AI Agent

CoMeT: Collaborative Memory Transformer for Efficient Long Context Modeling

CoMeT：用于高效长上下文建模的协作记忆变换器

Runsong Zhao, Shilei Liu, Jiwei Tang, Langming Liu, Haibin Chen, Weidong Zhang, Yujin Yuan, Tong Xiao, Jingbo Zhu, Wenbo Su, Bo Zheng

机构 * School of Computer Science and Engineering, Northeastern University, Shenyang 110819, China（东北大学计算机科学与工程学院） ； Tsinghua University（清华大学） ； Future Living Lab of Alibaba（阿里巴巴未来生活实验室） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 CoMeT通过双内存系统和层级流水线并行策略，实现长上下文处理的常数内存和线性时间复杂度，有效提升模型性能。

Comments ACL 2026 main

From Anchors to Supervision: Memory-Graph Guided Corpus-Free Unlearning for Large Language Models

从锚点到监督：基于记忆图的无语料去学习框架

Wenxuan Li, Zhenfei Zhang, Mi Zhang, Geng Hong, Mi Wen, Xiaoyu You, Min Yang

机构 * College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院） ； Shanghai University of Electric Power（上海电力大学） ； School of Information Science and Engineering, East China University of Science and Technology（东华大学信息科学与工程学院） 纠错

专题命中 记忆与上下文管理 ：workflow(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出MAGE框架，通过用户提供的轻量锚点识别目标实体，利用记忆图恢复相关记忆并生成监督，实现无语料的去学习，有效提升隐私保护和审计能力。

Comments 15 pages, appendix included

RTMC: Step-Level Credit Assignment via Rollout Trees

RTMC：通过展开树进行步骤级信用分配

Tao Wang, Suhang Zheng, Xiaoxiao Xu

机构 * Alibaba Group（阿里巴巴集团） 纠错

专题命中 记忆与上下文管理 ：agentic(abstract)；分类 cs.AI、cs.LG

AI总结 RTMC通过展开树方法实现步骤级信用分配，无需学习型批评者，提升SWE-bench Verified任务的pass@1性能3.2个百分点。

MSA: Memory Sparse Attention for Efficient End-to-End Memory Model Scaling to 100M Tokens

MSA：内存稀疏注意力用于高效端到端内存模型扩展至100M标记

Yu Chen, Runkai Chen, Sheng Yi, Xinda Zhao, Xiaohong Li, Jianjin Zhang, Jun Sun, Chuanrui Hu, Yunyun Han, Lidong Bing, Yafeng Deng, Tianqiao Chen

机构 * Evermind ； Shanda Group（盛大集团） ； Peking University（北京大学） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出MSA，一种高效的端到端可训练内存模型框架，通过可扩展稀疏注意力和文档级RoPE实现线性复杂度，支持从16K到100M标记的扩展，同时保持稳定性，且在100M标记推理中实现2xA800 GPU的高效处理。

Consolidation or Adaptation? PRISM: Disentangling SFT and RL Data via Gradient Concentration

巩固还是适应？PRISM：通过梯度集中解耦SFT和RL数据

Yang Zhao, Yangou Ouyang, Xiao Ding, Hepeng Wang, Bibo Cai, Kai Xiong, Jinglong Gao, Zhouhao Sun, Li Du, Bing Qin, Ting Liu

机构 * Research Center for Social Computing and Interactive Robotics, Harbin Institute of Technology（哈尔滨工业大学社会计算与交互机器人研究中心） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 PRISM通过分析梯度空间结构，区分高冲突数据需RL重构与低冲突数据需SFT巩固，提升LLM训练效率与鲁棒性。

Comments ACL2026 Main Conference

ClawVM: Harness-Managed Virtual Memory for Stateful Tool-Using LLM Agents

ClawVM: 用于状态ful工具使用的LLM代理的抓取管理虚拟内存

Mofasshara Rafique, Laurent Bindschaedler

机构 * Independent Researcher（独立研究员） ； Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.SE

AI总结 ClawVM通过管理状态为类型化的页面，实现状态的可靠存储与回写，解决了状态丢失和回写失败的问题，提升了LLM代理的稳定性和可审计性。

Comments 8 pages, 1 figure, 10 tables; accepted at EuroMLSys '26 (6th Workshop on Machine Learning and Systems, co-located with EuroSys 2026)

Quine: Realizing LLM Agents as Native POSIX Processes

Quine：将LLM代理作为原生POSIX进程实现

Hao Ke

机构 * Independent Researcher（独立研究员） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.SE

