加坡政府科技局)
针对现有漏洞检测孤立处理函数的问题,提出基于CPG的智能体强化学习框架VulAgentRL,通过图验证设计可靠奖励并预热初始化策略,在仓库级划分下的严格指标及多场景中均优于基线。
2026-07-30 cs.AI cs.CR cs.SE
Looping Is Not Reliability: State-Bound Evidence and Typed Revision Contracts for Agentic Code Repair
Alibaba Cloud(阿里云)
研究编码智能体中生成-测试-修订循环的可靠性问题,通过实验揭示相关差距及问题,提出证据约束的类型化循环契约并实例化其可机械执行子集,实现规范与工件,非证明修复能力提升等。
2026-10-06 cs.AI cs.CL
UnifiedPlayers: Enhance Tool-Integrated Reasoning in Agentic Reinforcement Learning
Waseda University(早稻田大学);Adelaide University(阿德莱德大学)
针对工具集成智能体自我进化中规划、执行与评估的协调难题,提出UnifiedPlayers协作框架,通过角色特定奖励在GRPO下联合优化,在十二个推理基准上显著超越基线,验证器检测准确率达84.2%。
2026-09-18 cs.AI
Davinci-Tool: Scaling Agentic Tool-Use Supervision with Verifiable Executable Environments
Tongji University(同济大学);Shanghai Innovation Institute(上海创新研究院);University of Science and Technology of China(中国科学技术大学);Southeast University(东南大学)
本研究推出30B工具使用模型Davinci-Tool及对应执行基础数据集,通过两条流水线生成3万余条验证轨迹,经微调与偏好优化后,在三个基准上以1/16参数规模超越更大模型。
2026-10-14 cs.AI cs.CL cs.LG
LLM-as-a-Verifier: A General-Purpose Verification Framework
Stanford University(斯坦福大学);UC Berkeley(加州大学伯克利分校);NVIDIA Research(英伟达研究院)
该工作将验证确定方案正确性的能力作为大模型新扩展轴,提出无需额外训练的通用LLM验证框架,生成连续评分,在多基准上取得SOTA性能,还可用于强化学习等场景。
2026-07-08 cs.AI cs.CL cs.LG
Beyond the Verdict: Agentic Code Judging with Verifiable Feedback
HKUST(香港科技大学);Amazon(亚马逊公司)
该研究提出基于可验证反馈的智能体代码评判任务,构建USACO-JUDGE数据集,训练35B MoE智能体验证器ARBITER,提升代码验证、选择与优化性能,在竞赛编程场景中表现优于基线。
2026-10-14 cs.AI
From Lexical Baselines to Agentic Retrieval-Augmented Generation: Structured Skill and Responsibility-Level Extraction with the SFIA Framework
Informatics Institute of Technology(信息科技学院);University of Sri Jayewardenepura(斯里贾亚瓦德纳普拉大学)
本研究针对SFIA框架提出结构化技能与责任级别提取任务,比较五种策略,发现检索匹配识别技能多、生成策略更精确,显式级别决策更可靠,智能体团队无增益,提供首个可复现基线。
2026-09-30 cs.AI cs.CL
PCN-Rec: Agentic Proof-Carrying Negotiation for Reliable Governance-Constrained Recommendation
Wake Technical Community College(韦克技术社区学院);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
PCN-Rec通过代理证明携带协商机制,在满足治理约束的同时提升推荐可靠性与准确性。
2026-01-14 cs.AI
DeepTravel: An End-to-End Agentic Reinforcement Learning Framework for Autonomous Travel Planning Agents
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Didichuxing Co. Ltd(滴滴出行有限公司)
研究针对旅行规划智能体灵活性和自主性不足问题,提出深度旅行框架,通过构建旅行沙盒、开发分层奖励建模系统及回复增强强化学习方法,使训练后的智能体在行程生成准确率和性能上表现出色。
2026-07-15 cs.AI
Agentic Witnessing: Pragmatic and Scalable TEE-Enabled Privacy-Preserving Auditing
Advanced Research and Invention Agency (ARIA)(先进研究与发明机构)
本文提出Agentic Witnessing框架,通过可信执行环境实现隐私保护审计,利用代理进行逻辑验证,避免数据泄露,验证代码库是否符合论文描述。
2026-04-27 cs.AI cs.CR cs.ET
OmniVerifier-M1: Multimodal Meta-Verifier with Explicit Structured Recalibration
