★ 4
代理置信度：用替代模型对数概率审计黑盒LLM智能体
论文提出「代理置信度」方法，用一个低成本开源替代模型并行读取与智能体相同的上下文、schema 和拟执行动作，通过教师强制、请求 PMI、判别式裁决和工具选择竞争等读出方式，从自身对数概率中恢复前沿 API 隐藏的置信信号。该方法无需训练、无需访问智能体内部，在困难编码任务上 AUROC 达 0.…
arXiv cs.AI26 天前
#LLM智能体
共 43 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 4
封闭世界解析防御LLM智能体的工具幻觉
研究揭示工具增强LLM智能体的结构性盲区：它们会调用不存在的工具并传入无schema声明的参数，而现有工具选择与门控方法均预设调用指向真实工具，无法拒绝幻觉调用。作者给出工具幻觉五类分类H1-H5，提出免训练的封闭世界解析器Resolution Rung，并证明幻觉防御必须先于任何因果门控。在十款…
arXiv cs.AI44 天前
★ 3
研究：Attention Tracker 在智能体间接提示注入检测失效
论文首次在 AgentDojo 基准上评估白盒检测方法 Attention Tracker，发现其数据集无关性主张不成立，长结构化工具输出会使检测接近随机水平。作者提出 AttnDA，用 Fisher 线性判别分析替代标量阈值，在多个基准上提升检测效果，但跨域迁移仍具挑战。
arXiv cs.LG10 天前
★ 3
研究：LLM 智能体失败归因存在「知而不言」差距
论文研究多智能体系统的自动失败归因（AFA），通过线性探针发现模型内部激活已编码足够信息判断失败步骤，却无法在输出中明确指出，形成「知而不言」差距。作者提出 grafting 干预方法，在推理时无需真值标签即可利用模型潜在知识，在多个 LLM 与基准上稳定优于直接提示。
arXiv cs.LG10 天前
★ 3
PsyBer-Agent：面向推荐系统的心理学驱动用户智能体
论文提出 PsyBer-Agent，一个心理学启发的推荐系统用户模拟器，通过 Psy-Engine 用三个演化潜状态建模疲劳、情感与偏好漂移。方法用非平衡 Gromov-Wasserstein 最优传输对齐真实日志轨迹与模拟潜状态轨迹，为轻量策略提供监督而无需微调大模型。同时发布 WebSim 与…
arXiv NLP18 天前
★ 3
论文提出ReTRAIL：长程智能体回退环境并复用探索经验
arXiv论文提出ReTRAIL框架，允许智能体将环境回退到早期状态同时保留有效进展并沿用被放弃探索中学到的知识。通过State-Anchored GRPO与分支推进奖励训练共享策略，在MineSweeper、Sokoban、ALFWorld、ScienceWorld四个交互基准上优于单纯加入回退…
arXiv cs.AI20 天前
★ 3
EvoBelief：可证伪世界模型助LLM智能体自我进化
论文提出EvoBelief，将环境知识表示为可证伪假设，通过意外结果触发假设生成，经观察与实验验证后指导预测与规划，语言模型保持冻结。在ALFWorld上较冻结世界模型成功率提升23.9%至31.3%，在DiscoveryWorld反应堆实验室完成83.3%普通级任务，基线为0%。
arXiv cs.AI20 天前
★ 3
KLPO：面向LLM智能体的KL正则化策略优化
论文提出KL-Regularized Policy Optimization（KLPO），将KL正则项锚定在采样器端，使正则化改进步骤具有闭式Gibbs解，并通过最小二乘拟合对数比最优条件，无需重要性权重。该方法实现无critic更新，每个prompt只需一次rollout，且SPPO、GPO、R…
arXiv cs.LG24 天前
★ 3
FEAgent：基于程序图的差分代理执行判定代码等价
论文提出 FEAgent，一种选择性代码等价性评估智能体，结合类型化程序图证据与差分代理执行来判断两段程序是否功能等价。它通过分支感知生成器构造区分性输入，由两个盲测 LLM 代理分别预测源与目标程序的可观测行为，并记录证据账本，最终输出等价、不等价或不确定。在 EquiBench 上，直接执行证…
arXiv cs.AI26 天前
★ 3
LMBuild：评估LLM智能体生成可建造功能性结构