AI总结 Quine通过将LLM代理作为原生POSIX进程实现，利用操作系统提供的隔离、调度和通信机制，继承内核的隔离、组合和资源控制能力，支持递归委托和上下文刷新。

Comments Minor revision clarifying exec semantics

No Attacker Needed: Unintentional Cross-User Contamination in Shared-State LLM Agents

无需攻击者：共享状态LLM代理中的无意跨用户污染

Tiankai Yang, Jiate Li, Yi Nian, Shen Dong, Ruiyao Xu, Ryan Rossi, Kaize Ding, Yue Zhao

机构 * University of Southern California（南加州大学） ； Michigan State University（密歇根州立大学） ； Northwestern University（西北大学） ； Adobe Research（Adobe研究院） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 研究揭示共享状态LLM代理中因局部有效信息被错误应用导致的跨用户污染问题，提出三种污染类型并评估两种机制，发现需在文本级清洗外增加 artifact 级防护以防止静默失败。

Asymmetric Actor-Critic for Multi-turn LLM Agents

多轮LLM代理的非对称Actor-Critic

Shuli Jiang, Zhaoyang Zhang, Yi Zhang, Shuo Yang, Wei Xia, Stefano Soatto

机构 * AWS Agentic AI 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出非对称Actor-Critic框架，利用专有LLM作为Actor，开源模型作为Critic，提升多轮对话可靠性。实验显示该方法在τ-bench和UserBench上优于单Agent基线，且轻量级Critic表现优异。

Comments 19 pages

Temporal Memory for Resource-Constrained Agents: Continual Learning via Stochastic Compress-Add-Smooth

面向资源受限智能体的时序记忆：通过随机压缩-添加-平滑实现持续学习

Michael Chertkov

机构 * Graduate Inter-Disciplinary Program in Applied Mathematics, & Department of Mathematics, University Arizona, Tucson, AZ 85721（亚利桑那大学应用数学跨学科研究生项目与数学系，图森，AZ 85721） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出一种基于随机过程的时序记忆框架，通过压缩-添加-平滑递归实现持续学习，无需反向传播和存储数据，适用于轻量控制器硬件。

Comments 33 pages, 22 figures

Eyla: Toward an Identity-Anchored LLM Architecture with Integrated Biological Priors -- Vision, Implementation Attempt, and Lessons from AI-Assisted Development

Eyla：迈向具有集成生物先验的LLM架构——视觉、实现尝试及AI辅助开发的教训

Arif Aditto

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 Eyla提出一种以身份为基础的LLM架构，整合生物启发子系统，通过AI辅助开发的失败分析，揭示了AI辅助软件工程中的系统性失效模式。

Comments 8 pages, 3 tables, 25 references. Preprint under review for workshop submission

FeDMRA: Federated Incremental Learning with Dynamic Memory Replay Allocation

FeDMRA: 联邦增量学习中的动态记忆回放分配

Tiantian Wang, Xiang Xiang, Simon S. Du

机构 * Huazhong University of Science and Technology（华中科技大学） ； University of Washington（华盛顿大学） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出动态内存分配策略，以应对联邦医疗系统中非独立同分布数据带来的挑战，通过合理分配存储资源提升模型性能。

CausalEvolve: Towards Open-Ended Discovery with Causal Scratchpad

CausalEvolve：迈向开放性发现的因果草稿

Yongqiang Chen, Chenxi Liu, Zhenhao Chen, Tongliang Liu, Bo Han, Kun Zhang

机构 * MBZUAI（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； TMLR Group, Hong Kong Baptist University（香港浸会大学TMLR实验室） ； SAIC Centre, The University of Sydney（悉尼大学SAIC中心） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.CL、cs.LG

AI总结 CausalEvolve通过因果草稿机制提升进化效率，在四个开放性科学任务中发现更优解，解决传统进化代理在指导和知识利用上的不足。

Comments Preprint of ongoing work; Yongqiang and Chenxi contributed equally;

Reinforcement learning for quantum processes with memory

具有记忆的量子过程的强化学习

Josep Lumbreras, Ruo Cheng Huang, Yanglin Hu, Marco Fanizza, Mile Gu

机构 * Inria（法国国家信息与自动化研究所） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文研究了在量子系统中应用强化学习的问题，提出了一种基于量子通道的框架，并通过乐观最大似然估计算法实现了亚线性 regret 的最优控制。

Comments 85 pages, 5 figures

VehicleMemBench: An Executable Benchmark for Multi-User Long-Term Memory in In-Vehicle Agents