Tsinghua University(清华大学);Pennsylvania State University(宾夕法尼亚州立大学);University of Southern California(南加州大学);Microcyto;Princeton University(普林斯顿大学)
提出OmniVerifier-M1,通过符号化元验证(如边界框)和解耦强化学习,实现多模态大模型的可靠细粒度验证与动态区域级自校正。
2026-05-27 cs.AI cs.CL cs.CV
Valid Stopping in Adaptive Generator-Verifier Loops
École polytechnique(巴黎综合理工学院);Inria Paris(法国国家信息与自动化研究所巴黎分部);UC Berkeley(加州大学伯克利分校)
针对生成器-验证器循环中错误接受累积问题,提出基于e值和共形风险控制的停止规则,控制错误发现率,并在合成数据和蛋白质设计基准上验证有效性。
2026-10-06 cs.AI cs.LG stat.ME
E-valuator: Reliable Agent Verifiers with Sequential Hypothesis Testing
Genentech(基因泰克);MIT(麻省理工学院);Johns Hopkins(约翰霍普金斯大学);Stanford(斯坦福大学)
提出E-valuator方法,将任意黑盒验证器分数转化为具有可控虚警率的决策规则,通过序贯假设检验实现对智能体轨迹的在线监控,提升统计功效并节省令牌。
2026-05-28 cs.AI cs.LG stat.AP
Coupled Control, Structured Memory, and Verifiable Action in Agentic AI (SCRAT -- Stochastic Control with Retrieval and Auditable Trajectories): A Comparative Perspective from Squirrel Locomotion and Scatter-Hoarding
Taller Technologies
本文从松鼠生态角度探讨代理AI中控制、记忆与可验证行为的耦合机制,提出结构化记忆模型与延迟验证信号,验证三种假设以提升系统鲁棒性与可靠性。
2026-04-03 cs.AI
MM-VeriRec: Failure-Guided Fusion for Verifiable Agentic Multimodal Recommendation
Independent Research United States;Independent Research
针对智能体多模态推荐中视觉约束被忽视和不可能任务未被拒绝的问题,提出MM-VeriRec协议与失败引导融合方法,通过确定性属性验证和失败诊断路由,在MM-ML 1M和Amazon Reviews上超越基线,实现可验证的可信推荐。
2026-09-29 cs.AI cs.CL cs.CV
A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems
Salesforce AI Research(Salesforce AI研究);National University of Singapore(国立新加坡大学);Nanyang Technological University(南洋理工大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));A*STAR, Singapore(新加坡A*STAR)
本文综述了大语言模型推理的前沿方法,从推理阶段和架构两个维度分类,探讨了推理扩展到学习推理及代理系统的发展趋势,涵盖监督微调、强化学习等算法及代理工作流设计。
2026-03-17 cs.AI cs.CL
On-Policy Self-Evolution via Failure Trajectories for Agentic Safety Alignment
National University of Singapore(新加坡国立大学)
本文提出FATE框架,通过将验证者评分的失败轨迹转化为修复监督,结合Pareto-Front Policy Optimization方法,提升代理安全性同时保持有用行为,实验显示在不同模型和规模上均有效。
2026-05-12 cs.AI
Audited Skill-Graph Self-Improvement for Agentic LLMs via Verifiable Rewards, Experience Synthesis, and Continual Memory
OWASP Fairfax, VA, USA;Kleiner Perkins
本文提出ASG-SI框架,通过可验证奖励、经验合成和持续记忆实现代理LLM的审计化技能图自改进,以提升安全性和可追溯性。
2025-12-28 cs.AI cs.CR
What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents
Huawei Technologies Co., Ltd(华为技术有限公司);Shanghai Jiao Tong University(上海交通大学);Northwestern University(西北大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Shenzhen Loop Area Institute(深圳河套学院)
本研究针对LLM智能体数据生成领域提出两级框架与ACE视角,明确核心挑战是为演化的智能体与环境分配有效、非冗余的经验。
2026-08-28 cs.AI cs.CL
CWE-bench: Refocusing Agentic Security from Exploitation to Defense
该研究推出CWE-bench基准,针对智能体防御能力设计含多维度漏洞审计修复任务,验证其防御表现,发现智能体防御性能受漏洞类别影响更大,为评估智能体防御能力提供了严格标准。
2026-10-14 cs.AI cs.CR cs.SE
