AI Agent

Retrieval-Augmented Generation with Covariate Time Series

增强检索生成与协变量时间序列

Kenny Ye Liang, Zhongyi Pei, Huan Zhang, Yuhui Liu, Shaoxu Song, Jianmin Wang

机构 * Tsinghua University（清华大学） 纠错

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

AI总结 本文提出RAG4CTS框架，解决时间序列基础模型在数据稀缺、短暂序列和协变量耦合动态下的预测问题，通过层级时间序列知识库和双阶段加权检索机制提升预测精度。

Comments 12 pages. Preprint

On-device Semantic Selection Made Low Latency and Memory Efficient with Monolithic Forwarding

在设备上实现语义选择：通过单体转发实现低延迟和内存高效

Jiahao Zhou, Chengliang Lin, Dingji Li, Mingkai Dong, Haibo Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Huawei（华为） 纠错

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

AI总结 本文提出PRISM系统，通过单体转发实现低延迟和内存高效的语义top-K选择，减少延迟和内存使用，提升设备AI应用的效率和部署性。

Bayesian Learning in Episodic Zero-Sum Games

博弈中贝叶斯学习

Chang-Wei Yueh, Andy Zhao, Ashutosh Nayyar, Rahul Jain

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

AI总结 本文研究了在未知转移和奖励模型的有限时间零和马尔可夫游戏中，贝叶斯学习的后验算法，分析了两种设置下的预期遗憾界，并在网格世界捕食者-猎物域中验证了后验采样算法的子线性遗憾性能。

Computational Concept of the Psyche

心理的计算概念

Anton Kolonin, Vladimir Krykov

机构 * Novosibirsk State University（新西伯利亚国立大学） ； Aigents（Aigents公司） ； SingularityNET Foundation（SingularityNET基金会） ； Domodedovo Business Partner（多莫德沃夫商务伙伴） 纠错

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

AI总结 本文提出了一种认知架构概念，将心理视为智能体的操作系统，通过经验学习在包含需求的状态空间中构建通用人工智能系统。

Comments 19 pages, 5 figures

Explore with Long-term Memory: A Benchmark and Multimodal LLM-based Reinforcement Learning Framework for Embodied Exploration

探索与长期记忆：一个基准和基于多模态LLM的强化学习框架用于具身探索

Sen Wang, Bangwei Liu, Zhenkun Gao, Lizhuang Ma, Xuhong Wang, Yuan Xie, Xin Tan

机构 * East China Normal University（东华大学） ； Shanghai AI Laboratory（上海人工智能实验室） 纠错

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

AI总结 本文提出LMEE框架，通过多模态LLM强化学习促进终身学习，构建LMEE-Bench基准评估具身探索过程与结果，采用MemoryExplorer方法提升记忆检索与主动探索能力。

Comments Accepted by CVPR 2026

Memori: A Persistent Memory Layer for Efficient, Context-Aware LLM Agents

Memori：一种高效的、基于上下文的LLM代理持久内存层

Luiz C. Borro, Luiz A. B. Macarini, Gordon Tindall, Michael Montero, Adam B. Struck

机构 * Memori Labs Inc.（Memori实验室） 纠错

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

AI总结 Memori通过结构化表示替代大上下文窗口，实现高效、低成本的LLM代理部署，准确率达81.95%。

Comments 9 pages; 2 figures; white paper

Average Reward Reinforcement Learning for Omega-Regular and Mean-Payoff Objectives

用于Ω-正则和平均收益目标的平均收益强化学习

Milad Kazemi, Mateo Perez, Fabio Somenzi, Sadegh Soudjani, Ashutosh Trivedi, Alvaro Velasquez

机构 * King’s College London（伦敦大学国王学院） ； University of Colorado Boulder（科罗拉多大学波尔德分校） ； University of Birmingham, UK（英国伯明翰大学） ； MPI-SWS（马克斯·普朗克研究所（SWS）） 纠错

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

AI总结 本文提出首个无模型强化学习框架，将绝对活性规范转化为平均收益目标，支持未知通信马尔可夫决策过程的学习，且在无episodic重置情况下收敛。

Comments 29 pages

Journal ref Journal of Artificial Intelligence Research 85, Article 25(March 2026)

Teleological Inference in Structural Causal Models via Intentional Interventions

通过意图干预在结构因果模型中进行目的推理

Dario Compagno, Fabio Massimo Zennaro

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

AI总结 本文提出通过意图干预在结构因果模型中处理目的性问题，引入结构最终模型以识别和发现智能体的意图。

Comments 29 pages, 3 figures

Accurate and Efficient Multi-Channel Time Series Forecasting via Sparse Attention Mechanism