研究者提出 LMBuild 基准，用于评估 LLM 智能体生成可建造且具备功能性的三维结构的能力。该基准将生成对象表示为含部件分解、关节、材料与装配序列的组装结构，并提供交互环境、基于 CAD 数据集与维基百科知识构建的测试集，以及涵盖结构稳固性、功能可供性、设计质量与物理可实现性的评估框架。对 …
arXiv cs.AI26 天前
★ 3
ReLiveGym：长生命周期智能体评测环境
论文推出 ReLiveGym，一个在数周时间轴上按时间顺序回放真实新闻、市场与社交媒体流的长时任务诊断环境，考察智能体稀疏行动与动态适应能力。对八种基座模型的测试表明，何时行动是关键设计轴，且最优设计随任务与模型而异。
arXiv cs.AI30 天前
★ 3
研究揭示长期智能体记忆推导中的分布式证据悖论
论文研究长期运行的 LLM 智能体将历史交互压缩为持久记忆时，记忆是否真正由历史证据支持的问题。作者提出 DerivAudit 审计框架，区分证据范围、组合有效性与准入可靠性三个维度。在两个自然记忆语料上，使用更广的写入前历史可为近 60% 看似无支撑的记忆找回证据，但仍有 17-21% 无法支撑…
arXiv cs.AI32 天前
★ 3
主动因果发现基准ACDB发布：LLM智能体表现不及传统方法
研究者推出主动因果发现基准ACDB，基于结构因果模型评估LLM智能体在预算受限干预下恢复因果图结构的能力。测试显示，传统PC算法配合贪心主动定向启发式表现最强（有向F1 42.7%），明显优于Claude Sonnet 4.6和GPT-5.4。作者强调当前结果应视为基准审计与校准报告，而非LLM已…
arXiv cs.LG33 天前
★ 3
EmailBench：企业邮件智能体评测基准
作者推出 EmailBench，包含 16 类任务、206 个邮件与生产力场景，结合类型化邮件 API、确定性合成语料与静态断言加 LLM 评分混合协议。评测八种模型配置，最佳配置仅通过 33.5% 场景，尽管其工具调用 99.7% 无 API 报错，说明工具执行成功不等于任务完成。
arXiv cs.AI33 天前
★ 3
COUNTERMEM：世界模型验证的反事实记忆
现有智能体记忆多来自真实交互反馈，很少追问「如果换一个动作会怎样」。作者提出 COUNTERMEM，在动作失败后借助可执行世界模型（测试、证明器、求解器）评估局部替代方案，存储经校验的反事实记忆，并用学习到的记忆使用策略平衡成功率与交互成本。在 12 个基准上平均提升 12.6 个百分点，任务 t…
arXiv cs.AI33 天前
★ 3
LLM 智能体重复副作用的精确一次归属
研究探讨工具调用智能体的精确一次行为应在模型、智能体框架还是工具契约中实现。作者构建 LIMBO 沙盒，注入十二种故障模式，跨 25,930 个回合测试九个模型与三种生产框架。结果显示：可立即回读时模型决定结果，无法回读时契约解释 81% 的方差，而框架影响甚微。
arXiv cs.LG37 天前
★ 3
Taste-Bench：衡量并提升智能体长周期品味
论文提出Taste-Bench，自动从工程与研究任务轨迹中挖掘决策分叉点，评估智能体在长周期任务中的“品味”即决策能力。测试显示最佳前沿模型仅答对59.7%，证据出现越晚越难，且更大推理预算无助于提升。研究还证明品味可训练，通过蒸馏教师判断可提升学生模型在SWE-bench Pro上的端到端成功率。
arXiv cs.AI39 天前
★ 3
任务状态应多强地影响LLM智能体
论文研究长周期任务中任务状态以何种强度传递给LLM智能体最可靠，比较原始记录、清单、状态机指令与强制执行门四种方式。结果显示展示准确状态并不可靠，智能体自写账本优于被展示的清单，强制执行无需服从但受状态正确性限制。该研究为智能体状态管理设计提供了实证依据。
arXiv cs.AI39 天前
★ 3
Spectra：规则驱动的KYC文档自动化处理流水线
论文针对资本市场KYC开户中人工分类、抽取与合规校验的耗时问题，提出将四方流程重构为两方并引入Spectra平台。该平台结合结构化规则引擎与LLM分类、抽取、校验智能体，把合规政策编码为可查询数据库以精准注入上下文。在真实KYC文档上实现100%分类准确率、89.4%抽取准确率，人工审核负担下降9…
arXiv cs.AI39 天前
★ 3
Toollery：让 LLM 智能体扩展到数千工具
针对 LLM 智能体面对成百上千技能与工具时全库提示成本高、延迟大、选择易受干扰的问题，论文提出免训练的候选压缩框架 Toollery。它从技能/工具说明生成用户意图查询并建立检索索引，在最终决策前将候选集压缩到紧凑的 top-k。在约 7.9 万能力的 SkillRouter、BFCL-V4 及…
