由 LLM 对每日入选的 AI 论文与开源项目做结构化中文解读,点卡片看完整内容。
Direct Pass@$k$ Optimization for Thought Pruning: Balancing Quality and Diversity in Test-Time Reasoning
通过直接优化 pass@$k$ 来平衡测试时推理的质量和多样性。
EpiSEM-Bench: Evaluating Safety and Evidence Recovery in LLM Agents under Missing Evidence
评估LLM在关键证据缺失时的安全执行和证据恢复能力的基准测试工具。
Simulated Control Evals· 模拟控制评估
使用语言模型模拟环境,评估 AI 模型在部署时的安全性。
Who Is Sycophantic to Whom? Confident LLMs, Human Deference, and the Collapse of Trust Calibration· 谁对谁谄媚?
探讨LLM自信错误时用户信任的下降。
What Makes a Good Unmasking Policy? A Controlled Study of Learned Unmasking in Diffusion Language Models· 什么是好的解码策略?
研究解码策略在扩散语言模型中的重要性及其优化方法
Contestable Agents for Data Governance: Recording Human Stewardship of AI-Generated Metadata Across Structured and Unstructured Systems· 数据治理中的可争议代理
提出可争议治理模型,解决 AI 生成元数据的审核痕迹记录问题。
Beyond Causal Masks: Auditing and Localizing Hidden Future-Token Leakage in Adaptive Sequence Models· 超越因果掩码
探讨自适应序列模型中隐藏的未来令牌泄漏问题及其影响。
Jev-DLC: Decision-Level Continual Learning from Typed Feedback· Jev-DLC: 基于类型反馈的决策级持续学习
从用户类型反馈中学习并持续优化决策模型。
From Prompt Rules to Golden Data Model: Production-Scale Generation of Personalized, Compliant Pharmaceutical Claims· 从提示规则到金色数据模型
将合规性和个性化信号从提示规则转移到检索时的结构化上下文,以改进药物声明生成。
DuoCook: An Overcooked-Inspired Benchmark for Visual Planning and Coordination· DuoCook: 双人协作烹饪任务的基准测试
双人协作烹饪任务的视觉规划与协同新基准
FairFRESH: A Neuro-Symbolic Framework for Fair and Explainable Household Food Recommendation· FairFRESH:家庭食品推荐的神经符号框架
家庭食品推荐的神经符号框架,确保公平与可解释性
Adaptive Skill Granularity for Coding Agents: Runtime Routing and Macro-to-Micro Recovery· 编码代理的自适应技能粒度
提出自适应技能粒度框架,解决编码代理运行时控制问题。
Which Differences Matter? Controlled Tests of Rule Transfer, Joint Reliability, and Information Use in Decision Models
探讨决策模型中哪些规则和信息变化真正影响模型答案。
HGM-Dual: Lineage-Aware Guided Agent Harness Optimization for Long-Horizon Planning
为规划任务优化代理,减少无效自我修改的消耗。
Robust Soft Skill Adaptation via Behavioral Localization in Tool-Using Agents· 工具使用代理的软技能适应
通过行为定位优化工具使用代理的软技能适应。
GuideEvolve: Self-Evolving Agent Framework with Expert Guidance and 3Ts Mechanisms· GuideEvolve:带专家指导的自我演化智能体框架
结合专家指导和3Ts机制的自我演化智能体框架。
TIDE: Tree-Induced Fine-Grained Diagnostic Evaluation from Model Behaviors· TIDE: 从模型行为进行树诱导细粒度诊断评估
从模型行为构建树状诊断评估,深入解析模型能力
Commit or Abstain? System One Decision Models, LLMs, and Missing Legal Authority· 法律AI决策模型研究
探讨法律AI决策模型在缺失正确法律依据时的表现。
ToM2Vec: Continuous Theory-of-Mind Tokens for Multi-Agent Coordination· ToM2Vec:多智能体协作的连续理论-of-心表示
使用连续表示学习理论-of-心以促进多智能体协作
UserSWE: Evaluating Coding Agents in Multi-Turn Conversations with Dynamic Users· 在多轮对话中评估代码代理
提出了一个新框架,用于评估代码代理在多轮对话中修复代码库级错误的能力。
COMET: A coordinated multi-layer runtime monitoring framework for human-supervised AI-enabled safety systems· COMET:人监督的AI安全系统的多层运行监控框架
COMET框架通过多层监控提高AI安全系统的人类监督效率。
Real PMIDs, Wrong Papers: Harness Design for Biomedical Claim-Verification Agents· 真实 PMID,错误论文:生物医学断言验证代理的 harness 设计
设计不同 harness 比较生物医学语言代理的断言验证效果。
TraceForge: Distilling with Your Own Thinking· TraceForge: 用你的思维进行蒸馏
提出TraceForge,从大语言模型的回答中恢复隐藏的推理过程。
Adaptive Multi-Token Prediction: How far should we go?· 自适应多 token 预测:我们应该走多远?
