DeFT-检索增强生成（RAG，Retrieval-Augmented Generation）：将多跳问题拆成自包含子问题并复用答案
DeFT-RAG 提出一种检索增强生成（RAG，Retrieval-Augmented Generation）框架，每次只根据原问题和已答问答对生成一个自包含子问题，把依赖跟踪、问答表更新和是否继续的判断交给规则与微调的小型决策模型。
全部 AI 动态
arXiv · cs.AI模型评分4141 arXiv · cs.AI模型评分5252 SecPRBench 基准：智能体代码审查能否在合并前发现漏洞
论文提出 SecPRBench，用于评估智能体在真实代码变更上的安全审查能力，已从 Firefox、V8、OpenSSL 等九个关键系统收集 265 个任务。八个前沿模型的召回率在 32.5% 到 78.1% 之间，Grok 4.6 与 GPT-6 sol 居前。
arXiv · cs.AI模型评分3131 PriorityFEC：面向边缘多智能体系统 KV 缓存交接的截止时间感知流式 FEC
论文提出 PriorityFEC，一种在边缘多智能体大语言模型（LLM，Large Language Model）系统中交接 KV 缓存（key-value cache）的方案。
arXiv · cs.AI模型评分4242 EvoMemBench：从自进化视角评测 大语言模型（LLM，Large Language Model） 智能体记忆能力
研究者提出 EvoMemBench，一个按记忆范围（单回合内与跨回合）和记忆内容（知识型与执行型）两个维度组织的统一基准，用于评测大语言模型（LLM，Large Language Model）智能体的记忆机制。
arXiv · cs.AI模型评分4343 STRIATUM-CTF：基于 模型上下文协议（MCP，Model Context Protocol） 协议的自主 CTF 解题智能体框架
STRIATUM-CTF 是一个通过模型上下文协议（MCP，Model Context Protocol）在 大语言模型（LLM，Large Language Model） 推理与工具执行之间做中介的模块化 CTF 解题智能体框架，协议层会在执行前拒绝不符合 schema 的工具调用。
arXiv · cs.AI模型评分4242 TIRx：跨异构后端的统一 Tile 原语机器学习编译器
TIRx 是面向 图形处理器（GPU，Graphics Processing Unit） 与 人工智能（AI，Artificial Intelligence） 加速器的机器学习编译器，通过显式执行作用域抽象、张量布局和 Tile 原语调度，把高层操作下沉为高效实现。它在最新 GPU 和 AI 加速器上达到厂商级性能，原生代码案例显示底层实现代码大幅减少。该工作已被 ASPLOS 2027 接收。
arXiv · cs.AI模型评分6060 Concordat：为 大语言模型（LLM，Large Language Model） 智能体加上类型化会话约束
作者提出 Concordat，一个把智能体接口定义为有限状态协议并在运行时强制执行的 Python 库，模型每轮只能看到当前状态允许的工具，越界调用在产生副作用前被拒绝。
arXiv · cs.AI模型评分3131 SpectRAG：面向多跳检索增强生成的加权块图谱与 token 预算上下文选择
SpectRAG 提出一种图谱增强检索框架，通过加权块图谱、图谱扩展和谱相关性传播，在固定 token 预算下为多跳检索增强生成（RAG，Retrieval-Augmented Generation）挑选上下文。
arXiv · cs.AI模型评分4141 LegoSR：面向智能体引导科学发现的统一框架
LegoSR 是一个统一代数符号回归与微分方程发现的框架，通过共同的方程表示和评估流程整合了七个求解器，并支持部分已知方程约束下的搜索。其 LegoSR Agent 能根据求解器知识、中间结果和过往任务经验选择求解器并调整搜索，在含噪常微分与偏微分方程基准上恢复的方程数量接近七个专家调优求解器的并集，且比同模型、同工具、同预算的通用智能体高出最多 29 个百分点。
arXiv · cs.AI模型评分4444 AgentOrch 基准：全局编排与逐步交互的准确率差距有多大？
AgentOrch 基准在 650 条企业标准作业程序和 3,220 个运行时变体上，用匹配的工具、环境和评测直接比较全局编排与逐步交互。逐步交互在所有被测模型上仍更准确，但差距从早期模型到最强近期模型已缩小约 79%。
arXiv · cs.AI模型评分4949 LazyAgent：面向智能体程序的按需物化与物理优化
