Digest

经过与特朗普政府数周谈判，Anthropic终于获准重新上线Claude Fable 5。公司计划从周三开始逐步恢复全球用户访问，并重新启用AWS、Google Cloud和微软云平台上的接入。

2026-07-01

该论文通过引入受控的师生协议，在Omni-MATH、Codeforces等基准上研究了自然语言反馈对多轮语言智能体性能提升的贡献，区分了反馈带来的真正改进与重采样、格式修正等带来的增益。

2026-07-01

论文提出一种基于对比反思的迭代提示优化方法，通过分析失败行为、邻近成功行为及两者差异来指导提示改进，将提示优化从盲搜索转变为类似调试的过程。

2026-07-01

针对仿真模型复用中的发现难题，论文实验研究了数据表示格式、嵌入方法和检索策略对AI检索模型效果的影响，旨在提升语义层面的模型发现能力。

2026-07-01

新基准BayesBench用于评估LLM在多轮对话中根据新证据更新信念的理性程度，挑战了仅评估最终轮答案的传统方式，揭示了模型在信念更新过程中的不足。

2026-07-01

论文提出LearnStop方法，一种无需隐藏状态的检查点停止器，用于推理模型。它通过在线特征预测推理前缀的正确性，从而在固定预算下决定是否提前退出，实现计算成本与性能的平衡。

2026-07-01

论文指出当前Agent假设用户拥有完善偏好是不现实的，提出Agent应主动帮助用户学习领域知识以构建偏好，而非在任务不明确时仅进行澄清提问。

2026-07-01

论文探索了基于LLM的多Agent协商方法在法律推理任务中的应用，填补了该领域的研究空白，旨在通过多智能体协作提升法律判断的准确性和公正性。

2026-07-01

论文提出HASTE，一个层次化多智能体系统，将跨竞赛知识组织为全局、领域和竞赛特定三个层级，通过协调器促进层级间学习，避免ML工程中的重复劳动。

2026-07-01

论文《RoPoLL》形式化了LLM陪审团（PoLL）在Huber污染模型下的统计行为，发现只要存在任何正向污染，无论陪审团规模多大，PoLL都会产生无界偏差。该偏差源于单个法官以LLM典型方式（如模式崩溃、谄媚）失败时，共识评分会系统性偏离真实值。研究为改进LLM评估的鲁棒性提供了理论基础。

2026-07-01

论文提出AgRefactor，一种基于LLM智能体的自进化工作流，用于将现实世界软件自动重构为可综合的高层次综合（HLS）代码。该方法解决了现有自动化工具灵活性差、难以扩展和计算成本高的问题，通过智能体迭代优化代码以兼容HLS语言限制并提升性能。

2026-07-01

论文提出Neuro-Bayesian-Symbolic Residual Attention Shallow Network (NBS-RASN)，一种混合神经架构，用于开源生态系统的可解释网络安全风险评估。该浅层网络仅用80个可解释神经元跨12层，通过编码领域知识和因果推理，在保持可解释性的同时实现高精度，并包含一个门控机制强制执行安全约束。

2026-07-01

论文提出HyPOLE，一种在部分观测下利用超属性（hyperproperty）形式化规范引导多智能体强化学习（MARL）的新框架。该框架利用数学严谨的规范来定义目标和约束，相比传统奖励塑形具有更强的表达能力和策略定义能力，为复杂多智能体协作提供了新范式。

2026-07-01

论文提出AgentBound，一个可验证的行为治理框架，用于约束自主AI智能体在执行金融交易、外部通信等关键操作时的行为。现有基础设施只能认证身份和授权资源访问，但无法判断授权行为在当前上下文中是否应执行。AgentBound通过形式化方法确保智能体行为符合预设的运营策略。

2026-07-01

论文研究自适应智能体在噪声、延迟等条件下的隐藏监管负担，发现两个系统可能达到相似内部状态，但一个需要更多纠正控制。这种负担具有历史依赖性（迟滞效应），意味着智能体表面稳定但内部调控成本可能持续增加，对AI系统的长期可靠性评估提出新挑战。