提出自适应多 token 预测以优化语言模型解码速度和计算资源利用。
Semantic Observability for Autonomous Systems Diagnostics· 语义可观察性实现自主系统诊断
通过构建属性图数据库,实现自主系统诊断中的语义可观察性。
Value-Rich, Differently Organized: Measuring Value Expression and Organization in AI-Generated Debates· 价值丰富,组织不同:评估AI生成辩论的价值观
评估AI生成辩论中价值观的表达与组织
Evolving Agent Interfaces· 进化代理接口
通过任务经验自主构建和进化代理接口。
What Do RTL Repair Benchmarks Actually Measure?· RTL 修复基准实际测量了什么?
分析 RTL 修复基准的实际测量效果及存在的问题
Beyond the Sequentiality Bottleneck: A Hybrid Diffusion-Autoregressive Framework for Efficient Multimodal Reasoning· 突破顺序瓶颈:高效的多模态推理混合框架
结合扩散模型和自回归模型优势,提升多模态推理效率和质量
Sage-A1.5: From Long-Horizon Execution to Scientific Exploration with Capability Composition· Sage-A1.5:从长程执行到科学探索
Sage-A1.5 通过能力组合改进了长时解决问题的能力。
Evolving Semantic Indexes for Generative Retrieval· 进化生成检索的语义索引
进化框架优化生成检索的语义索引设计
OptScientist: Automated Discovery of Optimization Laws· OptScientist: 自动发现优化定律
提出 OptScientist 框架,自动从数据中发现优化定律。
Agentic Ensemble with Vision-Language Models for Visual Anomaly Detection· 视觉语言模型集合成用于异常检测
利用视觉语言模型集合成提升异常检测准确性
Humans Correct Their Judgments Through Debate, but Weaker AI Models Do Not· 人类通过辩论纠正判断,弱 AI 模型则不能
探讨辩论是否能帮助人类和弱 AI 模型克服偏见并接近真相。
Beyond 4 bits: Data-Centric Post-training Quantization and Recovery· 超越4位:数据驱动的后训练量化与恢复
研究2位后训练量化的关键因素,提出数据驱动方法提升模型性能。
Train An Imaginative Agent· 训练想象代理
提出Agima框架,使代理能够在行动前进行视觉想象,提高决策质量。
AnyGoal: On World Model Generalization Beyond Expert Rollouts· AnyGoal:超越专家轨迹的世界模型泛化
研究世界模型如何泛化到未见状态及动作,提出 AnyGoal 基准。
Same Simulation, Different Evidence: Where Retrieved Tool Output Costs LLM Agents Accuracy· 不同证据下的相同模拟
研究不同证据检索方式对LLM代理准确率的影响。
ProteinGeoBench: Frontier Structural-Biology Agents Are Fluent at Lookup but Lost in Geometry· ProteinGeoBench:前沿结构生物学代理在几何问题上的挑战
前沿结构生物学代理在检索结构元数据方面表现出色,但在几何计算上存有缺陷。
Agent World Model in the Wild: Computer-Use Agent Environment Synthesis· 野外环境中的智能体世界模型
智能体在野外环境中通过合成可控环境学习使用计算机。
SOMA: Continuous Monitoring and Intervention for System Two Reasoning with System One Models
SOMA 通过系统一模型持续监控并干预系统二推理模型,提升其在任务中的表现。
LG-Bench: A Graph-Structured Evaluation Benchmark for Life Sciences· LG-Bench:生命科学图结构评估基准
构建了首个生命科学图结构评估基准,涵盖超过10,000个高质量的多选题。
Towards Robust Model Organisms for Eliciting Latent Knowledge· 面向稳健的模型生物以引出潜在知识
训练模型生物在漏洞检测任务中隐匿信息,以研究潜在知识引出问题。