arXiv cs.LG40 天前
★ 3
AutoViewMem：面向对话长期记忆的自配置正交视图
针对 LLM 智能体长期记忆中异构信息混合导致语义干扰的问题，论文提出 AutoViewMem，在索引前将对话记忆组织为自配置、低重叠的语义视图，把语义解耦从检索时前移到写入时。在 LoCoMo 和 PersonaMem 基准上，基于 Qwen3-8B/14B 均提升长程问答与个性化表现。
arXiv cs.AI41 天前
★ 3
生产环境 LLM 智能体高效基准评测研究
论文基于某生产分析智能体（月活数万）的 574 次历史基准运行，比较随机采样、历史缓存、固定代表子集与基于 IRT 的自适应测试。结果显示多维 2PL 自适应测试保真度最佳，仅执行 200 题（38.5%）即可将 MAE 控制在 1.03 个百分点；实际部署则采用难度分层固定子集，因其运维简单且可…
arXiv cs.AI41 天前
★ 3
LLM 智能体能否用更高层抽象设计更好的芯片
研究比较了直接RTL设计、基于智能体的HLS设计及多种精修流程，提出AHRR（智能体HLS设计+HLS后RTL精修）组合工作流。在11项任务的基准测试中，AHRR相比直接RTL设计取得2.6倍几何平均加速。结果表明HLS可将设计知识蒸馏为智能体可用的抽象，而RTL精修能恢复底层优化机会。
arXiv cs.AI41 天前
★ 3
LLM智能体能否自主管理长期物理任务
一篇 arXiv 论文探索构建自适应物理 AI 智能体的可行性，目标是在零样本条件下长期管理物理任务并适应环境变化。作者设计了一个整合规划、工具调用、观察与验证的多智能体框架，并在农业任务上对比强化学习智能体。结果显示，零样本 LLM 智能体在同一天气模式下可达到与 RL 相当的管理效果，且在环境…
arXiv cs.AI47 天前
★ 3
GUIDE：生成式效用推断与决策引擎
测量人类用户偏好是AI对齐的核心难题，现有方法难以高效发现多维偏好或将其准确锚定于领域知识。作者提出GUIDE，一种LLM驱动的偏好引出架构，结合贝叶斯自适应采样选择问题与符号表示学习初始化领域偏好模型。在投资组合优化的模拟实验中，GUIDE在早期交互中即改善冷启动并持续降低推荐遗憾。
arXiv cs.LG48 天前
★ 3
LLM 信指控者还是指控内容：狼人杀中的信念偏移
论文提出狼人杀信念偏移评测基准，通过标注怀疑与指控消息，测量观察方村民模型在每条消息后的信念变化。在 1224 条标注消息上评估 40 种开源权重 LLM 配置，发现更大模型更能依据游戏历史区分狼人与村民，但指控仍强烈影响其信念：模型对被指控者更怀疑、对指控者更少怀疑，即便指控者是狼。至 120B…
arXiv cs.AI48 天前
★ 3
信念状态引擎：部分可观测下的LLM规划增强
LLM智能体在部分可观测环境中易出现过早承诺、不确定性坍缩与策略漂移，根源在于其作为历史条件策略缺乏对隐藏状态的显式信念。论文提出信念状态引擎（BSE），在LLM外部维护POMDP潜在状态的贝叶斯后验，每步仅向LLM暴露后验而非原始动作-观测日志，并证明该组合是信念MDP上的可靠马尔可夫策略。在T…
arXiv cs.AI52 天前
★ 3
Eon企业基准：带精确真值的LLM智能体评测
论文提出Era by Eon Benchmark，用于评测使用企业工具的LLM智能体，围绕一家完整虚构公司构建。基准包含产品模拟器、公司内部数据库、问题与计算答案键，由种子实体图统一供给Salesforce、Zendesk、Slack等模拟器数据。在23家生成公司上平均真实感得分从61.8升至97…
arXiv cs.AI52 天前
★ 3
LLM智能体社会价值观模拟失败研究
该研究基于世界价值观调查构建模拟框架，评估LLM智能体在纵向对话中模拟人类价值观的能力。结果发现超过50%的智能体从一开始就无法表达指定价值观，且模拟对话与人类讨论存在差异。这表明当前LLM智能体作为人类价值观代理的局限性。
arXiv cs.AI53 天前
★ 3
LLM智能体用于时间序列的综述
该综述采用问题驱动分类法，将基于LLM的智能体系统按时间序列问题分为四类，并分析任务需求如何影响智能体架构、工具使用和记忆设计。总结了常用数据集和环境，并比较了模型性能。
arXiv cs.AI65 天前