标签
本文提出了“Trivium”框架,该框架将长时域时间遗憾和认知遗憾作为一等目标,与结果遗憾一同用于智能体LLM系统中的因果记忆控制器。作者证明,在没有干预通道的情况下,仅基于结果的学习无法区分因果结构与虚假结构,而他们的方法在CausalBench-Seq实验中实现了O(log E)的时间遗憾,而基线方法则为线性增长。
研究人员提出了MedSP1000,这是一个包含1638个病例的交互式基准,源自标准化患者场景,用于评估大语言模型作为动态临床代理在多轮问诊中的表现。结果显示,即使是最佳模型(GPT-5.5)也仅完成了60.4%的专家评分项,表明当前的大语言模型在临床实践中尚不够可靠。
本文提出了设计和优化实用智能体LLM系统的原则性方法,引入了一个包含伪工具和固定工作流的框架,以提高模块化、成本效益和跨多种任务的准确性。
MAVEN 是一种轻量级符号推理框架,通过模块化验证和自适应工具编排,提升了智能体工具调用的泛化能力。它在新的压力测试基准 MAVEN-Bench 上取得了显著的准确率提升,并且以极低的成本与专有模型保持竞争力。
Peter Steinberger 分享他成功办理签证,即将搬去旧金山参加 MS Build 以及 GitHub 总部举办的 OpenClaw 会后活动,活动包括来自 NVIDIA 的炉边谈话、专题讨论和演示,主题聚焦于智能体系统。
Anthropic的新AI模型Claude Mythos,使用Claude Code框架,据报道在OpenAI先前证伪之后,通过找到替代的简单证明,解决了Erdős的不同距离问题。这展示了LLMs进行独立科学突破的能力。
本文针对医疗AI代理中的工具故障问题,提出了一种基于GRPO的强化学习框架,利用实例级选择、分歧感知协同学习和熵引导采样来纠正错误的工具共识,并在七个医疗基准测试中提高了可靠性。
文章描述了在企业环境中构建代理式AI系统的五种关键工作流模式,由Anthropic总结:提示链、路由、并行化、编排器以及评估器-优化器,并建议在使用完整Agent之前优先采用更简单的工作流。
一个精心整理的 GitHub 列表,收录了用于部署、监控、扩展和保护生产环境中的 Agentic 系统的开源库,将生态系统组织成实用的板块。
OpenAI提供的一本操作手册,介绍了使用合成轨迹发现重复行为模式的大规模多智能体系统宏观评估工作流程。
MOSS 为自我进化智能体引入了源代码级重写,能够修复文本层进化无法触及的结构性故障。在 OpenClaw 上,它仅通过一个周期就将四项任务的评分均值从 0.25 提升至 0.61,且无需人工干预。
Yohei Nakajima 发表了第一篇 arXiv 论文《The Log is the Agent: Event-Sourced Reactive Graphs for Auditable, Forkable Agentic Systems》,介绍了一种通过持久化可重放状态让代理协调的方法。
Yohei Nakajima,babyagi 的创造者,在 arXiv 上发表了第一篇学术论文,题为“The Log is the Agent: Event-Sourced Reactive Graphs for Auditable, Forkable Agentic Systems”,提出了通过持久可重放状态进行协调的代理。
Yohei Nakajima 发表了一篇论文,提出了 ActiveGraph,这是一个运行时系统,其中事件日志是真相来源,代理通过持久可重放状态进行协调,实现了可审计性、分叉和因果谱系。
DivSkill-SQL是一个残差技能优化框架,无需模型微调即可构建互补的智能体文本到SQL集成模型,通过针对当前集成模型失败的示例进行优化,在Spider2-Lite上将选定准确率提升高达+11.1个百分点。
alphaXiv 与 ACM Conference on AI and Agentic Systems 合作,作为已接收论文和系统演示的研究枢纽。
CANTANTE 是一个开源框架,通过将系统级奖励转换为每个智能体的更新信号来解决多智能体系统中的信用分配问题,在编程和数学推理基准测试上优于基于 DSPy 的基线。
Krystal Ning 分享了一个精选的 Awesome 列表仓库,收录关于以代码为中心的智能体系统和工具链工程的论文,该列表伴随一项名为“Code as Agent Harness”的调研。
一篇新论文表明,使用一个弱模型,通过 k=8 个提议和 critic-comparator 选择循环,可以在 SWE-bench Verified 上匹配前沿模型的性能,达到 76.4% 的准确率。关键见解是,正确的补丁通常已经存在于弱模型的前 k 个候选补丁中,挑战在于如何利用执行验证进行有效选择。