StebBench: Diagnosing Real-World Procedural Understanding in AI Agents· StebBench: 诊断AI代理的实际过程理解能力
诊断AI代理在实际场景中的过程理解能力的新基准
Honeypots for AI Agent Insider Threats· 用于 AI 代理内部威胁的蜜罐
使用蜜罐抵御 AI 代理内部威胁。
AllPath: Layered Verification for a Deployed, Self-Revising LLM Trading Agent under Human-Gated and Autonomous Regimes
多层验证框架确保自校正 LLM 交易代理的安全性。
Tandem: Serving Hybrid Linear-Attention GUI Agents on Mobile NPUs· Tandem: 优化手机GUI代理的本地执行
优化手机上GUI代理的本地执行,减少内存与延迟
AI-Driven Reproducibility and Analytical Robustness in Scientific Discovery· AI 驱动的科学发现可复现性与分析鲁棒性
论文探讨了 AI 助手在科研复现和分析鲁棒性中的应用潜力。
Self-Building Labs· 自建实验室
自建实验室提升科学发现效率,实现自动化设计与配置实验环境。
Beyond SAEs: Consistent Concept Discovery with Sparse Coding· 超越 SAE:用稀疏编码一致发现概念
提出 ConSDL,通过样本级稀疏编码提升 SAE 分析的一致性和可靠性。
FuTransformer: FP8 prefill and INT4 decode for Llama-style inference on Hopper
FP8预填充和INT4解码在Hopper GPU上优化Llama风格推理的Transformer实现
DrugHarness: An Evolvable Agent Harness for Computational Drug Discovery· 药物发现的计算框架
计算药物发现框架,可进化以适应变化的证据和约束。
Beyond Large Language Models: A Mental World Model Framework for Mental Modeling, Simulation, Evolution, and Interpretability· 超越大语言模型:心理世界模型框架
提出心理世界模型框架,实现主观世界构建与心理状态演化模拟。
OwlSight: A Panoramic Monitor for Chain-of-Thought Reasoning· OwlSight:链式思考的全景监控
OwlSight 提供链式思考的全景监控,支持多样任务监测需求。
GEMS: Molecular Structure Elucidation as Learned Search over Isomer Graphs· GEMS:基于同分异构体图的分子结构解析
基于图学习的分子结构精细化编辑模型
From Trajectories to Differentiated Skills: Cognitive Differentiation for Self-Improving Agents· 从轨迹到差异化技能:自我改进代理的认知分化
提出基于认知科学的自我改进代理技能演化新方法,强调技能内部功能多样性。
RL-Guided Temporal Localization for Dual-Channel Retrieval in Long-Horizon Agent Memory· 长期视野智能体记忆的双通道检索时序定位
利用强化学习优化长期智能体记忆的双通道时间感知检索
Darwin-Claw: Environment-Adaptive Experience Consolidation for Recursively Self-Evolving Agents· Darwin-Claw: 面向环境的体验整合
面向环境的体验整合框架,使代理能够递归自我进化。
SkillBrowser: Selective Skill Exposure for Scalable Skill-Using Agents· SkillBrowser:选择性技能暴露
提出SkillBrowser框架,实现代理在大规模技能库中按需选择性加载技能。
FDE-Gym: The Last Mile of AI Delivery· FDE-Gym:AI交付的最后一公里
FDE-Gym 仿真客户环境,评测AI交付实际效果。
MLExpert: Towards a Generalist Agentic Model for Autonomous Machine Learning Engineering· MLExpert:面向通用自主开发的机器学习模型
面向通用自主开发的机器学习模型,实现AI自主改进。
Evaluation Awareness Beyond English: Do LLMs Act Differently When Tested in Indic Languages?· 超越英语的评估意识:大模型在印地语测试中表现不同吗?