LazyAgent 提出智能体运行时的按需执行机制，只运行当前请求真正需要的就绪步骤，并在计划变化时保持判断精确。在 154 个生产工作流的 303 个请求上，它相比急切运行方式节省 42.0% 的 CPU，在 LangGraph 应用中节省 24.0% 的费用，且无质量损失。该机制还能充当查询优化器，在候选工作流之间做选择。
arXiv · cs.AI模型评分3232 统一智能体视频编辑：覆盖不同复杂度与创意层级
研究提出一套智能体工具方法，用于自动完成场景预览、视频摘要和电影预告片三类视频编辑任务，三者在编辑目标、复杂度和创意程度上各不相同。团队评估了输出结果，并讨论了自动化与自主性（agency）的含义。
arXiv · cs.AI模型评分3838 用因果关系与注意力机制提升 检索增强生成（RAG，Retrieval-Augmented Generation） 检索精度
一项研究针对检索增强生成（RAG，Retrieval-Augmented Generation）的检索阶段提出改进：标准稠密向量相似度检索常返回只与查询共享关键词、却不含所需信息的文档，且知识库越大越严重。作者用因果图建模该阶段，把查询与文档共享的关键词视为潜在共同原因，并引入注意力机制区分关联与因果关系，以提升检索精度。
arXiv · cs.AI模型评分4949 GENSTRAT：用程序化生成博弈评测大语言模型的策略推理能力
GENSTRAT 通过程序化生成双人零和不完全信息下注博弈，按状态空间、时序偶然性等五个复杂度维度刻画每局游戏，并构建了 50 局基准，让 12 个前沿与开放权重模型进行了超过 4 万场对战。结果显示，在 8 局最难游戏上，最好与最差模型的差距是全部游戏上差距的 1.7 倍；更高的思考预算、向模型披露对手策略、以及与游戏需求匹配的推理深度，都与模型更高的胜率差相关。
arXiv · cs.AI模型评分1515 arXiv 撤下一篇 Agentic 检索增强生成（RAG，Retrieval-Augmented Generation） 系统性综述（SoK）论文
arXiv 管理员撤下了一篇关于智能体检索增强生成（Agentic 检索增强生成（RAG，Retrieval-Augmented Generation），Retrieval-Augmented Generation）的系统性知识综述（SoK，Systematization of Knowledge）论文，理由是未达到该平台的研究内容质量标准，目前无 PDF 可查看。
arXiv · cs.AI模型评分3434 SimXAI：一个轻量对话层可提升对话式可解释 人工智能（AI，Artificial Intelligence） 的交互质量与理解
SimXAI 用一个支持工具调用的 大语言模型（LLM，Large Language Model） 取代 GUS 式架构中意图识别、对话管理和模板生成等独立模块，作为模块化接口连接现有可解释 人工智能（AI，Artificial Intelligence） 资源。
arXiv · cs.AI模型评分5454 BlindToChange 基准：人工智能（AI，Artificial Intelligence） 智能体被问才找变化，需要时却不主动查
研究者提出 BlindToChange 基准，衡量 人工智能（AI，Artificial Intelligence） 智能体是否会主动发现影响回答的近期现实变化。
arXiv · cs.AI模型评分5353 ANGLER 提出基于验证器的网页智能体红队基准 REEF
作者提出 REEF，一个带真实状态验证的网页智能体红队测试基准，覆盖旅行、电商、办公、媒体和通信等 9 个可执行网站，每个正常任务都配一个通过 5 类攻击方式注入的恶意目标。
arXiv · cs.AI模型评分5353 论文提出面向智能体检索的知识编译层，导航树使查询 token 平均减少 38%
论文提出在检索增强生成（RAG，Retrieval-Augmented Generation）的智能体检索流程中加入知识编译层，把文档加工成导航层级、实体图谱、时间线等结构化产物。
arXiv · cs.AI模型评分4141 ARK：为分离式 大语言模型（LLM，Large Language Model） 推理的 键值缓存（KV cache，Key-Value Cache） 传输规避路由冲突
ARK 是一种分布式大象流路径预留机制，通过协调发送方选择源端口，把并发流的哈希映射到不同 spine 上，避免无状态 ECMP 的哈希冲突，且无需改动交换机或接收端重排数据包。