Composing Verifiable Conceptual Models via Building Blocks: Towards Design-Time Verification of Agentic AI Workflows
Team EVERGREEN Inria Centre Inria d’Université Côte d’Azur(法国国家信息与自动化研究所蔚蓝海岸大学中心EVERGREEN团队);Department of Data Science William & Mary(威廉与玛丽学院数据科学系);Office of Enterprise Research and Innovation Old Dominion University(欧道明大学企业研究与创新办公室)
提出一种设计时验证方法,通过12条结构规则检查智能体工作流中可重用构建块的兼容性,实现设计缺陷检测。
2026-06-23 cs.AI
What Makes a Terminal-Bench Task Hard? Separating Genuine Hardness from Fake-Hardness on an Adjudicated Agentic Corpus
本研究分析Terminal-Bench 3/Frontier-Bench 0.1的生产记录,提出区分真实难度与虚假难度的方法,发现仅125个全失败任务中78个为认证未解决,强调基准应报告全失败任务证据。
2026-09-24 cs.AI cs.LG
Agentic Cognitive Depth: Operational Criteria for Evaluating LLM Agents
The University of Edinburgh(爱丁堡大学)
本文提出智能体认知深度概念,通过五个操作标准评估LLM智能体轨迹级性能,并提供扰动程序与基准扩展方案。
2026-10-06 cs.AI
Towards Robust Agentic CUDA Kernel Benchmarking, Verification, and Optimization
Sakana AI
本文提出 robust-kbench 基准和智能体框架,通过进化元生成与 LLM 验证器自动将 PyTorch 代码转换为并优化 CUDA 内核,在多种场景下实现超越 torch 的性能。
2025-09-16 cs.AI cs.LG cs.SE
Replicating Belief, Not Bits: Epistemic State Replication for Agentic Systems
研究智能分布式系统中确定性逐比特复制不足的问题,提出认知状态复制(ESR)方法,将复制边界从数据可见性转移到知识可见性,定义相关安全性概念并给出协议,通过原型设计和模拟验证了可行性及能减少二次认知故障。
2026-07-14 cs.AI cs.DC cs.LO
Evidence-First Agentic Verification
Scale AI;University of Arizona(亚利桑那大学)
针对长程半可验证智能体任务的评估缺陷,提出以证据为核心的 Sauron 验证器,经多组实验验证其在 F1 值、成本及故障检测等指标上均优于基线模型。
2026-10-14 cs.AI cs.LG
Architectures for Building Agentic AI
Center for Applied Intelligent Systems Research, Halmstad University, Sweden(应用智能系统研究所,哈尔姆斯塔德大学,瑞典)
本文提出了一种构建代理AI的架构分类,通过组件化设计和显式控制循环提升系统可靠性。
2025-12-10 cs.AI cs.LG
Declarative Data Services: Structured Agentic Discovery for Composing Data Systems
Northeastern University(东北大学);Brown University(布朗大学)
提出声明式数据服务(DDS)架构,通过分层类型契约将全局搜索分解为有界子搜索,解决无界智能体发现无法稳定收敛的问题,并在交易后端工作负载上验证其有效性。
2026-05-26 cs.AI
AgentOmnia: Scaling Agentic Models for Full-Scenario Applications
研究大型语言模型智能体全场景扩展问题,提出AgentOmnia框架,结合多种技术构建环境、工具和任务,通过多种方式支持训练后处理,能将多个基准测试通过率和宏平均率大幅提高,实现广泛改进并为自我进化提供证据。
2026-07-28 cs.AI cs.CL
TRIAGE: Role-Typed Credit Assignment for Agentic Reinforcement Learning
LinkedIn Corporation(领英公司);Harvard University(哈佛大学);Johns Hopkins University(约翰霍普金斯大学)
提出TRIAGE框架,通过角色类型化信用分配修正GRPO仅依赖结果信用的盲点,在ALFWorld等任务中提升成功率并减少交互步数。
2026-07-21 cs.AI cs.LG
SCOUT: Synergizing Reasoning and Tool-Use for Computer-Use Safety
Columbia University(哥伦比亚大学)
SCOUT是一个两阶段智能体安全验证器,通过推理密集的规则生成与工具密集的证据收集协同,提升计算机操作智能体的安全检测性能,并在多个基准上取得领先结果。
2026-09-30 cs.AI cs.CL cs.SE
CoRefine: Confidence-Guided Self-Refinement for Adaptive Test-Time Compute
AstraZeneca(阿斯利康);Google DeepMind(谷歌DeepMind)
CoRefine通过置信度引导的自修正方法,在减少计算开销的同时提升推理准确性,适用于需要适应性测试时计算的场景。
2026-02-09 cs.AI cs.CL