2026-07-01

论文提出一个三阶段深度强化学习系统，用于个性化投资组合管理，解决了现有金融RL工作的三个局限：股票代码锁定、单一目标函数和静态用户模型。系统通过自监督学习预训练跨资产编码器，并融合Chronos时间序列基础模型，实现税务感知的个性化投资决策。

2026-07-01

论文研究自然语言到Lean定理证明器形式化的忠实度问题，指出编译通过仅是有效性检查，形式化声明可能遗漏假设、改变定义域或表达空洞断言。研究在400个样本上评估了忠实形式化作为瓶颈问题的难度，为AI辅助数学证明提供了新的评估维度。

2026-07-01

论文提出LabGuard，一个将自然语言实验室安全规则、手册和标准操作程序转化为机器可检查的运行时约束的框架，用于保障具身实验室智能体的安全操作。该方法填补了从自然语言规则到可执行安全守卫的中间步骤空白，使AI科学家能在动态实验室环境中安全执行实验。

2026-07-01

论文提出OpenLife概念，利用具有持久记忆、工具使用、网络访问和支付能力的LLM智能体，将人工生命从封闭世界扩展到开放的社会、技术和经济世界。该概念验证系统让智能体在真实互联网环境中自主生存和演化，开创了开放世界人工生命（open-world ALIFE）新范式。

2026-07-01

arXiv新论文提出MultiUAV-Plat，一个面向大语言模型的多无人机协作任务规划平台、基准测试和框架。该平台弥补了现有无人机模拟器侧重动力学和低层控制、而LLM智能体基准缺乏空中机器人约束的空白，支持评估部分可观测性、空间覆盖、无人机分配和多机协调等能力。

2026-07-01

论文提出DDIAgents，一种基于机制条件的多智能体框架用于药物相互作用预测。该框架通过规划智能体动态实例化专家智能体，路由机制相关的知识源，实现对异质生物医学证据的推理，显著提升预测准确性。

2026-07-01

论文提出Janus，一种即插即用的LLM记忆控制器，用于决定是否接受候选记忆更新。它解决了现有顺序记忆系统无差别更新导致有用知识被覆盖、过度特化或偏向近期示例的问题，通过选择性更新提升智能体长期行为表现。

2026-07-01

论文提出ClawArena-Team基准，专门评估LLM智能体作为管理者创建子智能体、委派任务并编排动态工作流的能力。现有基准仅评测单智能体任务解决或固定多智能体系统行为，该基准首次隔离并衡量模型运行整个智能体团队的能力。

2026-07-01

论文发布HealthAgentBench，包含54项智能体医疗任务的统一基准套件，覆盖7个类别和患者全流程。每个任务模拟真实医疗环境，评估AI智能体在复杂、长周期推理中的表现，为医疗AI应用提供标准化评测平台。

2026-07-01

论文提出双智能体自动研究框架，用于自动发现凸松弛方法。一个编码智能体提出有效的收紧约束，另一个验证智能体检查正确性，通过搜索更紧的凸松弛来获得更强的下界，补充了现有LLM智能体仅搜索极值构造上界的不足。

2026-07-01

arXiv:2606.31200提出Agentic RAG-VLM，一种面向机器人抓取的检索增强生成框架。该方法突破传统VLM仅依赖视觉相似性的局限，通过感知物体物理属性（如手柄可抓性、材料脆弱性）并结合自反思规划与空间推理，实现闭环抓取与故障恢复，显著提升在杂乱环境中的泛化能力。

2026-07-01

arXiv:2606.31232提出Delta-JEPA，一种无需重建的端到端世界模型。它通过潜在差异动作解码器（LDAD）增强前向预测，解决了联合嵌入目标中常见的动作不敏感问题，使模型在规划任务中能更精准地捕捉动作对视觉状态的影响。

2026-07-01

arXiv:2606.31252提出Embodied CAD，一种由几何求解器驱动的LLM Agent框架。它通过迭代生成与验证，确保每个特征、放置和装配关系都被精确的几何内核接受，并保持参数化边界表示的可编辑性，解决了LLM生成CAD脚本时缺乏工业级可靠性的问题。