arXiv · cs.AI模型评分3939 TSFLab：面向时间序列预测研究的自改进、智能体无关工作台
研究者提出 TSFLab，一个自改进且不绑定特定智能体的工作台，为兼容的编程智能体提供共享资源和工具，用于低成本的时间序列预测（TSF，Time Series Forecasting）研究及研究资源持续维护。
arXiv · cs.AI模型评分5050 Caper：先沙箱试跑再审批的编码智能体命令放行机制
论文提出 Caper，一种面向编码智能体的后果感知审批机制：先在快照沙箱中预执行每条命令，把观察到的效果整理成有界报告交给独立审批方，放行的命令提交、拦截的命令回滚并附上可供智能体处理的原因。
arXiv · cs.AI模型评分4444 MetaVul：面向漏洞检测的智能体执行框架自动发现
MetaVul 是一个面向漏洞检测的自我改进框架，能从种子结构化推理脚手架出发，通过工作流优化循环迭代改进智能体执行框架（harness，即包裹大语言模型的脚手架代码），并返回一组帕累托最优框架。
arXiv · cs.AI模型评分5757 研究刻画 大语言模型（LLM，Large Language Model） 智能体在模块遮蔽环境中的行为
研究提出一套评估框架，对 大语言模型（LLM，Large Language Model） 智能体轨迹中的观察、推理、执行和回复行为进行编码，并与独立的环境记录对齐，以还原执行历史、核验最终报告。
arXiv · cs.AI模型评分5151 PrivacyFlow 提出智能体隐私防护方法并发布 agentic PrivacyBench 基准
作者提出 PrivacyFlow 防护方法，把隐私规划与任务执行分开，在执行前追踪每条数据流的来源与用途、模拟接收方背景知识和外部可推断的信息，再权衡披露风险与任务效用，决定执行、阻止或询问用户。
arXiv · cs.AI模型评分3636 ReX-GG：面向关系抽取与图生成的 大语言模型（LLM，Large Language Model） 集成流水线
ReX-GG 是一个可定制的轻量级大语言模型（LLM，Large Language Model）集成流水线，通过 JavaScript 对象表示法（JSON，JavaScript Object Notation） 结构化输出和匿名同行评审排序来减少模型幻觉和单模型故障点。
arXiv · cs.AI模型评分4242 EvoMCP：让 模型上下文协议（MCP，Model Context Protocol） 智能体与训练数据协同进化
EvoMCP 提出智能体与数据互相进化的框架，通过任务进化、轨迹进化和监督微调的闭环，让基于模型上下文协议（MCP，Model Context Protocol）的智能体持续针对自身能力短板生成训练数据。在 Toolathlon、MCPMark 和 MCP-Atlas 上，该方法相比初始学生模型分别取得 16.5%、10.2% 和 12.6% 的绝对提升。
arXiv · cs.AI模型评分4141 证据引导的 人工智能（AI，Artificial Intelligence） 智能体恢复方法：应对工具结果不明与部分执行
针对工具超时导致 人工智能（AI，Artificial Intelligence） 智能体面临结果不明与部分执行的问题，研究者提出证据引导的任务恢复方法，结合标准观测 contingent 规划与独立实现的效果历史裁决器。
arXiv · cs.AI模型评分4444 面向 人工智能（AI，Artificial Intelligence） 计算机使用智能体的跨接口授权协议
研究提出一种面向固定版本计算机使用部署的 profile 限定授权协议，通过枚举带效果的路径与持久写入点、将请求归一化为规范效果并签发路由绑定的准备票据，在提交时再次校验路由、效果、授权与状态。
arXiv · cs.AI模型评分4747 BULLPEN：用多通道模型嵌入实现样本高效的大语言模型画像
BULLPEN 框架在 EmbedLLM 基础上扩展，首次将模型自身回答文本与正确性、问题文本联合编码，并新增 20 个行为、风格与来源类任务基准。在 260 个开放权重模型上，其回答文本编码器在新任务上得分 0.48±0.10，优于此前最佳编码器的 0.35±0.10；仅用 400 个问题即可保留全量问题池至少 91% 的能力，推理计算量约为全量池的 1.3%。
arXiv · cs.AI模型评分4242 LEAP：用可泛化长度预测实现高效 大语言模型（LLM，Large Language Model） 推理调度
