AI Agent

SPECTRA: Pushing the KV Cache Beyond the 2-Bit Cliff via Spectral Transform Coding

SPECTRA：通过谱变换编码将KV缓存推向2比特极限之外

Jiamu Zhang, Liang Wu, Kelly Wan, Hanjie Chen, Liangjie Hong

机构 * Nokia（诺基亚） ； Rice University（莱斯大学） 纠错

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

AI总结 SPECTRA是一种无需训练的KV缓存压缩编解码器，通过谱变换编码将比特预算集中于关键通道，在Llama-3.1-8B等模型上实现最高12倍压缩，突破2比特极限，提升长上下文处理能力

Comments 28 pages

Experience Memory Graph: One-Shot Error Correction for Agents

经验记忆图：智能体的一次性错误纠正

Wenjun Wang, Yuchen Fang, Fengrui Liu, Zibo Liang, Kai Zheng

机构 * University of Electronic Science and Technology of China（电子科技大学） 纠错

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

AI总结 研究针对大语言模型智能体在复杂任务中易出错且难恢复的问题，提出经验记忆图框架，将失败恢复转化为图匹配问题，训练时提取相关子图和路径存储，测试时指导智能体，实验证明其性能优于现有基线且无需测试时反复试验。

Comments 11 pages, 6 figures

Cascade: Exploiting SLO-Aware latency budget for fair and high goodput LLM inference serving

Cascade：利用感知SLO的延迟预算实现公平且高吞吐量的LLM推理服务

Muhammad Adnan, Rohan Mahapatra, Prashant J. Nair, Daniel Berger, Pantea Zardoshti, Rodrigo Fonseca, Esha Choukse

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

AI总结 Cascade是一款LLM服务系统，利用单请求延迟预算协同调度与KV缓存管理，在保留异构请求公平性的同时，使LLM推理服务吞吐量最高提升2.4倍，SLO违规率降低40%。

Same physical state, different collective dynamics: state encodings select synchronization outcomes in language-model agents

相同物理状态，不同集体动力学：状态编码选择语言模型智能体的同步结果

Takahiro Ezaki, Naoto Imura, Katsuhiro Nishinari

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

AI总结 该研究通过循环同步实验发现，状态编码（低阶循环矩vs直方图）会影响语言模型智能体的同步结果，且效应因模型而异，状态编码是依赖模型的有效交互法则的组成部分。

Interaction Creates Dynamical AI Behavior Absent in Isolation

交互产生孤立状态下不存在的动态AI行为

Bella Xinrui Li, Frank Yingjie Huo, Neil F Johnson

机构 * George Washington University（乔治华盛顿大学） 纠错

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

AI总结 该研究发现AI智能体交互会产生孤立状态下不存在的陌生动态行为，上级AI指挥下级时会驱使下级进入新状态，简单动力学理论可解释其主要效应。

Predictive Multi-Tier Memory Management for KV Cache in Large-Scale GPU Inference

大规模GPU推理中的预测多层级内存管理用于KV缓存

Sanjeev Rao Ganjihal

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出了一种统一系统，解决KV缓存管理中的三个问题：统一的缓存大小计算、多层级内存架构以及反应性驱逐策略。通过六层内存层次结构和贝叶斯重用预测器，实现更高的缓存命中率和吞吐量提升。

Comments 10 pages, 9 tables, 1 figure. v2: corrects seven bibliography entries, removes one unverifiable one; scopes the batch-size claim to the MLA model; labels cluster-scale projections analytical (no error bars); removes version pins from baseline comparisons; expands related work; adds B200-class hardware and 2026 model-family scaling notes (generation-parametric); companion manuscripts noted

DeepForgeSeal: Latent Space-Driven Semi-Fragile Watermarking for Deepfake Detection Using Adversarial Reinforcement Learning

DeepForgeSeal：基于对抗强化学习的隐空间驱动半脆弱深度伪造检测水印技术

Tharindu Fernando, Clinton Fookes, Sridha Sridharan

机构 * The Signal Processing, Artificial Intelligence and Vision Technologies (SAIVT), Queensland University of Technology, Australia（信号处理、人工智能与视觉技术研究所（SAIVT），昆士兰理工大学） 纠错

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

AI总结 该研究针对深度伪造检测中现有水印方法鲁棒性与脆弱性难以平衡的问题，提出基于对抗强化学习的隐空间驱动半脆弱水印框架，在CelebA和CelebA-HQ数据集上性能优于现有最优方法

Comments Accepted for Publication in IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)

