定期推送个性化的 ArXiv AI 论文摘要 - 立即订阅
- **核心创新点**：提出 DPC 的多智能体框架，通过在可观测数据上构建最小区分数据库（MDD），并让 SOLVER 将 SQL 与并行的 Python/Pandas 实现执行对比，以训练-free 的双范式一致性来区分正确逻辑与系统性幻觉。 - **主要方法**：使用 SLICER 和 TESTER 构建对抗性、可观测的 MDD 微环境以暴露候选 SQL 的逻辑差异；由 SOLVER 在可观测数据上对比 SQL 与对应的 Python/Pandas 实现的执行结果，验证两种范式的一致性，从而进行候选选择。 - **结论/性能**：在 BIRD 和 Spider 数据集、多种大语言模型上持续超越现有候选选择基线，绝对准确率最高提升约 2.2%，有效提升对正确逻辑的识别能力并降低幻觉影响。
- 核心创新点（一句话）：提出 AADvark，一种代理驱动的动态 CAD 设计框架，通过引入外部约束求解器和可视化反馈，使代理能够设计并迭代具有移动部件的三维装配，解决大语言模型在空间推理上的局限。 - 主要方法：在反馈回路中让代理写代码并编译成 CAD 装配、通过可视化进行验证并据此迭代；使用 FreeCAD 与装配求解器等工具，结合外部约束求解器和专门的视觉反馈机制增强空间推理能力；支持一个或多个自由度的动态部件交互，实现带运动的机械装配设计。 - 结论/性能：演示了能够构建包含可移动部件的三维装配，超越以往只能设计静态对象的系统；通过修改工具链（FreeCAD、装配求解器）获得强验证信号，显著提升了动态装配设计的可行性。
1) 核心创新点（1句话） 首次对比评估并量化四种旨在在社会困境中维持合作的机制（重复博弈、声誉系统、第三方仲裁/代理、以及结果条件支付契约）在大语言模型代理中的有效性，揭示契约与仲裁在实现合作方面最为有效，并分析其在进化压力下的鲁棒性。 2) 主要方法 - 在四种社会困境中，对比评估四类机制对合作的影响：重复博弈、声誉系统、第三方仲裁者来代理决策、以及基于结果的契约性支付。 - 使用具备能力的LLM代理进行对局实验，观察在不同机制下的合作水平、是否达成均衡，以及对手多样性和进化压力下的表现差异。 - 以博弈论框架分析机制在实际对局中的作用与鲁棒性。 3) 结论/性能 - 结论表明：契约和仲裁在实现具备能力的LLM模型之间的合作方面最为有效；重复博弈在对手多样化时显著削弱合作。 - 当受到以最大化个人收益为目标的进化压力时，这些合作机制的效果增强，成为更稳健的促进合作的手段。 - 总体而言，单次对局中模型往往倾向于背离合作，而通过契约与仲裁等机制可以在长期均衡中提升合作水平。
1) 核心创新点：提出一个面向任务驱动的多代理框架 El Agente Forjador，使通用编码代理能够自治地设计、验证并复用计算工具来解决量子模拟相关任务。 2) 主要方法：基于大型语言模型的多代理系统，采用四阶段工作流（工具分析、工具生成、任务执行、迭代解决评估）来生成与验证工具并实现重复使用；对比零样本生成工具、课程化工具集复用、直接问题求解三种模式，在24个量子化学与量子动力学任务、5种代理设定上评估。 3) 结论/性能：工具生成与复用框架在各模式下均优于基线，提升准确性；用更强代理生成的工具集进行复用可降低 API 成本并显著提升较弱代理的解题质量；案例显示不同领域的工具可组合解决混合任务，表明以任务为中心的自动化工具生成是实现科学工具可复用性的有效范式。
核心创新点 - 提出基于AI代理的自动化部署框架AIPC，通过分阶段、可验证的流程和Agent Skills，将模型从PyTorch移植到Qualcomm AI Runtime的可运行推理，显著降低部署门槛和工程时间。 主要方法 - 采用AI代理驱动的 constrained 自动化部署，将部署拆分为标准化阶段并通过阶段性验证循环执行，注入部署领域知识（Agent Skills、辅助脚本）。 - 以 Qualcomm AI Runtime 为主场景，覆盖视觉、多模态和语音模型，实现从 PyTorch 到可运行的 QNN/SNPE 推理的端到端自动化；提供执行、故障定位与受限修复能力。 结论/性能 - 在覆盖的案例中，结构较规则的视觉模型可在7–20分钟内完成从PyTorch到可运行QNN/SNPE推理的部署，API成本约0.7–10美元；对于复杂模型（操作符支持不足、动态形状、自回归解码等）完全自动化部署仍需进一步研究，但AIPC已提供实用的执行、故障定位与受限修复能力。