通过稀疏注意力机制实现准确且高效的多通道时间序列预测

Lei Gao, Hengda Bao, Jingfei Fang, Guangzheng Wu, Weihua Zhou, Yun Zhou

机构 * Department of Machine Learning（机器学习系） ； SF Express（顺丰快递） ； Department of Management（管理系） ； Zhejiang University of Technology（浙江工业大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 本文提出Li-Net架构，通过稀疏Top-K Softmax注意力机制和多尺度投影框架，有效捕捉多通道时间序列的线性和非线性依赖，提升预测精度与效率。

Comments Accepted by ICDE 2026

Sparse3DTrack: Monocular 3D Object Tracking Using Sparse Supervision

Sparse3DTrack: 基于稀疏监督的单目3D物体跟踪

Nikhil Gosala, B. Ravi Kiran, Senthil Yogamani, Abhinav Valada

机构 * University of Freiburg, Germany（弗赖堡大学） ； Qualcomm SARL France（法国高通公司） ； Automated Driving, Qualcomm Technologies, Inc., USA（美国高通技术公司自动驾驶部门） 纠错

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

AI总结 本文提出首个稀疏监督的单目3D物体跟踪框架，通过分解为2D查询匹配和3D几何估计两阶段任务，利用时空一致性增强稀疏标注样本，生成高质量3D伪标签，提升极端稀疏标注下的跟踪性能。

Comments 22 pages, 8 figures

MemX: A Local-First Long-Term Memory System for AI Assistants

MemX：面向AI助手的本地优先长期记忆系统

Lizheng Sun

机构 * Lizheng Sun（孙立政） 纠错

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

AI总结 MemX是一种本地优先的长期记忆系统，通过向量召回、关键词召回和RRF等方法提升检索稳定性，实验表明其在中文基准测试中达到91.3%的Hit@1精度，且在长文本检索中表现出色。

Comments 18 pages, 2 figures, 13 tables

Compiled Memory: Not More Information, but More Precise Instructions for Language Agents

编译记忆：不是更多信息，而是为语言代理提供更精确的指令

James Rhodes, George Kang

机构 * AlphaBitCore, Inc.（AlphaBitCore公司） 纠错

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

AI总结 本文提出Atlas内存内核，通过编译积累的任务经验为语言代理生成指令结构，无需微调、RAG或人工干预，提升GPT-4o和Claude Sonnet~4.5在合同分析和多跳问答任务中的性能。

RenderMem: Rendering as Spatial Memory Retrieval

RenderMem：将渲染作为空间记忆检索

JooHyun Park, HyeongYeop Kang

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

AI总结 RenderMem通过将渲染作为3D世界与空间推理的接口，使智能体能直接进行视角相关的可见性与遮挡推理，提升空间记忆系统的表现。

Dynamic Theory of Mind as a Temporal Memory Problem: Evidence from Large Language Models

动态心智理论作为时间记忆问题：来自大语言模型的证据

Thuy Ngoc Nguyen, Duy Nhat Phan, Cleotilde Gonzalez

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

AI总结 研究探讨了动态心智理论作为时间延伸表征记忆问题，发现大语言模型在跟踪信念轨迹方面存在挑战，揭示了记忆与干扰机制在社会推理中的影响。

Comments 8 pages, 4 figures, 3 tables, conference

Emotional Cost Functions for AI Safety: Teaching Agents to Feel the Weight of Irreversible Consequences

情感成本函数用于人工智能安全：教导代理感受不可逆后果的重量

Pandurang Mopgar

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

AI总结 本文提出情感成本函数框架，使代理产生质性痛苦状态，通过丰富的故事表征不可逆后果，从而塑造代理的性格。实验表明，质性痛苦产生特定智慧而非一般性瘫痪。

Narrative Weaver: Towards Controllable Long-Range Visual Consistency with Multi-Modal Conditioning

叙事编织者：迈向多模态可控的长程视觉一致性

Zhengjian Yao, Yongzhi Li, Xinyuan Gao, Quan Chen, Peng Jiang, Yanye Lu

机构 * Peking University（北京大学） ； Kuaishou Technology（快手科技） 纠错

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

AI总结 Narrative Weaver通过整合精细控制、自动叙事规划和长程一致性，解决生成AI中多模态可控、长程且一致的视觉内容生成问题，提出首个综合解决方案并构建首个电商广告视频脚本数据集。

