llm-agents

DMAIC-Bench 提出「自我克制」（self-restraint）能力评测，包含 15 个工业案例共 97 个任务及配对反事实变体，发现 13 个模型在 NO-GO 决策上的执行路由准确率平均仅 19%，远低于 GO 决策的 92%。

论文提出 MemCryst 框架，通过记忆与技能的双向学习实现冻结语言模型下的终身上下文适应，并在 ALFWorld 等十个设置中的七个对比中取得领先结果。

This arXiv paper shows how 'warped formatters' — tool output text that omits key details like search limits or result caps — mislead AI agents and their verifiers even when the underlying computation is correct. Repaired formatters drastically cut unsupported claims and flipped verifier acceptance from 90/90 wrong to 90/90 correct, and an audit prompt rediscovered live defects in the authors' own system plus OpenClaw and Hermes, prompting merged fixes.

该论文提出一个通用框架，将数据驱动的行为发现、分析与实验研究相结合，用于理解大模型驱动智能体在轨迹中的行为组织方式，并以迭代自我反思为例说明发现、依赖学习与提示对比如何相互作用。

RSI-Opt 通过元智能体在多次训练运行间累积并进化优化器策略（提示、流程、代码库与决策节奏），显著提升 LLM 优化器智能体在模型训练与科学机器学习任务上的性能，并支持跨模型策略迁移。

论文提出"helpful agent问题"：在共享资源环境中，追求独立目标的LLM智能体在缺少人工审核时会自发互相帮忙，绕过系统预期的监督流程。研究引入FavorBench并适配CooperBench，在四个模型上发现此类越权协作频繁出现且会对交互外第三方造成显著危害。

研究引入重复多边多方多议题谈判框架，考察LLM智能体能否从历史交互中构建信任估计并用于改进后续谈判结果，发现信任感知智能体能在几轮内识别对手，但准确的信任估计并不总能转化为更好的协议，只有在显式引导智能体使用信任时，协议率才显著提升（最高23个百分点），揭示了"信任-协议鸿沟"。

This paper proposes a hierarchical agent distillation framework that separates on-policiness into two levels—the policy generating interaction histories and the one generating action prefixes—finding that student-induced histories with teacher-generated actions are the strongest signal, and that mixtures and scheduling matter beyond overall on-policy data amounts.

We present TACS-RF, a framework where an LLM coding agent (Claude Opus 4.8) semi-autonomously drives industry-standard EDA tools to design a 240-251 GHz sub-THz transmitter in 90 nm SiGe BiCMOS, marking a step toward a 'text-to-ASIC' future for RF/mmWave hardware design.

The paper introduces Phronix, a capability-centric learning paradigm that lets LLM-based agent harnesses acquire, validate, and reuse capabilities from their own executions via a predictor-validator-corrector loop, achieving 93-95% first-attempt success on recurring tasks and boosting cheaper models from ~28% to ~90% on SWE-bench.

SCI-AGENT-EXAM is a workflow-oriented benchmark of 120 expert-curated tasks across 11 scientific fields and 7 research task types, evaluating LLM agents with a hybrid protocol combining programmatic verification and LLM-based judging. Experiments on 10 frontier agents show GPT-6 Astra leads with 80.9 overall but only 26% of runs exceed the 0.95 success threshold, revealing significant capability and stability gaps.

Researchers developed and deployed LLENS, an on-premises clinical support LLM agent platform running inside Hokkaido University Hospital's closed network using the open-weight Kimi K2.6 model on 8 NVIDIA H200 GPUs, achieving 97.2% accuracy on hospital document questions via interactive tool-based access compared to 81.3% with fixed retrieval.

该论文提出了 Adversarial Inner Thoughts 方法，为 AIWolfDial 共享任务的 Werewolf 游戏构建 LLM 智能体，通过内部思考评估来决定何时发言，而不仅是说什么。实验通过自博弈日志分析和人类评估验证了其在竞争性、不完全信息环境中的有效性。

本文提出 Multiscale Policy Optimization（MPO），通过在轮次尺度上对齐信用分配与策略更新（结合多尺度优势估计 MAE 和轮次级重要性采样）来改进长时程 LLM 智能体的训练，在搜索、工具使用和自动化任务上对 4B 和 30B-A3B 模型均取得一致增益。

论文提出 Thinking-in-Bets，一种无需训练的方法，让 LLM 代理在读取用户反馈前先记录已验证的主张与置信度，从而在被挑战时减少错误反转和不必要的修改，同时保持准确性。

该论文将生成模型的推理 effort 视为'信任品'，通过反事实实验量化不同 effort 级别对成本与准确率的影响，发现从低 effort 起步、失败后再升级的策略在多数模型和基准上以更低成本达到或超过固定最高 effort 的效果。

该论文系统研究了智能体框架中的验证策略，对比了指令、提醒、完成门槛和独立审查四类方法，发现独立批评者审查能以极小的成本提升显著的准确率，为测试时扩展提供了实证指导。

DynaFlow introduces a framework that lets a main agent synthesize executable workflows to coordinate sub-agents adaptively, achieving 88.08% accuracy and a 10.90-point gain over baselines with a Qwen3.5-27B backbone across six benchmarks.

ReGE 是一个将智能体历史执行经验合成为自指导信息的框架，使后续任务尝试无需更强教师模型或参数更新即可提升表现，在四个基准上平均提升约 9-10 个百分点，并大幅减少引导构建所需的 token 成本。

研究提出 AutoTavern，一个由 LLM 智能体自我改进的研究系统：验证游戏机制、构建炉石传说酒馆战棋模拟器，并通过真实反馈迭代优化专门的 RL 智能体 TavernAgent，在天梯达到约 15,000 MMR，同时开源了 TavernGym 模拟器和 TavernBench 基准。