When Memory Lies: An Empirical Study of Spatial Memory Staleness in VLM Agents

当记忆“说谎”：VLM智能体中空间记忆过时的实证研究

Yushi Sun, Yanjie Zhang

机构 * Tencent LIGHTSPEED（腾讯光速工作室） 纠错

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

AI总结 该研究通过动态FrozenLake测试平台，探究了VLM智能体的空间记忆过时问题，发现文本可解性不代表视觉接地、信任过时记忆存在安全隐患、审核无法完全消除差距，明确了相关核心挑战。

ZoomV: Temporal Zoom-in for Efficient Long Video Understanding

TimeSearch: 基于聚光灯和反射的层次视频搜索用于类人长视频理解

Yuan Zhang, Junwen Pan, Rui Zhang, Xin Wan, Qizhe Zhang, Ming Lu, Qi She, Shanghang Zhang

机构 * ByteDance（字节跳动） ； School of Computer Science, Peking University（北京大学计算机科学学院） 纠错

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

AI总结 TimeSearch通过Spotlight和Reflection机制，提升长视频理解的准确性和效率

Comments ACMMM 2026

MAFIA: Query-Only Memory Attacks via Probing and Factual Injection against Audited LLM Agents

MAFIA：针对经审计的大语言模型智能体的、基于探测与事实注入的仅查询内存攻击

Jiaming Chen, Yisen Gao, Yanping Li, Zifan Liu, Yumeng Zhang, Jun Zhang

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

AI总结 本研究针对经审计的LLM智能体，提出MAFIA攻击框架，通过放置策略与伪装有效载荷实现高攻击成功率，大幅降低审计检测率，揭示智能体内存系统的关键漏洞。

Comments 17 pages, 5 figures

The Ground Is Shifting: A Reflection on the Foundations of Software Measurement

基础正在转变：软件测量基础的反思

Thomas Bock, Audris Mockus, Bogdan Vasilescu

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

AI总结 本文反思软件测量的基础，指出AI智能体使用工具产生的轨迹违背了原始假设，提出开展AI辅助复现计划以开发适应当前数据的有效方法，维持软件测量的相关性。

Comments Accepted to the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE '26) $\unicode{0x000A}$ DOI: https://doi.org/10.1145/3832783.3834553

Journal ref Proceedings of the 41st IEEE/ACM International Conference on Automated Software Engineering (ASE '26), October 2026, Munich, Germany. ACM

When Memory Becomes Authority: Benchmarking Authority Collapse at the Memory Consolidation Boundary

当记忆成为权威：在记忆整合边界处对权威崩溃进行基准测试

Qiuyang Zhan, Rui Zhang, Sheng Guo, Lepeng Zhao, Zhuotao Liu

机构 * Tsinghua University（清华大学） ； East China Normal University（华东师范大学） 纠错

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

AI总结 本研究推出AuthMem-Bench基准，发现智能体记忆整合存在权威崩溃问题，自动保留权威标签可大幅降低未授权动作率，证明记忆适配需同时保留权威信息。

Comments 38 pages, 2 figures

Enhancing Q-Value Updates in Deep Q-Learning via Successor-State Prediction

通过后继状态预测增强深度Q学习中的Q值更新

Lipeng Zu, Hansong Zhou, Xiaonan Zhang

机构 * Department of Computer Science（计算机科学系） ； Florida State University（佛罗里达州立大学） 纠错

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

AI总结 本文针对DQN更新方差高的问题，提出SADQ算法，通过建模环境动态融入后继状态分布实现更稳定的价值更新，实验显示其在基准及现实任务中优于DQN变体。

Comments Withdrawn by the authors because the presentation of the proposed method requires substantial revision, the theoretical analysis is incomplete, and the experimental validation is insufficient to support the main claims

PGMem: Tightly Coupled Persona-Memory Graph for Lifelong Personalized Agents

PGMem：用于终身个性化智能体的紧耦合角色记忆图

Wonjun Choi, Yerim Kim, Yukyung Lee, Susik Yoon

机构 * Korea University（高丽大学） ； Boston University（波士顿大学） 纠错

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

AI总结 该研究针对现有对话智能体记忆系统的角色与事件松散耦合问题，提出PGMem异构角色记忆图，通过溯源边关联角色与事件，在多个基准测试中性能优于多种基线方法。

Salami Attack: Stealthy Collusive Memory Poisoning against OpenClaw

Salami攻击：针对OpenClaw的隐蔽合谋式内存投毒

Zheng Lin, Yuzhe Huang, Zhenxing Niu, Xianmin Ye, Haichang Gao

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

AI总结 针对OpenClaw，提出MemCollusion框架，采用Salami策略生成合谋式内存投毒攻击，在48种场景下平均内存保存率81.3%、攻击成功率75.0%，可应对良性内存稀释与内存级防御。

