University of Oxford（牛津大学）

Recursive Experiential-Working Memory Evolution for Long-Horizon Agent Harnesses

面向长 horizon 智能体利用的递归经验-工作记忆演化

Zhaochen Yu, Yingcheng Wu, Zhenfei Yin, Kaiyuan Chen, Zhe Zhao, Mengdi Wang, Shuicheng Yan, Ling Yang

机构 * Princeton University（普林斯顿大学） ； Stanford University（斯坦福大学） ； University of Oxford（牛津大学） 纠错

AI总结 针对长 horizon 智能体的递归自我改进难题，提出 Recuris 架构，通过递归记忆演化提升任务成功率，在多个基准和模型上实现显著性能提升，为 RSI 提供可扩展基础。

Comments Code: this https URL (https://github.com/Gen-Verse/Recuris)

Parameter-Level Attribution of Symmetry in Trained Networks Though Parameter-Wise Functional Sensitivity

通过逐参数功能敏感性分析训练网络中对称性的参数级归因

Alan Muriithi, Vedanta Thapar, Torben Berndt

机构 * Mathematical Institute, University of Oxford（牛津大学数学研究所） ； Heidelberg Institute for Theoretical Studies（海德堡理论研究所） 纠错

AI总结 该研究针对训练网络的对称性参数归因问题，通过逐参数功能敏感性分析，揭示了参数空间中实现函数空间对称性群作用的条件，并在旋转不变分类器与哈密顿神经网络上验证了相关结论。

Pivot-and-Station Multi-Agent Path Finding: Solvability, Complexity, and Algorithms

枢轴与站点多智能体路径寻径：可解性、复杂性与算法

Andrea Di Nezza, Mihir Patel, Fabio Fagnani, Sara Bernardini

机构 * Politecnico di Torino（都灵理工大学） ； University of Oxford（牛津大学） 纠错

AI总结 针对需访问枢轴后停放的多智能体路径寻径问题，研究人员证明其可解性条件、最小化相关时间指标的NP难性，并提出PPP算法，大幅提升基准实例求解效率。

Strategic Exploitation in LLM Agent Markets: A Simulation Framework for E-Commerce Trust

LLM代理市场中的战略利用：电子商务信任的模拟框架

Shijun Lei, Quang Nguyen, Swapneel S Mehta, Zeping Li, Huichuan Fu, Xiaolong Zheng, Siki Chen, Yunji Liang, Philip Torr, Zhenfei Yin

机构 * Northwestern Polytechnical University（西北工业大学） ； Boston University（波士顿大学） ； Fudan University（复旦大学） ； Wuhan University（武汉大学） ； Chinese Academy of Sciences（中国科学院） ； University of Oxford（牛津大学） 纠错

AI总结 本文提出TruthMarketTwin模拟框架，用于研究LLM代理在电子商务市场中的行为，发现LLM代理在传统市场中会利用声誉治理的弱点，而强制执行可减少欺骗并重塑战略推理。

Topology enables learning-based hydrodynamic prediction of the global river system

基于拓扑信息的AI基础模型实现全球河流预报

Hancheng Ren, Gang Zhao, Shuo Wang, Louise Slater, Dai Yamazaki, Shu Liu, Jingfang Fan, Xueying Li, Shibo Cui, Ziming Yu, Shengyu Kang, Depeng Zuo, Dingzhi Peng, Zongxue Xu, Bo Pang

机构 * College of Water Sciences, Beijing Normal University, Beijing, China（北京师范大学水科学学院） ； School of Geography and the Environment, University of Oxford, Oxford, UK（牛津大学地理与环境学院） ； Department of Transdisciplinary Science and Engineering, Institute of Science Tokyo, Tokyo, Japan（东京科学研究所跨学科科学与工程系） ； School of Systems Science, Beijing Normal University, Beijing, China（北京师范大学系统科学学院） ； Institute of Industrial Science, University of Tokyo, Tokyo, Japan（东京大学工业科学研究所） ； China Institute of Water Resources and Hydropower Research, Beijing, China（中国水利水电科学研究院） ； State Key Laboratory of Hydro-Science and Engineering, Department of Hydraulic Engineering, Tsinghua University, Beijing, China（清华大学水利科学与工程国家重点实验室） ； School of Artificial Intelligence, Beijing Normal University, Beijing, China（北京师范大学人工智能学院） ； School of Water Resources and Hydropower Engineering, Wuhan University, Wuhan, China（武汉大学水利水电学院） 纠错

AI总结 GraphRiverCast通过拓扑信息和物理对齐的神经操作符架构，实现了全球河流系统的系统性水动力模拟，无需历史数据即可进行稳健预测。

Comments 21 pages, 4 figures. Main text only; the supplementary materials accompany the journal version