研究大模型在印地语等印度语言中的评估意识表现。
KnowGPO: Knowledge-Grouped Policy Optimization for Search Agents· KnowGPO: 知识分组的搜索代理策略优化
通过知识分组优化搜索代理的策略,提高复杂任务处理能力。
Designing Transformers for Continuous Diffusion Language Models· 为连续扩散语言模型设计Transformer
为连续扩散语言模型设计优化的Transformer架构
A team of Gemini 4 Argon agents beats Minecraft· Gemini 4 Argon 团队击败 Minecraft
Gemini 4 Argon 团队首次实现 AI 自主完成 Minecraft 游戏。
Private Retrieval Augmented Generation via Random Projection· 利用随机投影实现隐私保护的RAG
利用随机投影保护RAG系统数据隐私,同时保持查询与检索项的语义相似性。
EliteReplay: Preserving Diverse Solutions in RL Post-Training via Quality-Diversity Search· EliteReplay:RL 后训练保持解多样性
RL 后训练方法,保持解的多样性
Improving Environment-Agnostic Coding Agents: The Role of Scaffolding· 提升环境无关编码代理:脚手架的作用
通过指令优化提升环境无关编码代理性能
LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents· LEASH: 计算机使用代理的不确定性感知弱转强升级与监督
提出 LEASH 框架,根据弱代理的不确定性信号决策升级至强代理。
X-RIC: An Agentic RAN-Intelligent Controller Benchmark for Enhancing Reinforcement Learning· X-RIC:增强强化学习的O-RAN智能控制器
X-RIC 将强化学习与代理智能结合,提高 O-RAN 控制器的可解释性和优化能力。
Disagreement-Guided Weak-to-Strong Routing· 分歧引导的弱到强路由
弱模型响应在无需真实监督的情况下,通过分歧信号路由到强模型。
Co-Evolving Acting and Forecasting for Language Agents· 语言代理的共同演化行动与预测
提出新模型,利用中间步骤监督提升语言代理的训练效率
Scaling Discovery Requires Forgetting· 规模化发现需要忘记
通过定期遗忘以避免历史累积导致的探索停滞,从而进一步规模化自动化研究。
PhySGA: A Physics-Space Grounded Agentic Framework for Generalizable and Interactive 3D Composition· PhySGA:物理空间中的代理框架
提出 PhySGA 框架,实现复杂 3D 物体组合的物理交互与全局规划。
ActiveEvidence: Decision-Focused Evidence Graphs with Verifiable Acquisition Gaps· 决策聚焦证据图与可验证获取差距
多模态代理如何决定是否获取视觉证据及其最佳策略。
The Wealth of Agents: Scaling Agentic AI Across Developers· 代理的财富:跨开发者扩展代理AI
研究多开发者协作构建代理AI系统以超越单个开发者能力的局限。
SafeAdapt-Poker: Counterfactual Risk Calibration for Budgeted Adaptation under Opponent Shift· SafeAdapt-Poker:预算适应下的对手偏移风险校准
对手行为变化时,预算适应机制下的风险校准。
SwarmRSI: Recursive Self-Improvement through Evolving Scientific Agent Swarm· SwarmRSI:通过进化科学代理群体实现递归自我改进
通过进化科学代理群体实现递归自我改进,提高研究效率。
From Relevance to Validity: Zero-Shot Tool Selection via Functional and Contextual Validation· 从相关性到有效性:零样本工具选择
零样本环境下提升工具选择的有效性和适用性
Lifted State Policy Optimization: Internalizing Self-Correction through Transition Geometry· 提升状态策略优化:通过转换几何内部化自校正
通过转换几何方法提升策略优化效果。
TreeFlex: Agents Navigating Their Own Search Trees· TreeFlex:代理自主导航搜索树