研究者提出长度预测系统 LEAP，复用服务模型预填充阶段的隐藏状态，通过线性读出提取输出长度信号，并在测试时用递归最小二乘法在线更新，无需梯度计算或历史数据回放。跨域迁移实验中，在线适配使 Spearman 相关系数提升 64.7%；服务实验中，相比所评估的长度预测器，LEAP 将平均每 token 延迟降低 15.9–40.8%，吞吐量提高 1.9%，预测器参数量少 30,569 倍。
arXiv · cs.AI模型评分5656 LanG 2.0 提出用小型本地模型做大规模安全运营的智能体系统
LanG 2.0 是一个面向安全运营中心（SOC，Security Operations Center）的智能体系统，负责检测威胁、关联证据并编写规则，研究小型本地模型能否在结构性防护而非模型准确率提供保障的前提下，低成本且安全地替代前沿模型。
arXiv · cs.AI模型评分4949 能力锚定的智能体规划（CGAP，Capability-Grounded Agentic Planning）：让 大语言模型（LLM，Large Language Model） 智能体基于工具能力做可执行规划
研究者提出能力锚定的智能体规划（CGAP，Capability-Grounded Agentic Planning），先把工具目录确定性地编译为规划领域定义语言（PDDL，Planning Domain Definition Language）模型，再由 大语言模型（LLM，Large Language Model） 将请求转为目标并交给经典规划器求解。
arXiv · cs.AI模型评分6767 ReplayRCA 基准发布：用反事实重放衡量智能体失败的诊断与实时监督
研究者提出 ReplayRCA 基准，用反事实重放给智能体失败诊断打分：把环境恢复到出错步骤之前，用诊断模型给出的动作替换原动作，再让同一智能体继续执行，以继续成功率的提升幅度作为因果修复分数。
arXiv · cs.AI模型评分4444 FABench：面向预测智能体的可扩展回测基准发布
研究团队推出 FABench，一个面向预测智能体（Forecasting Agents）的可扩展回测环境，自动发现事件、生成问题并结算结果，首个版本包含九个领域的 287 道问题。
arXiv · cs.AI模型评分4242 论文提出智能体运行框架的可移植规范框架
研究者把大语言模型运行所依赖的基础设施（即运行框架）拆成八个功能组件，并提出一套可移植规范框架，记录哪个模型在哪个运行框架中运行。同一模型在不同运行框架配置下，报告分数可相差数倍，且智能体的攻击面很大一部分来自运行框架。现有模型卡和智能体卡未记录一次运行内有效配置的先后顺序，而运行框架可能在版本间、运行间乃至运行中发生变化。
arXiv · cs.AI模型评分4848 CLR-Bench：在隐藏规则课程上评测自进化智能体
研究者提出 CLR-Bench，用每层新增一条隐藏规则的课程链评测自进化智能体能否学到没人告知的规则，并发布覆盖 10 个领域的 20 条链。六种近期自进化方法在认证模型上提升不超过 5 分，仅排除 6-12% 的未见成员，低于直接保留原始练习历史的 20%；一句说明命名分组约定的固定提示可让这些方法提升 14.5 至 16.5 分。
AWS Machine Learning Blog精选模型评分6464 AWS 发布 Amazon Bedrock 成本管理五步操作手册
AWS 官方博客给出管理 Amazon Bedrock 成本的五步操作模型，依次是归因、观测、限额、优化和复盘。归因环节利用 IAM 主体标签和 CUR 2.0 把每笔推理费用落到具体用户、团队和应用，并针对共享网关角色给出按用户会话标签的解法。观测环节通过模型调用日志和请求元数据回答哪个工作负载消耗了 token，限额环节则按风险选择仅告警、IAM 拒绝或网关同步拦截三档。
推荐理由：文章把 Amazon Bedrock 的成本治理拆成归因、观测、限额、优化、复盘五步，并给出可直接照做的配置与查询示例。
AWS Machine Learning Blog模型评分5858 AWS 演示用 AgentCore runtime 会话端点实时预览编码智能体构建的网页应用
AWS 发布教程，演示如何用 Amazon Bedrock AgentCore runtime 的会话端点（Session endpoints）在编码智能体修改文件时实时预览网页应用。
AWS Machine Learning Blog模型评分4747 在 AWS GovCloud (US) 中为 ChatGPT 桌面应用配置 Amazon Bedrock
ChatGPT 桌面应用现已在 AWS GovCloud (US) 的 Amazon Bedrock 上可用，通过 Work 和 Codex 两个组件访问 OpenAI 前沿模型。