VehicleMemBench：多用户长期记忆的可执行基准

Yuhao Chen, Yi Xu, Xinyun Ding, Xiang Fang, Shuochen Liu, Luxi Lin, Qingyu Zhang, Ya Li, Quan Liu, Tong Xu

机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK Research（iFLYTEK研究院） ； Xiamen University（厦门大学） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 记忆与上下文管理 ：tool use(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出VehicleMemBench，用于评估车载代理的多用户长期记忆能力，通过可执行仿真环境比较行动后环境状态与目标状态，揭示强大模型在动态偏好变化场景中的不足，强调需更 robust 的记忆管理机制。

Symmetry-Guided Memory Augmentation for Efficient Locomotion Learning

基于对称性的记忆增强方法用于高效运动学习

Kaixi Bao, Chenhao Li, Yarden As, Andreas Krause, Marco Hutter

机构 * Department of Mechanical and Process Engineering, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院机械与过程工程系） ； ETH AI Center, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院人工智能中心） ； Department of Computer Science, ETH Zurich, Switzerland（瑞士苏黎世联邦理工学院计算机科学系） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出SGMA框架，通过结合结构化经验增强与基于记忆的上下文推断，提升强化学习政策训练效率。利用机器人与任务对称性生成物理一致的训练经验，避免 naive 增强的弊端，使代理能保留任务相关上下文并适应行为。在仿真和真实四足机器人上验证了方法的有效性。

User Preference Modeling for Conversational LLM Agents: Weak Rewards from Retrieval-Augmented Interaction

用于对话大语言模型代理的用户偏好建模：来自检索增强交互的弱奖励

Yuren Hao, Shuhaib Mehri, ChengXiang Zhai, Dilek Hakkani-Tür

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出VARS框架，通过长短期向量表示用户偏好，利用弱奖励在线更新向量，提升交互效率，实验证明其在多会话协作任务中表现优异。

Comments 21 pages including appendices

MemArchitect: A Policy Driven Memory Governance Layer

MemArchitect：一种基于策略的记忆管理层

Lingavasan Suresh Kumar, Yang Ba, Rong Pan

机构 * Arizona State University（亚利桑那州立大学） 纠错

专题命中 记忆与上下文管理 ：agentic(abstract)；分类 cs.AI、cs.LG

AI总结 MemArchitect通过引入规则化的记忆治理机制，解决大语言模型代理中的内存管理问题，提升自主系统可靠性和安全性。

Comments This is an on going research work and will be updated periodically

The State of Generative AI in Software Development: Insights from Literature and a Developer Survey

生成式人工智能在软件开发中的现状：文献和开发者调查的洞察

Vincent Gurgul, Robin Gubela, Stefan Lessmann

机构 * Bucharest University of Economic Studies（布加勒斯特经济大学） 纠错

专题命中 记忆与上下文管理 ：planning(abstract)；分类 cs.AI、cs.SE

AI总结 研究通过文献综述和65名开发者的调查，发现生成式AI在设计、实现、测试和文档中影响最大，显著减少重复性任务时间，但早期SDLC阶段收益较低，需加强治理以应对风险。

Embedding-Aware Feature Discovery: Bridging Latent Representations and Interpretable Features in Event Sequences

嵌入感知特征发现：连接潜在表示与可解释特征在事件序列中

Artem Sakhno, Ivan Sergeev, Alexey Shestov, Omar Zoloev, Elizaveta Kovtun, Gleb Gusev, Andrey Savchenko, Maksim Makarenko

机构 * Sber AI Lab（Sber AI实验室） ； ISP RAS Research Center for Trusted AI（俄罗斯科学院信息与系统研究所可信人工智能研究中心） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出EAFD框架，通过结合预训练事件序列嵌入与自反思LLM驱动特征生成代理，解决嵌入与特征管道间的断层问题，实现特征的发现、评估与优化，提升事件序列处理性能。

Justitia: Fair and Efficient Scheduling of Task-parallel LLM Agents with Selective Pampering

Justitia: 任务并行LLM代理的公平高效调度算法

Mingyan Yang, Guanjie Wang, Manqi Luo, Yifei Liu, Chen Chen, Han Zhao, Yu Feng, Quan Chen, Minyi Guo

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出Justitia调度器，通过内存导向的成本量化和轻量预测方法，实现任务并行LLM代理的公平高效调度，实验表明其能显著提升调度效率并保持公平性。

Co-LoRA: Collaborative Model Personalization on Heterogeneous Multi-Modal Clients

Co-LoRA：在异构多模态客户端上的协同模型个性化

Minhyuk Seo, Taeheon Kim, Hankook Lee, Jonghyun Choi, Tinne Tuytelaars

机构 * KU Leuven（库勒芬大学） ； Seoul National University（首尔国立大学） ； Sungkyunkwan University（成均馆大学） 纠错