Fara-7B: An Efficient Agentic Model for Computer Use
Fara-7B通过合成数据生成系统训练出高效计算机使用代理模型,优于现有模型并在新基准测试中表现突出。
2025-11-24 cs.AI cs.CL cs.CV
CopT: Contrastive On-Policy Thinking with Continuous Spaces for General and Agentic Reasoning
Georgia Tech(佐治亚理工学院);UC Berkeley(加州大学伯克利分校);Stanford University(斯坦福大学);Microsoft(微软公司)
本文提出CopT,一种改进的推理流程,通过反转传统思考和回答的顺序,首先生成草稿答案,再基于该答案进行在线策略思考以进行反思和修正。CopT利用连续嵌入作为推理时的对比验证器,通过对比离散令牌输入和连续嵌入输入下模型对相同生成令牌的支持,得到一个序列级的反KL估计器来评估答案的可靠性。在数学、编程和代理推理任务中,CopT在保持同等或更高准确性的情况下,将峰值准确率提高了高达23%,并将令牌使用量减少了高达57%。
2026-05-19 cs.AI cs.CL
VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents
Mazelone(马泽隆)
研究针对视觉丰富的长文档问答的多模态检索增强生成,提出VLD-RAG框架,构建多模态索引并采用混合检索策略,经智能体工作流程协调,在相关基准上提升了证据页面检索及问答表现,凸显协调验证与混合检索的重要性。
2026-07-29 cs.AI cs.CL cs.IR
TCSAlgBench: Benchmarking Automated Proving for Research-Level Theoretical Computer Science
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Amazon(亚马逊);University of Pennsylvania(宾夕法尼亚大学)
TCSAlgBench是一个包含398个定理级挑战的基准测试,用于评估大型语言模型在研究级理论计算机科学中的自动化证明能力,实验显示智能体规划达到最高25.4%的验证者接受覆盖率。
2026-09-29 cs.AI cs.CL
Beyond Static Snapshots: A Grounded Evaluation Framework for Language Models at the Agentic Frontier
University of Oxford(牛津大学)
本文提出 grounded continuous evaluation 框架,通过 deterministic verifier 和 CPU 更新 LoRA adapters,解决 reward hacking 和硬件限制问题,并在多个架构和领域验证其有效性。
2026-05-06 cs.AI
SBCO: Self-Supervised, Verifier-Grounded Harness Optimization For Planning Agents
本研究针对规划任务提出SBCO,一种自监督的验证器驱动工具链优化器,其性能优于或相当的定制基线,且计算成本仅为其1/4至1/5.5。
2026-08-12 cs.AI
Verifiable Process Rewards for Agentic Reasoning
Tsinghua University(清华大学)
提出可验证过程奖励(VPR)框架,通过符号或算法预言机将密集的中间步骤验证转化为强化学习的逐轮监督信号,解决长程智能体推理中的信用分配问题,并在搜索、约束和后验验证三种场景中验证其有效性。
2026-10-14 cs.AI
Group-Reflective Self-Distillation for Agentic Reinforcement Learning
Baidu(百度)
该研究针对智能体强化学习中终端奖励监督粗粒度的问题,提出组内自蒸馏方法,利用策略自身已验证轨迹生成指导,细化回合级信用分配,在多环境多模型上性能优于基线且泛化性更好。
2026-08-04 cs.AI cs.LG
Grounded Scaling: Why Agentic AI Needs Deterministic Environments
Alibaba Group(阿里巴巴集团)
本文论证环境确定性是影响长链代理任务成功的关键因素,提出确定性-效率界限、验证者-古德哈特下限等理论,并构建供应确定性指数和确定性成熟度模型。
2026-06-23 cs.AI
Argus: A General-Purpose Agentic Reasoning Runtime for Long-Horizon Tasks
Microsoft(微软公司);Shanghai Jiao Tong University(上海交通大学);Fudan University(复旦大学);Nanjing University(南京大学);Tsinghua University(清华大学);The University of Hong Kong(香港大学);Peking University(北京大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Donghua University(东华大学)
Argus是面向长程推理的通用智能体运行时,通过多角色协作与自进化,在多个基准测试中表现优于同类方法,还完成了实际应用任务并产出结构化轨迹。
2026-08-11 cs.AI
RLAR: An Agentic Reward System for Multi-task Reinforcement Learning on Large Language Models
Tsinghua Univeristy(清华大学);Peking University(北京大学)
RLAR通过动态生成奖励函数提升大型语言模型在多任务强化学习中的性能和泛化能力。
2026-02-28 cs.CL