全部动态

研究揭示了自进化的编码智能体中的自毒化问题，并提出了counter-prompt防御措施，有效降低了恶意技能的传播。对于关注AI安全和智能体研究的读者来说，这是一篇不容错过的论文。

研究ISAC框架，了解如何利用问题信息提升LLM生成提交信息的效果，与现有方法相比有显著提升。

这篇论文提出了一个评估LLM智能体在金融合规中规则归因的新方法，值得一读。它通过实验展示了规则指导如何减少违规行为，并强调了监控的重要性。

长任务乱？HyMem分层隔离上下文，用DeepSeek-V4在GAIA上比最强基线高6.1个百分点。

论文实测三种LLM的修复能力，发现便宜的DeepSeek-V3.2成本效率反超GPT-5，选模型前值得一看。

这篇论文让AI Agent自己找预取器失败原因并造新方案，结果比人类设计的Alecto和Berti还强，值得看看。

想知道中国大模型是不是都一个样？这篇论文用囚徒困境测了DeepSeek、Qwen、Kimi和GLM，发现它们合作倾向差别挺大，别再把它们当铁板一块了。

想看看AI能不能识破谎言？这篇论文用4个模型做了近4万次测试，结论是准确率跟人差不多，但不同理论引导下AI的倾向差异很大。

想用冻结模型提升agent性能？HSI让模型自己改写执行脚手架，在BabyAI等任务上涨了39个点，代码已开源，值得一看。

做长期记忆的智能体开发者可以看看，SodaMem用图结构加证据链，在LongMemEval-S上准确率92.8%，成本还低，比普通RAG日记靠谱。

PMCoder把规划和记忆绑在一起，SWE-bench Verified上多解25个issue，换Claude或DeepSeek也有效，思路挺巧。

开源模型Fisher-R1专治假设检验，比GPT-5.4和DeepSeek-V4-Pro都强，最难任务能提26%，搞数据分析的可以看看。

EnvACE 让模型自己脑补环境的反馈，省去搭建外部模拟器，四个基准上还赢了。想低成本练智能体的可以看看。

用LLM预测足球比分？论文把Dixon-Coles和LLM结合成可审计管道，英超前150场Top-3精确率从26.7%提到30.7%，还说了哪里没用。

这篇论文搞了个叫ASD的投机解码改进，不用重新训练就能提速，实测吞吐最高涨15%，代码也开源了，跑推理的可以看看。

想解决城市服务碎片化问题？这个框架把LLM和代码、API、MCP接起来，跑通跨系统任务，成功率比最强基线高10个点。

V4-Flash实验：思考让指针追踪0/16→14/16，孪生任务仍50%。换接口比堆算力更重要。

让模型自己从零写ASP规则，Claude、GPT-5等九个模型限时1小时。CLEVR有人拿满分，GQA上GPT-5跌到41.8%。

修Lean证明蓝图？这个接口用类型化编辑，比源码补丁省30%、比重写省一半，1万token内就顶到上限。

这篇论文搞了个CodeSpec，让代码智能体在仓库里加新功能时先建可执行规范，在FeatureBench上用DeepSeek-V4-Pro跑到70.7%通过率，比Claude Code靠谱不少。

这篇论文用LLM自动调PID参数，小模型Qwen3-0.6B调参成功率94%，比大模型还稳。

想测AI罕见病诊断能力？GraphRareBench用2365个案例和18093对混淆，专门检测模型能不能分清真病和假病。

这篇论文发布了一个综合框架，让你看到当前LLM在社会智能上的短板（最高才72%），并提出Zing训练和Actio推理搭配，能显著提升表现。想了解模型怎么更懂社交规矩的可以看看。