2026-07-01

arXiv:2606.31229提出Agentic-Ideation，一种样本高效的Agent轨迹合成方法，用于训练科学创意Agent。它克服了传统预定义工作流的灵活性限制，通过训练Agentic LLM在科学文献和推理动作空间中自主导航，提升自动化科学发现的效率。

2026-07-01

arXiv:2606.31285研究通过模态切换提升空间推理能力。受人类在困难问题中画图思考的启发，该方法将多跳文本空间故事转化为几何感知的布局或网格表示，实验证明这种外部化推理方式比纯语言推理更准确，为多模态推理提供了新视角。

2026-07-01

arXiv:2606.31308提出InterFLOPBench，一个包含90个C语言内核和1130个测试样本的基准，用于评估LLM静态检测和分类浮点误差的能力。覆盖取消、比较、除零、溢出、下溢和NaN六类错误，在14个LLM上进行了系统评估。

2026-07-01

arXiv:2606.31325发布HistoriQA-ThirdRepublic，一个基于法国第三共和国议会辩论和报纸构建的法语多跳历史问答数据集。包含1782个问题，涵盖跨源综合、时间推理和稀疏证据整合等复杂推理模式，由历史学家协作设计。

2026-07-01

CryoACE是一个端到端框架，能从冷冻电镜密度图中重建精确的原子图，支持同质和异质结构。其核心创新在于原子中心的设计，能够有效处理构象异质性并确保物理化学有效性，解决了传统方法只能静态预测或计算成本高的问题。

2026-07-01

2026-07-01

研究发现，长程语言智能体的隐式世界模型存在类似水的沸腾的相变现象。在临界边界附近，状态负载或推理步长的微小变化会导致世界模型突然崩溃，行为发生剧烈转变。该研究在确定性任务中量化了这一效应。

2026-07-01

研究通过960次人工提示实验，测试了GPT-5、Gemini等三个模型在模拟群体智能中的表现。结果表明，LLM可以通过人工群体机制近似实现群体智能效应，在成本、协调和时间上优于人类群体，但准确性仍有待提升。

2026-07-01

小米发布GUI-0技术报告，构建了基于视觉语言模型的图形用户界面智能体。该智能体能在真实应用中通过点击、滑动、输入等操作完成端到端任务，解决了现有智能体在离线轨迹和模拟环境中训练后难以适应真实界面布局和交互逻辑的问题。

2026-07-01

提出Hard-Routed MoR-LoRA方法，用于组合多个独立训练的LoRA适配器。不同于软加权组合会改变LoRA的原始更新尺度，该方法采用硬路由机制，为每个输入选择最合适的LoRA专家，在保护预训练适配器特性的同时实现多领域适应。

2026-07-01

BP-TTA是一种测试时自适应方法，专门应对真实世界中同时存在的类别不平衡和持续域偏移问题。它通过平衡和原型引导机制，使模型在动态测试流中在线适应，克服了现有方法仅考虑分布漂移而忽略类别失衡的局限。

2026-07-01

提出一种新的智能体修复机制：在执行任务动作前，智能体可以有限次地向环境询问某个信念字段并更新其世界模型。该方法将环境交互视为稀缺资源，通过预算约束下的主动探测来校准模型，避免因模型漂移导致的后期失败。

2026-07-01

新基准CDR-Bench用于评估大语言模型（LLM）能否忠实执行组合式、顺序敏感的数据精炼任务。现有基准要么孤立文本编辑，要么与代码和工具执行纠缠，而CDR-Bench填补了这一空白，测试LLM在多步骤、状态演化的文本精炼中的表现。

2026-07-01

论文探讨情感感知AI（如车载、家居、对话代理）大规模部署引发的“情感圈”问题，提出“情感主权”概念，质疑谁有权最终定义个体情绪的意义。研究指出当前测量局限导致情绪意义决定权从个人向系统转移，引发伦理与认知关切。