- 核心创新点：在多智能体MCTS中引入浅层全宽Minimax回合搜索以增强策略深度，并提出M2-PALE框架，结合过程挖掘与大语言模型生成可读的因果与远期解释。 - 主要方法： - 在MCTS的 rollout 阶段利用浅层、全宽的 Minimax 搜索提升策略深度。 - 采用过程挖掘算法（Alpha Miner、iDHM、Inductive Miner）从执行轨迹中提取行为工作流。 - 通过大语言模型对提取的过程模型进行综合，生成可读的因果与远期解释。 - 在一个小型跳棋环境中进行验证。 - 结论/性能： - 展示了在小型跳棋环境中的有效性，且为在更复杂领域解释混合代理提供了可扩展的基础。
- 核心创新点（一句话概括） 提出一个具备工具驱动自我提升能力的自治代理框架Dr. RTL，在现实EDA工作流中实现RTL时序优化的闭环，并通过组级相对技能学习实现跨设计的可复用优化策略。 - 主要方法 - 在现实且具有挑战性的RTL设计和工业级EDA工作流中建立评测环境，进行闭环优化。 - 采用多代理框架进行关键路径分析、并行RTL重写和基于工具的评估，以推动自我改进过程。 - 引入组级相对技能学习，比较并 distill 平行RTL重写经验，形成可解释的技能库（包含47条模式-策略条目），用于跨设计复用并持续进化。 - 结论/性能 - 在20个真实世界RTL设计上评估，平均实现WNS提升21%、TNS提升17%，面积约下降6%，优于行业领先的商用综合工具。
- 核心创新点：通过建模多LLM代理工作流中各LLM总执行时间份额的稳定性，提出 Aggregate LLM Pipeline，用以预测性能并在 GPU 集群上高效调度任意工作流。 - 主要方法：对每个LLM在不同并行度下进行性能 profiling，构建轻量的 Aggregate LLM Pipeline 作为延迟/吞吐预测器；在目标吞吐量下利用该预测器在分数 GPU 份额、张量并行度和副本数等维度的搜索空间中查找最优分配，并通过分层启发式把最佳分配落地到集群，兼顾网络拓扑与最小化碎片化。 - 结论/性能：在真实的代理工作流上评估显示，Scepsy 相比独立优化单个LLM或使用用户指定分配的系统，吞吐量最高提升约 2.4 倍，延迟降低约 27 倍。
- 核心创新点：提出 SpecGuard，在多步推理中通过步级验证仅使用模型内部信号来决定每一步是否成立，从而避免外部奖励模型的额外开销与泛化限制，提升精度并降低延迟。 - 主要方法： - 在每一步从草拟候选中采样多条并选出最一致的一步。 - 使用两个轻量的模型内部信号进行步级验证的集成判断： 1) 基于注意力的 grounding 分数，衡量对输入和已接受步骤的归因。 2) 基于对数似然的分数，捕捉逐字的置信度。 - 结合这两种信号决定该步是否直接采用目标模型的输出或需要重新计算，按需分配计算资源。 - 结论/性能：在多步推理基准上，SpecGuard 将准确性提高约3.6%，同时将延迟降低约11%，优于传统的 SD 以及基于奖励的 SD。
1. 核心创新点：AnimationBench首次建立面向角色中心化动画的系统性评测基准，将十二条动画基本原则与IP保护转化为可量化评估维度，并结合闭集/开放集评测及视觉-语言模型实现规模化评估。 2. 主要方法：将动画原则和IP保护转化为可量化的评估维度，新增语义一致性、运动合理性、镜头/相机运动一致性等广义质量维度，提供标准化闭集与灵活开放集评测框架，并使用视觉-语言模型进行可扩展的评估。 3. 结论/性能：实验表明该基准与人类判断高度一致，能揭示现有 realism 向基准忽略的动画特有质量差异，给出对最先进I2V模型更信息性、具区分性的评估。