Comments Accepted by CVPR2026

Adaptive RAN Slicing Control via Reward-Free Self-Finetuning Agents

通过无奖励自我微调代理实现自适应RAN切片控制

Yuanhao Li, Haozhe Wang, Geyong Min, Nektarios Georgalas, Wang Miao

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

AI总结 本文提出一种无奖励自我微调框架，通过内化经验实现自适应RAN切片控制，优于传统RL和LLM基agent。

Telogenesis: Goal Is All U Need

基于认知缺口的内生注意力优先级生成

Zhuoran Deng, Yizhi Zhang, Ziyi Zhang, Wan Shen

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

AI总结 本文提出了一种基于认知缺口的内生注意力优先级生成方法，通过预测误差、无知和陈旧三个因素，实现了在无外部奖励的情况下自适应优先级生成，优于固定策略并恢复环境结构。

Comments 6 pages, 3 figures, submitted to ALIFE 2026

Debiasing International Attitudes: LLM Agents for Simulating US-China Perception Changes

消除国际偏见：用于模拟中美感知变化的LLM代理

Nicholas Sukiennik, Yichuan Xu, Yuqing Kan, Jinghua Piao, Yuwei Yan, Chen Gao, Yong Li

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

AI总结 本研究提出基于LLM代理的框架，通过去偏机制模拟中美感知变化，发现魔鬼代言人代理最有效缓解偏见。

Comments Submitted to TCSS

ARKV: Adaptive and Resource-Efficient KV Cache Management under Limited Memory Budget for Long-Context Inference in LLMs

ARKV：在有限内存预算下为LLMs长上下文推理实现自适应和资源高效的KV缓存管理

Jianlong Lei, Shashikant Ilager

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

AI总结 ARKV通过动态分配精度级别，实现LLMs长上下文推理中的高效内存管理，减少内存使用并保持高精度。

Comments Accepted in ACM/IEEE CCGRID 2025 conference

Can Large Language Models Keep Up? Benchmarking Online Adaptation to Continual Knowledge Streams

大语言模型能否跟上？连续知识流的在线适应基准测试

Jiyeon Kim, Hyunji Lee, Dylan Zhou, Sue Hyun Park, Seunghyun Yoon, Trung Bui, Franck Dernoncourt, Sungmin Cha, Minjoon Seo

机构 * KAIST AI（韩国科学技术院人工智能研究所） ； UNC Chapel Hill（北卡罗来纳大学教堂山分校） ； Google（谷歌公司） ； KRAFTON（KRAFTON公司） ； Adobe Research（Adobe研究院） ； New York University（纽约大学） 纠错

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

AI总结 本文提出OAKS基准测试，用于评估大语言模型在动态连续知识流中的在线适应能力，发现现有模型在持续更新知识时存在显著局限性。

Distributionally Robust Self Paced Curriculum Reinforcement Learning

分布鲁棒自适应课程强化学习

Anirudh Satheesh, Keenan Powell, Vaneet Aggarwal

机构 * University of Maryland College Park（马里兰大学学院公园分校） ； Purdue University West Lafayette（普渡大学西拉法叶分校） 纠错

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

AI总结 分布鲁棒自适应课程强化学习通过动态调整鲁棒性预算，平衡性能与鲁棒性，提升在分布偏移下的稳定性与表现。

Video-EM: Event-Centric Episodic Memory for Long-Form Video Understanding

视频-EM：面向长视频理解的事件中心型片段记忆

Yun Wang, Long Zhang, Jingren Liu, Jiaqi Yan, Zhanjie Zhang, Jiahao Zheng, Ao Ma, Run Ling, Xun Yang, Dapeng Wu, Xiangyu Chen, Xuelong Li

机构 * City University of Hong Kong（香港城市大学） ； University of Science and Technology of China（中国科学技术大学） ； Tianjin University（天津大学） ； Nanjing University（南京大学） ； Zhejiang University（浙江大学） ； The Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究所（TeleAI）） 纠错

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

AI总结 Video-EM通过事件中心型片段记忆框架，将长视频问答转化为事件构建与记忆细化，提升长视频理解的连贯性与可靠性。

Comments 14 pages, 6 figures

AutoSkill: Experience-Driven Lifelong Learning via Skill Self-Evolution

AutoSkill: 通过技能自我进化实现经验驱动的终身学习

Yutao Yang, Junsong Li, Qianjun Pan, Bihao Zhan, Yuxuan Cai, Lin Du, Jie Zhou, Kai Chen, Qin Chen, Xin Li, Bo Zhang, Liang He