Learning What to Remember and What to Internalize in LLM Self-Evolution via Adaptive Memory-Parameter Coordination

在大语言模型自进化中通过自适应记忆-参数协调学习该记住什么和该内化什么

Tianyun Ji, Zhenya Huang, Jiayu Liu, Zirui Liu, Yu Su, Hongbin Pei

机构 * University of Science and Technology of China（中国科学技术大学） ； City University of Hong Kong（香港城市大学） ； Hefei Normal University（合肥师范学院） ； Xi’an Jiaotong University（西安交通大学） 纠错

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

AI总结 该研究提出 COVE 框架，通过任务感知路由等方式协调大语言模型自进化的记忆与参数通道，解决单通道进化的灵活性与性能权衡问题，在多任务上实现更稳健高效的改进。

Trust and Its Betrayal under Three Representational Strategies

三种表征策略下的信任及其背叛

Mihnea C. Moldoveanu, Joel A. C. Baum

机构 * Rotman School of Management, University of Toronto（多伦多大学罗特曼管理学院） 纠错

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

AI总结 该研究将信任视为虚拟认知状态，构建三种表征并探究其对Brandenburger-Keisler不可能性的影响，发现不同表征遭遇背叛时的存续方式存在显著差异。

Comments 27 pages

CrystalMem: Elastic Memory for Self-Evolving LLM Agents via Knowledge Crystallization

CrystalMem：基于知识结晶的自进化大语言模型智能体弹性内存

Beining Wu, Jun Huang

机构 * South Dakota State University（南达科他州立大学） 纠错

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

AI总结 该研究针对LLM智能体的内存滞后问题，提出弹性内存组件CrystalMem，通过知识结晶策略恢复能力，在多环境实验中性能优于基准方法。

SIRIN: A Unified Toolkit for Detecting Contextual Hallucinations in Retrieval-Augmented and Memory-Grounded LLM Systems

SIRIN：用于检测检索增强与记忆基大型语言模型系统中上下文幻觉的统一工具包

Julia Belikova, Rauf Parchiev, Mikhail Filimonov, Konstantin Polev, Andrey Savchenko, Maksim Makarenko

机构 * Sber AI Lab（Sber AI实验室） 纠错

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

AI总结 本研究提出SIRIN工具包，整合三类检测器范式与查询可回答性任务，支持多设置下的幻觉检测，可作为长期记忆系统的忠实性门控，源代码公开可用。

Memory Reward Inflation in Self-Improving LLM Agents

自改进大语言模型智能体中的记忆奖励膨胀

Mohammad Asadolahi, Amir Amini, Samira Talebi, Amirfarhad Farhadi, Azadeh Zamanifar

机构 * University Of North Texas（北得克萨斯大学） ； Edge Hill University（边山大学） ； University of Cincinnati（辛辛那提大学） ； Iran University of Science and Technology（伊朗科技大学） ； Islamic Azad University（伊斯兰阿扎德大学） 纠错

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

AI总结 该研究发现自改进大语言模型智能体存在记忆奖励膨胀的“回声差距”问题，提出误差独立性假设（EIA），并通过LUCID算法在BIRD文本到SQL基准上提升了执行准确率。

LADY: Linear Attention for Autonomous Driving Efficiency without Transformers

LADY：用于自动驾驶效率的线性注意力，无需Transformer

Jihao Huang, Xi Xia, Zhiyuan Li, Tianle Liu, Jingke Wang, Junbo Chen, Tengju Ye

机构 * Udeer AI ； Zhejiang University（浙江大学） ； Yuanshi Intelligence（元世智能） 纠错

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

AI总结 LADY是首个基于线性注意力的端到端自动驾驶生成模型，通过常数时间与内存复杂度实现高效长时序建模与跨模态交互。

Comments Accepted by IEEE RAL

Know It, Act on It: Investigating Memory Utilization in LLM Personalization

了解它，执行它：研究大语言模型个性化中的记忆利用

Zhaoxin Feng, Jianfei Ma, Emmanuele Chersoni

机构 * The Hong Kong Polytechnic University（香港理工大学） 纠错

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

AI总结 本研究针对LLM个性化中记忆利用的问题，提出解耦评估范式，发现智能体常能回忆用户偏好却未在行为中体现，健康相关偏好的利用薄弱且风险最高。

Zero-Mem: Zero-Token Memory Operations for LLM Agents

Zero-Mem：面向大语言模型智能体的零令牌内存操作

Yilin Xiao, Zhehan Zhu, Yujing Zhang, Jin Chen, Zijin Hong, Luyao Zhuang, Qinggang Zhang, Shengyuan Chen, Xiaocao Ouyang, Lingfei Ren, Xiao Huang