1. 核心创新点 - 提出以有序的潜在思维序列作为中介的跨模态推理框架，并使用计划-再证据的解码方式来实现无 gloss 的手语翻译，提升连贯性与忠实度。 2. 主要方法 - 将手语翻译视为跨模态推理任务，引入一个有序的潜在思维序列作为视频与文本之间的中间层，逐步提取并组织意义； - 采用 plan-then-ground 解码策略：先 decide 要说什么，再回看视频寻找证据； - 构建并公开一个大规模的无 gloss 手语翻译数据集，强调更强的上下文依赖和更真实的语义表达。 3. 结论/性能 - 在多个基准上相较现有无 gloss 方法实现一致提升，显示更好的连贯性和忠实度；同时公布代码和数据以便复现。
- 核心创新点：提出 RGPO，通过一个可微分的接受门 alpha_theta(s,a) = g(r_theta(s,a))（取值在 [0,1]）替代传统的重要性采样比 r_theta，直接参与梯度计算，并与策略一起隐式更新，形成统一的策略优化框架。 - 主要方法：在 RGPO 中用可微分的门控函数取代 IS 比值，梯度权重定义为 w(r) = g'(r) * r，使 TRPO、PPO、REINFORCE 等算法成为该框架下的特定选择；理论上证明在重尾 IS 的情形下梯度方差有界，偏差有限且可控，具备近似单调改进性；实现与 PPO 相当的计算成本且无需二阶优化，且自然扩展到 RLHF 风格的偏好对齐；在在线偏好微调 Qwen2.5-1.5B-Instruct（HH-RLHF，3 个种子）中，采用双比率门锚定于前一策略和参考模型，达到 Pareto 优越性。 - 结论/性能：提供方差有界、偏差可控的理论保障，与 TRPO/PPO 类似的单调改进性质；实验结果在在线偏好微调中实现最高的奖励水平（相较 PPO-RLHF +14.8%）以及最低的与参考模型的 KL 距离（相较 PPO-RLHF -16.0%，相较 GRPO -53.1%），在计算成本上与 PPO 相当且无需二阶优化。
- 核心创新点：提出 LongAct，通过利用长上下文处理中查询-键向量的高幅度激活作为显著性信号，改用基于显著性的稀疏权重更新，以提升长上下文强化学习的性能。 - 主要方法：将模型量化的直觉引入 RL 训练，进行从均匀更新到基于激活显著性的稀疏更新，只更新与高激活权重相关的参数，且在多种 RL 算法（如 GRPO、DAPO）上验证其普适性。 - 结论/性能：在 LongBench v2 上约提升 8%，并提高在 RULER 基准上的泛化能力，消融研究表明聚焦这些显著特征是释放长上下文潜力的关键。
1) 核心创新点：提出一个统一的强化学习框架 UniDoc-RL，通过分层动作与密集奖励实现从粗粒度检索到细粒度图像选择与主动区域裁剪的端到端视觉信息获取，显著提升视觉RAG的细粒度推理能力。 2) 主要方法： - 将 LVLM 代理的检索、重新排序、主动视觉感知与推理整合为一个序列决策问题，采用分层动作空间实现从粗到细的证据获取。 - 引入密集多奖励信号，为每个动作提供任务相关的监督。 - 基于 Group Relative Policy Optimization (GRPO) 进行多目标对齐，无需单独的价值网络。 - 构建包含细粒度动作注释的高质量推理轨迹数据集。 - 在三项基准上进行实验评估。 3) 结论/性能：在三项基准上持续超越 state-of-the-art 基线，相较于以往的 RL 方法，性能提升可高达约 17.7%。
- 核心创新点：在搜索增强推理中引入基于信息增益的逐步奖励，实现对每一步检索查询的细粒度信用分配与梯度回传，而不依赖外部中间监督。 - 主要方法：提出 IG-Search，通过对每个搜索步骤计算信息增益（与随机文档的对照基线相比，衡量检索结果对提高正确答案信心的贡献），将该信号通过对应该搜索查询的逐词优势调制在 GRPO 框架中实现细粒度的信用分配；该信号仅依赖模型的生成概率和标准问答对，无需额外的中间监督或共享环境状态。 - 结论/性能：在七个单跳与多跳问答基准上，使用 Qwen2.5-3B 时平均 EM 达到 0.430，较最强的轨迹级基线 MR-Search 提升约 1.6 点、较 GiGPO 提升约 0.9 点，且多跳任务增益尤为明显；训练时每一步额外开销约仅增加 6.4%，推理时延不变，即使所有采样轨迹都错误也能提供有意义的梯度信号。