机构 * School of Computer Science and Technology, East China Normal University（1 计算机科学与技术学院，东华大学） ； Shanghai AI Laboratory（2 上海人工智能实验室） 纠错

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

AI总结 AutoSkill通过技能自我进化实现经验驱动的终身学习，使LLM代理能够自动推导、维护和重用技能，提升个性化能力的持续性和可重用性。

LifeBench: A Benchmark for Long-Horizon Multi-Source Memory

LifeBench: 一个用于长周期多源记忆的基准

Zihao Cheng, Weixin Wang, Yu Zhao, Ziyang Ren, Jiaxuan Chen, Ruiyang Xu, Shuai Huang, Yang Chen, Guowei Li, Mengshi Wang, Yi Xie, Ren Zhu, Zeren Jiang, Keda Lu, Yihong Li, Xiaoliang Wang, Liwei Liu, Cam-Tu Nguyen

机构 * Institute for Clarity in Documentation（清晰文档研究所） ； Inria Paris-Rocquencourt（巴黎-罗克琴库特研究所） ； Rajiv Gandhi University（拉贾夫·甘地大学） ； Tsinghua University（清华大学） ； Palmer Research Laboratories（帕勒尔研究实验室） ； State Key Laboratory for Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； School of Artificial Intelligence, Nanjing University（人工智能学院，南京大学） ； Huawei Technologies Co., Ltd.（华为技术有限公司） 纠错

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

AI总结 Lifebench是一个用于长周期多源记忆的基准，通过密集连接的长周期事件模拟，推动AI代理在多样且时间延长的上下文中整合声明性和非声明性记忆推理。

Comments A total of 28 pages, 8 pages of main text, and 15 figures and tables

Goal-Driven Risk Assessment for LLM-Powered Systems: A Healthcare Case Study

面向目标的风险评估用于LLM驱动系统：一个医疗案例研究

Neha Nagaraja, Hayretdin Bahsi

机构 * School of Informatics, Computing, and Cyber Systems（信息学、计算与网络系统学院） ； Northern Arizona University（北亚利桑那大学） ； Department of Software Science（软件科学系） ； Tallinn University of Technology（塔林技术大学） 纠错

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

AI总结 本文提出了一种面向目标的风险评估方法，用于评估LLM驱动系统的安全风险，通过攻击树详细分析威胁向量和攻击路径，以提升医疗系统等复杂系统的安全性。

Comments To appear in the HealthSec Workshop at the 2025 IEEE Annual Computer Security Applications Conference (ACSAC)

Learning in Markov Decision Processes with Exogenous Dynamics

在外生动态中学习马尔可夫决策过程

Davide Maran, Davide Salaorni, Marcello Restelli

机构 * Department of DEIB, Politecnico di Milano, Milan, Italy（米兰理工大学DEIB部门） 纠错

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

AI总结 本文提出了一种在具有外生动态的马尔可夫决策过程中学习的方法，通过利用外生状态组件的独立性，提高了学习保证和样本效率。

Optimal information injection and transfer mechanisms for active matter reservoir computing

主动物质计算中的最优信息注入与传输机制

Mario U. Gaimann, Miriam Klopotek

机构 * WIN-Kolleg of the Young Academy Heidelberg Academy of Sciences 纠错

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

AI总结 本研究提出利用主动物质系统作为共振计算的共振体，通过非线性驱动力提升信息处理能力，发现其在液滴形成时表现优异，具有鲁棒性和适应性。

Comments 93 pages, 51 figures. Supplementary Videos: https://doi.org/10.18419/DARUS-4806. Replication Data: https://doi.org/10.18419/DARUS-4805

Reinforcement Learning for Variational Quantum Circuits Design

变分量子电路设计的强化学习

Simone Foderà, Gloria Turati, Riccardo Nembrini, Maurizio Ferrari Dacrema, Paolo Cremonesi

机构 * Politecnico di Milano（米兰理工学院） 纠错

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

AI总结 本研究利用强化学习设计变分量子电路，发现新型ansatz家族，提升优化问题求解效率。

Journal ref Proceedings of the International Workshop on AI for Quantum and Quantum for AI (AIQxQIA 2024)

ParamMem: Augmenting Language Agents with Parametric Reflective Memory

ParamMem: 通过参数化反思记忆增强语言代理

Tianjun Yao, Yongqiang Chen, Yujia Zheng, Pan Li, Zhiqiang Shen, Kun Zhang

机构 * Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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

AI总结 ParamMem通过参数化记忆模块提升语言代理的反思多样性，实现更高效的推理和跨任务迁移能力。

Comments 20 pages