AI 大模型
智能体、工具调用、规划、工作流、多智能体和自主任务执行。
无目神祇与破碎屏幕：构建一个安全的、以意图为中心的移动代理操作系统
机构 * Tsinghua University（清华大学）
专题命中 GUI与网页智能体 ：agent(title,abstract)；autonomous agent(abstract)；分类 cs.AI
AI总结 本文提出Aura架构，通过结构化交互模型和四项防御支柱，提升移动代理系统的安全性与效率。
Comments 35 pages, 15 figures
如何训练你的LLM网络代理：一种统计诊断
机构 * ServiceNow AI Research（ServiceNow人工智能研究） ； Mila-Quebec AI Institute（魁北克人工智能研究所） ； McGill University（麦吉尔大学）
专题命中 GUI与网页智能体 ：agent(title,abstract)；分类 cs.AI、cs.LG
AI总结 本文提出一种基于统计的计算分配方法，通过结合监督微调与基于策略的强化学习，有效提升LLM网络代理性能，减少计算成本，缩小与闭源模型的差距。
PISHYAR：一种具有社会智能的智能拐杖，用于室内社交导航和多模态人机交互，以支持视障人士
专题命中 GUI与网页智能体 ：planning(abstract)；agentic(abstract)
AI总结 PISHYAR是一款结合社会智能导航与多模态交互的智能拐杖，通过多模态技术提升视障人士的移动辅助与社交互动能力。
时间采样的高效自适应状态格子用于部分观测环境中的自主地面机器人导航
机构 * University of Rochester（罗切斯特大学） ； DEVCOM Army Research Lab（陆军研究实验室） ； Parsons Corporation（帕尔逊公司）
专题命中 GUI与网页智能体 ：planning(abstract)
AI总结 本文提出TSEASL，一种用于部分观测环境的自主地面机器人导航方法，通过自适应状态格子提升规划稳定性，减少手动干预需求。
Comments 12 pages, 8 figures
PA-MPPI：感知-aware的模型预测路径积分控制用于未知环境中的四旋翼导航
机构 * University of Zurich（苏黎世大学）
专题命中 GUI与网页智能体 ：planning(abstract)
AI总结 PA-MPPI通过结合感知信息，提升了四旋翼在未知环境中的导航能力，能够有效探索未知区域并规划替代路径。
Journal ref IEEE Robotics and Automation Letters (RA-L), 2026
利用集成误差的值奖金用于强化学习中的探索
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG
AI总结 VBE通过集成误差设计价值奖金，实现强化学习中的首次访问乐观性和深度探索，优于现有方法。
Comments Accepted at Reinforcement Learning Conference (RLC) 2025
Journal ref Reinforcement Learning Journal, vol. 6, 2025, pp. 1894-1915
双粒度对比奖励 via 生成 episodic 引导 为高效 embodied RL
机构 * State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（人工智能学院，中国科学院大学）
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.LG
AI总结 本文提出DEG方法，通过生成episodic引导实现高效具身RL，无需人工标注，提升样本效率和任务完成能力。
具身智能体与个性化：通过记忆利用的视角探讨挑战与解决方案
机构 * Department of Artificial Intelligence, Yonsei University（人工智能系，延世大学） ； Department of Computer Science and Engineering, Texas A&M University（计算机科学与工程系，德克萨斯大学）
专题命中 记忆与上下文管理 ：planning(abstract)；分类 cs.CL
AI总结 本文提出MEMENTO框架，通过分析记忆利用中的挑战，设计了基于层次知识图谱的用户档案记忆模块，提升智能体在个性化任务中的表现。
Comments Accepted at ICLR 2026
通过仅查询交互对LLM代理进行内存注入攻击
机构 * Michigan State University（密歇根州立大学） ； University of Georgia（佐治亚大学） ； Singapore Management University（新加坡管理大学）
专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.LG
AI总结 本文提出MINJA攻击，通过仅查询交互向LLM代理注入恶意记录，破坏其内存安全，揭示了代理内存安全的潜在风险。
Comments Code released
ToolACE-MT：非自回归生成用于代理多轮交互
机构 * Huawei Technologies Co., Ltd（华为技术有限公司） ； Shanghai Jiao Tong University（上海交通大学） ； Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））
专题命中 Agent评测 ：agentic(title,abstract)；agent(abstract)；分类 cs.AI、cs.CL、cs.LG
AI总结 ToolACE-MT通过非自回归生成方法高效构建高质量多轮代理对话，解决传统自回归方法效率低下的问题。
Comments Accepted by ICLR2026
VoiceAgentBench: 聊天助手是否准备好处理代理任务？
机构 * OLA Electric（OLA电讯） ； Krutrim AI（Krutrim人工智能）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI、cs.CL、cs.LG
AI总结 VoiceAgentBench评估语音模型在代理任务中的表现，发现ASR-LLM在英语任务中表现优于端到端SpeechLMs，但两者在多语言和安全评估中均存在局限。
从提示到产品：一种以人为中心的代理应用生成系统基准测试
机构 * Quome Inc.（Quome公司） ； Move37 Labs（Move37实验室）
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI、cs.SE
AI总结 本文提出以人为中心的基准测试，评估提示到应用系统，发现Firebase Studio在易用性、信任和视觉吸引力等方面表现最佳。
AgenticShop: 评估面向个性化网络购物的智能代理产品整理