代理通过自主决策搜索树节点,提高长期任务中的专注推理能力。
Argument Graph Uncertainty: Quantifying Uncertainty from the Logical Structure of Reasoning Chains· 论证图不确定性:从推理链逻辑结构量化不确定性
从推理链逻辑结构量化大模型不确定性的新方法
Reflect After Failure: Brain-Inspired Self-Evolving Agents for Embodied Spatial Intelligence· Reflect After Failure: 受脑启发的自我进化的具身空间智能体
提出受脑启发的自进化智能体HiMeco,解决具身空间任务中的执行失败问题。
AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards· AesCode: 结合跨模态奖励的美学代码生成
AesCode 利用跨模态奖励生成具有美学效果的代码。
MFG: Multi-turn Feedback Guided Molecular Optimization· MFG:多轮反馈引导的分子优化
多轮反馈引导下利用强化学习优化分子结构的新方法。
Who Improves the Robot? Toward Physical Recursive Self-Improvement· 谁在改进机器人?迈向物理递归自我改进
研究机器人如何通过物理经验自我改进。
Read the Room Before Your Model Generates· 在模型生成前读取情境
提出一种基于情境的温度选择框架,改进大模型生成的适应性。
Self-Evolving Agent Harness· 自进化代理框架
保持模型参数不变,通过自我进化的代理框架优化代理的软件结构。
Pack Light, CarryOn: Building Object-Oriented Context for Long-Horizon Agents· Pack Light, CarryOn: 面向对象长期代理的背景构建
提出面向对象的长期代理背景构建方法,提高任务状态的可重用性和有效性。
BLADE: Auditing Information Use for Failure Attribution in LLM Multi-Agent Systems· BLADE:LLM多代理系统中的失败归因审计
LLM多代理系统中识别失败原因的新框架
Jeva: System One Models from First Principles· Jeva: 系统一模型
引入Jeva模型,满足决策问题的四个结构要求。
Beyond the Verdict: Agentic Code Judging with Verifiable Feedback· USACO-JUDGE:具有可验证反馈的代理代码评判
使用 USACO 数据集,构建代理代码评判系统,提供可验证的错误反馈。
Unlocking Token Rewards via Training-Free Reward Attribution· 解锁无训练奖励归属的令牌奖励
提出无训练方法直接从现有奖励模型提取令牌级别奖励信号
Knowing the User Is Not Knowing What We Established: Grounding Awareness in Personal Agents· 个人代理中的根基意识
个人代理需要区分用户接受与未接受的安排,仅强记忆性能不足以确保此能力。
To Align or Not To Align: Check Your COMPASS Before You Train· 对齐前检查 COMPASS
提出 COMPASS 评估模型对齐前的兼容性。
Can Language Models Play the Wikipedia Game?· 语言模型能否玩维基百科游戏?
研究语言模型在维基百科游戏中的信息检索能力。
RATED: Reliability-Aware AI Agent Tool Retrieval via Execution Dynamics· RATED:基于执行动态的可靠性感知AI代理工具检索
提出RATED框架,结合语义匹配与动态可靠性适应,解决工具执行期间的可用性问题。
X-AgentRed: Red-Teaming Personal Agents in Evolving Multi-Service Ecosystems· X-AgentRed:在多服务生态系统中对个人代理进行红队测试
针对个人代理在多服务系统中的潜在风险,提出了一种新型红队测试方法。
Studying Comics at Scale with Artificial Intelligence: The PAGE Framework and Three Studies of American Comics and Japanese Manga· 用 AI 研究大规模漫画:PAGE 框架及案例
使用 AI 框架 PAGE 研究美日漫画。
UkrMeme: Multimodal Explainable Persuasion Detection in Ukrainian Memes· 乌克兰讽刺图的多模态可解释劝导技术检测
研究乌克兰讽刺图中的多模态劝导技术检测方法