1. 核心创新点 - 提出 LeapAlign：通过两步跃迁将长轨迹缩短为两步，实现对奖励梯度直接传播到早期生成步骤，从而高效微调 Flow Matching 模型以对齐人类偏好。 2. 主要方法 - 在后训练阶段通过直接梯度反向传播奖励到可微分的生成过程进行微调。 - 将长轨迹分解为两次连续跃迁，每次跳过若干 ODE 采样步骤并在单步内预测未来潜在变量。 - 通过随机化跃迁的起止时间步，实现在任意生成步骤的稳定更新。 - 对缩短轨迹赋予更高的训练权重，并减小大幅度梯度项的权重以提升梯度稳定性。 - 针对 Flux 模型实施微调，与 GRPO 基准和直接梯度方法相比表现优越。 3. 结论/性能 - 在多个评估指标上 consistently 超越基于 GRPO 的方法与直接梯度方法，取得更高的图像质量与更好的图像-文本对齐。
- 核心创新点：提出并实现两款开源工具 CoGrid 与 Multi-User Gymnasium（MUG），提供可扩展的网格化多智能体仿真与直接支持网页化的人机多体互动实验平台，结合双后端（NumPy/JAX）与回滚网络码以降低时延影响，显著降低人机协作研究的门槛。 - 主要方法： - CoGrid：网格化的多智能体仿真库，具备 NumPy 与 JAX 双后端。 - Multi-User Gymnasium（MUG）：将上述仿真环境直接转化为可交互的网页实验，支持任意数量的真人与 AI；提供服务器端权威或对等网络模式，并采用回滚网络码来应对时延。 - 结论/性能：通过若干案例研究展示了在开展人机多智能体实验中的实用性和潜力，支持研究者部署相关实验；工具开源，文档与源码可在官方文档站点获取。
- **核心创新点**：首次对多代理AI系统中的公平性进行系统性梳理，提出五类原型方法，并主张在开发生命周期中结构性嵌入公平性以明确受益者和规范性框架。 - **主要方法**：采用范围综述（scoping review）并对23项相关研究进行定性内容分析，归纳和比较五种原型方法，评估当前研究的不足。 - **结论/性能**：揭示当前研究普遍存在的表面化、缺乏规范性基础以及对代理自主性与系统级交互的忽视，强调需要在全生命周期中嵌入公平性、实现目标和受益者的明确性，并提出未来研究的路径与建设性建议。
核心创新点：通过一个工具使用型AI代理实现胸部CT的逐步、可解释推理与报告输出，并提供完整的中间决策与工具交互轨迹，便于临床验证与检查。 主要方法：构建一个工具-使用的AI代理，在推理过程中逐步调用外部工具，生成CT报告的同时附带可检验的中间决策和工具交互轨迹；以此对比三维VLM CT-Chat进行评估。 结论/性能：在 Chest CT 报告生成任务上，RadAgent 相对于 CT-Chat（3D VLM）在宏F1提升6.0点（相对36.4%），微F1提升5.4点（相对19.6%）；对抗性条件下鲁棒性提升24.7点（相对41.9%）；信实性达到37.0%（为该领域的全新能力），体现更透明和可靠的放射影像AI表现。
1) 核心创新点：提出蓝色数据智能层（DIL），将企业结构化数据、通过大模型获得的世界知识与个人上下文统一视为第一类数据源，通过数据规划实现跨源、跨模态的查询与推理。 2) 主要方法： - 架构上建立数据注册中心（data registry），对多源/多模态数据的元数据进行存储与管理。 - 将LLMs、Web/互联网与用户本身视为“数据源”，为它们提供各自的查询接口，真正实现第一类数据源的地位。 - 依赖数据规划器将用户查询转化为可执行的查询计划，这些计划是声明式的抽象，统一关系操作符与跨模态操作符。 - 规划器支持将复杂请求分解为子查询、跨源检索、以及推理与整合以给出最终结果。 - 作为一个复合型AI系统的核心协作机制，通过两种交互场景展示多源检索、跨模态推理与结果合成的流程。 3) 结论/性能： - 通过两个交互场景演示，证明DIL能实现动态的多源检索、跨模态推理与结果综合，展示了在企业场景中超越单一数据库 NL2SQL 的能力与潜力；未给出定量指标，强调对异构数据源和模态的整合能力。