机构 * Department of Artificial Intelligence Yonsei University Seoul Republic of Korea（人工智能系 首尔国立庆尚大学 首尔 大韩民国） ； ParamitaAI Seoul Republic of Korea（ParamitaAI 首尔 大韩民国） ； Yonsei University（首尔国立庆尚大学） ； ParamitaAI
专题命中 Agent评测 ：agentic(title,abstract)；分类 cs.AI
AI总结 AgenticShop是首个评估智能代理系统在开放网络环境中进行个性化产品整理的基准测试，通过真实购物场景和多样用户资料，验证代理系统在复杂购物情境中的适应能力。
Comments Accepted at WWW 2026
通过自动数据生成和细粒度评估扩展网络代理训练
机构 * LG AI Research（LG人工智能研究）
专题命中 Agent评测 ：agent(title)；分类 cs.AI
AI总结 本文提出了一种基于约束的评估框架，通过自动数据生成和细粒度评估扩展网络代理训练，提升了训练数据质量和模型性能。
Comments COLM 2025
Bench-MFG：用于在平稳均场博弈中学习的基准测试套件
机构 * University of Cambridge（剑桥大学） ； NYU Shanghai（纽约大学上海分校） ； NYU Center for Data Science（纽约大学数据科学中心） ； Earth Species Project（地球物种计划） ； NYU-ECNU Institute of Mathematical Sciences at NYU Shanghai（纽约大学上海分校数学科学研究所）
专题命中 Agent评测 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG
AI总结 Bench-MFG提出了一套用于评估MFG学习方法的基准测试套件，通过分类问题类型和生成随机实例，提供标准化的实验框架和评估指南。
希格斯场作为几何完备宇宙的架构师及黑洞内部新物理的代理
专题命中 Agent评测 ：agent(title)
AI总结 希格斯场在极端引力区域创造反引力区域，解决黑洞信息悖论并恢复电弱对称性。
Comments 7 pages, 5 figures
GISA：通用信息检索助手的基准测试
机构 * Renmin University of China（中国人民大学） ； Kuaishou Technology（快手科技）
专题命中 Agent评测 ：planning(abstract)；分类 cs.AI、cs.CL
AI总结 GISA是一个针对通用信息检索助手的基准测试，包含373个人工设计的查询，旨在评估信息检索任务中深度推理与信息聚合的能力。
Comments Project repo: https://github.com/RUC-NLPIR/GISA
从莱登到欢乐岛：常数Potts模型在社区检测中的应用作为享乐博弈
机构 * Federal University of Rio de Janeiro (UFRJ)（里约热内卢联邦大学） ； National Institute for Research in Digital Science and Technology (Inria)（数字科学与技术国家研究院）
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI、cs.LG
AI总结 本文提出基于享乐博弈的常数Potts模型用于社区检测，通过伪多项式时间收敛到平衡划分，提升鲁棒性和准确性。
Comments Manuscript submitted to Physica A: Statistical Mechanics and its Applications
Journal ref Felipe, L. L., Avrachenkov, K., & Menasché, D. S. (2025). From Leiden to Pleasure Island: The Constant Potts Model for community detection as a hedonic game. Physica A: Statistical Mechanics and its Applications, 130989
不是人类，更有趣：机器身份如何塑造在线AI单口喜剧的幽默感知
机构 * The University of Hong Kong Hong Kong, SAR China ； Carnegie Mellon University\ -Computer Interaction Institute Pittsburgh United States ； East China Normal University Shanghai China ； Northeastern University\ of Art, Media ； City University of Hong Kong\ for Narrative Spaces Hong Kong, SAR China ； The University of Hong Kong ； Carnegie Mellon University\ -Computer Interaction Institute ； East China Normal University ； City University of Hong Kong\ for Narrative Spaces
专题命中 Agent评测 ：agent(abstract)；分类 cs.AI
AI总结 本研究探讨了AI身份如何影响幽默感知，通过设计基于机器身份的代理，发现其在单口喜剧表演中比基线GPT代理更有趣，提出人机集成系统应明确利用AI的独特身份。
Comments 27 pages, 5 figures. Conditionally Accepted to CHI '26
在城市系统中建模人类活动
专题命中 Agent评测 ：agent(abstract)
AI总结 本研究利用DAVE模型模拟瑞士瓦德和日内瓦地区的人口行为和移动模式，验证了通过居民行为统计数据驱动城市系统建模的可能性，并展示了可持续性和健康指标的分析。
DPUConfig: 使用强化学习优化FPGA上的机器学习推理
专题命中 Agent评测 ：agent(abstract)
AI总结 DPUConfig通过强化学习动态优化FPGA上的机器学习推理配置，提升能效和性能。
Comments 8 pages, 6 figures, to appear in the proceedings of DATE 2026
双人最优执行博弈中偏离纳什均衡的强化学习
专题命中 其他Agent ：autonomous agent(abstract)
AI总结 本研究利用双重深度Q学习分析双人最优执行博弈，发现学习策略偏离纳什均衡并接近帕累托最优，探讨波动率对均衡的影响。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