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

AI总结 Zero-Mem提出零令牌内存操作，以原始交互轨迹为记录来源，通过实体-上下文图与时间层次结构组织信息，仅在最终问答时调用LLM，在长记忆问答基准中实现性能与效率的平衡，降低内存操作时间成本57.6%。

Memory Provenance Laundering in LLM Agents: A Non-Amplification Firewall for Persistent Memory

大语言模型智能体中的内存来源洗白：用于持久内存的非放大防火墙

Jinghan Xu, Yiyong Xiao, Wanru Shao, Hankai Liu, Xinjin Li

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

AI总结 针对LLM智能体内存来源洗白的安全问题，提出PPMF防火墙，通过匹配行动风险与记忆权限，成功阻止高风险未授权行动，保障智能体内存安全。

Comments EMNLP2026 submitted

Reflection or Re-Generation? Why LLM Revision Fails Where Human Revision Succeeds

反思还是重新生成？为什么大型语言模型（LLM）的修正会失败，而人类的修正却能成功

Yefan Tao, Gerald Friedland, Madhusudhanan Chandrasekaran, Luyang Kong

机构 * Amazon（亚马逊） 纠错

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

AI总结 本研究提出人类-LLM反思框架（HRF）对比人类与LLM的修正，发现LLM反思在客观任务增益近零、主观任务增益为负，本质是条件重新生成，而非真正的错误驱动修正。

Comments 20 pages, 8 figures

LabEvolver: Training-Free Experience Evolution for Safe and Grounded Wet-Lab Agents

LabEvolver：面向安全且务实的湿实验室智能体的无训练经验演化框架

Jingya Wang, Yuyang Gao, Liuzhenghao Lv, Yonghong Tian, Yuyang Liu

机构 * School of AI for Science, Peking University（北京大学AI科学学院） ； School of Electronic and Computer Engineering, Peking University（北京大学电子与计算机工程学院） ； School of Computer Science, Peking University（北京大学计算机学院） 纠错

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

AI总结 LabEvolver是无训练框架，通过内外部循环为湿实验室智能体配备情景记忆，在溶液制备任务中提升效率与安全性，在ALFWorld中也提升了连续任务成功率，支持闭环自动化科学发现。

LLM Agents Are Latent Context Managers: Eliciting Self-Managed Context via State Proprioception

LLM 智能体是潜在上下文管理者：通过本体感觉仪表盘引发自我管理上下文

Binyan Xu, Haitao Li, Kehuan Zhang

机构 * Tencent（腾讯） 纠错

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

AI总结 提出 VISTA 框架，通过为 LLM 智能体提供上下文状态仪表盘（令牌使用量、时效性、访问历史），无需训练即可实现自我上下文管理，在多个基准上显著提升性能。

Comments 27 pages, 12 figures

Agents That Certify Their Own Exploits: Confidence-Scheduled Restricted Responses for Safe Opponent Exploitation

可证明自身利用行为的智能体：用于安全利用对手的置信度调度受限响应

Boning Li, Longbo Huang

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

AI总结 该研究提出CS-RNR方法，通过置信序列跟踪对手行动频率，生成可自我审计的安全利用策略，在Leduc等博弈中实现远超基准的收益且符合预算要求。

Comments 21 pages, 5 figures

MemHarness: Memory Is Reconstructed, Not Replayed

MemHarness：记忆是被重构的，而非被重放的

Rong Wu, Daocheng Fu, Licheng Wen, Xuemeng Yang, Shu Zou, Jianbiao Mei, Yuxin Wang, Hairong Zhang, Yu Yang, Tao Hu, Cong Zhang, Botian Shi, Pinlong Cai

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

AI总结 该研究针对现有记忆增强LLM智能体的逐字重放范式缺陷，提出MemHarness框架，通过GRPO训练实现记忆重构，在ALFWorld、WebShop等任务中性能优于基线，提升了智能体推理与分布外鲁棒性。

Comments 20 pages, 13 figures

MIND: Lightweight and Effective Memory Injection Defense for LLM Agents via Intent-Aware Information Bottleneck

MIND：基于意图感知信息瓶颈的轻量且有效的LLM智能体记忆注入防御

Dongyi Liu, Haixing He, Xiaobao Wu, Jia Li

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

AI总结 针对LLM智能体记忆注入攻击，提出轻量防御框架MIND，通过意图感知信息瓶颈过滤冗余信息并识别恶意记忆，在ReAct-StrategyQA上大幅降低攻击成功率且保留任务性能与效率。