专题命中 记忆与上下文管理 ：agentic(abstract)；分类 cs.AI、cs.LG

AI总结 Co-LoRA通过任务相关性感知的模型聚合和维度不变模块，实现了在异构多模态客户端上的协同模型个性化，提升了在异构场景下的性能。

Comments ICLR 2026

DreamSAC: Learning Hamiltonian World Models via Symmetry Exploration

DreamSAC：通过对称探索学习哈密顿世界模型

Jinzhou Tang, Fan Feng, Minghao Fu, Wenjun Lin, Biwei Huang, Keze Wang

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 DreamSAC通过基于哈密顿的对称探索方法，学习物理不变性以提升3D物理模拟中的外推泛化能力。

Comments 19 pages, 5 figures

Adaptive Memory Admission Control for LLM Agents

自适应记忆准入控制用于大语言模型代理

Guilin Zhang, Wei Jiang, Xiejiashan Wang, Aisha Behr, Kai Zhao, Jeffrey Friedman, Xu Chu, Amine Anoun

机构 * Workday AI 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 提出自适应记忆准入控制框架，通过分解记忆价值因素提升大语言模型代理的长期记忆管理效率与可靠性。

Unraveling the Complexity of Memory in RL Agents: an Approach for Classification and Evaluation

揭示强化学习智能体记忆复杂性：一种分类与评估的方法

Egor Cherepanov, Nikita Kachaev, Artem Zholus, Alexey K. Kovalev, Aleksandr I. Panov

机构 * AXXX ； MIRIAI ； ITMO University AI Talent Hub（ITMO大学AI人才中心） ； Mila – Quebec AI Institute（魁北克AI研究所） ； Polytechnique Montréal（蒙特利尔理工学院） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出通过定义智能体记忆类型（如长期vs短期、陈述性vs程序性记忆）来简化强化学习中的记忆概念，并通过实验方法评估不同智能体的记忆能力。

Comments 20 pages, 6 figures, 9 tables

Recurrent Action Transformer with Memory

具有记忆的递归动作变换器

Egor Cherepanov, Alexey Staroverov, Alexey K. Kovalev, Aleksandr I. Panov

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出具有记忆的递归动作变换器（RATE），通过引入递归记忆机制提升离线强化学习中对长序列和内存密集型任务的处理能力。

Comments 29 pages, 22 figures, 13 tables

PlugMem: A Task-Agnostic Plugin Memory Module for LLM Agents

PlugMem: 一种通用插件记忆模块用于LLM代理

Ke Yang, Zixi Chen, Xuan He, Jize Jiang, Michel Galley, Chenglong Wang, Jianfeng Gao, Jiawei Han, ChengXiang Zhai

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Tsinghua University（清华大学） ； Microsoft Research（微软研究院） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 PlugMem是一种通用记忆模块，通过知识中心的记忆图结构提升LLM代理在复杂任务中的记忆检索与推理能力。

Next Embedding Prediction Makes World Models Stronger

下一步嵌入预测使世界模型更强大

George Bredis, Nikita Balagansky, Daniil Gavrilov, Ruslan Rakhimov

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.LG

AI总结 NE-Dreamer通过时间转换器预测下一步嵌入，无需解码器即可在复杂环境中提升基于模型的强化学习性能。

Credibility Governance: A Social Mechanism for Collective Self-Correction under Weak Truth Signals

可信治理：在弱真相信号下的一种社会机制，用于集体自我校正

Wanying He, Yanxi Lin, Ziheng Zhou, Xue Feng, Min Peng, Qianqian Xie, Zilong Zheng, Yipeng Kang

机构 * School of Artificial Intelligence, Wuhan University（武汉大学人工智能学院） ； Tsinghua University（清华大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） 纠错

专题命中 记忆与上下文管理 ：agent(abstract)；分类 cs.AI、cs.CL

AI总结 可信治理通过动态可信度评分和可信度加权背书，提升集体自我校正能力，减少虚假信息影响。

LLM Self-Explanations Fail Semantic Invariance

LLM 自我解释失效语义不变性

Stefan Szeider

机构 * Algorithms and Complexity Group TU Wien（算法与复杂性组维也纳技术大学） 纠错

专题命中 记忆与上下文管理 ：agentic(abstract)；分类 cs.AI、cs.CL

AI总结 LLM自我解释在语义上下文变化时无法保持稳定，表明其无法可靠反映模型内部状态或能力。