2026-07-01

CSTrader是一个多智能体框架，用于在CS2武器皮肤市场进行语言驱动的交易。该市场具有小规模、高波动、社区驱动等特点，传统量化模型难以应对，而CSTrader利用LLM将非结构化文本转化为交易行为，为AI在利基资产市场中的应用提供了测试平台。

2026-07-01

CLOUDADV是一个面向工程师的交互式云实例大小建议系统，结合零样本时间序列预测与有界推荐生成，应对工作负载漂移。系统在日、周、月不同规划周期内，从历史使用数据构建结构化决策上下文，帮助减少云虚拟机过度配置带来的成本与效率问题。

2026-07-01

针对自主研究智能体在实验失败时恢复能力脆弱的问题，提出多假设失败归因方法。传统单次反思压缩大量信息易导致局部试错或硬转向，新方法通过生成多个失败假设并逐一验证，保留有用上下文，显著提升智能体从失败中自我修正的能力。

2026-07-01

研究提出一个统一观点：在冻结编码器的潜在空间上，由小型预测器计算的预测误差信号，既可充当可塑性门控，也可作为元认知的基质。在持续学习流中，非参数情景记忆仅在“惊喜”高时写入新概念，离线回放阶段再巩固，为类人学习提供了新范式。

2026-07-01

论文为智能体业务流程管理（Agentic BPM）提供分类框架，沿任务特异性、可追溯性、自主性等维度分析LLM智能体的编排选项。旨在通过流程技术平衡AI智能体的自主性与鲁棒性、可追溯性，为构建可靠的多智能体系统提供理论指导。

2026-07-01

针对医疗、急救等高压工作环境中员工缺勤预测问题，提出时间序列分类框架。现有方法存在结构缺陷，仅映射同一时间点的特征与标签，新框架旨在解决严重类别不平衡，实现可靠的个体级别缺勤预测，以支持主动劳动力规划。

2026-07-01

针对ARC-AGI-2少样本视觉推理基准，提出基于模态驱动搜索与整体痕迹评判的求解器。核心思想是将文本、图像、代码等推理模态作为搜索算子独立生成候选，再通过整体评判选择而非仅生成，解决了LLM在抽象推理中自信但错误的问题。

2026-07-01

ACE是一个可插拔的上下文管理模块，解决LLM智能体因任务复杂度增加导致轨迹过长、固定上下文窗口不足的问题。与截断、摘要等不可逆方法不同，ACE支持弹性上下文扩展，允许在后续决策中恢复之前丢弃的关键信息，显著提升长任务执行能力。

2026-07-01

FARS（全自动研究系统）是一个完全自动化的AI-for-AI研究系统，能够自主生成假设、运行实验并撰写完整论文，无需人工预设主题或任务。该系统可在多个研究主题上规模化运作，标志着AI科研自动化从概念验证迈向实际应用。

2026-07-01

ProtoPilot是一个自进化的多智能体系统，能够将生物协议文本自动转化为可执行的实验代码，并处理设备约束和实验反馈。它配套了专家级基准测试框架，解决了从协议设计到物理执行的端到端自动化难题，为湿实验室无人化铺平道路。

2026-07-01

Cohere与LG CNS联合推出LuckyStar 111B混合推理模型，基于Command A模型进行后训练，通过前缀条件控制在简洁非推理行为与长工具导向推理间切换。该模型专为韩英双语企业Agent设计，在内存和服务约束下实现高效多语言工具调用。

2026-07-01

RAISE框架将约束最坏情况实例搜索集成到LLM自动启发式设计（AHD）中，解决了现有方法在训练集上过拟合、部署时因分布偏移而失败的问题。该方法通过对抗性实例搜索生成鲁棒启发式，显著提升了AHD在真实场景下的泛化能力。

2026-07-01

Evo-PI提出进化原则引导的监督方法，突破传统静态监督（固定提示、规则或奖励模型）对多模态大模型推理能力的限制。通过动态调整推理原则，该方法在复杂医疗决策任务中实现了更强的泛化能力和性能提升。

2026-07-01