20:02
官方账号arXiv cs.AI@Pranav Aggarwal
精选73°
推荐理由：Calibrated Enough论文揭示LLM智能体如何被虚假证据误导，以及如何通过微调修复这一缺陷。
LLM Agents
共 4 条相关 AI 资讯
8月28日
20:02
研究显示，当LLM智能体面对专业外观的市场面板时，对不可预测问题的承诺率从6.5%跃升至54.0%。即使面板上的所有数字都是虚构的，承诺率仍从24.5%上升到36.8%，与真实数据产生的37.6%无显著差异。同一模型在可回答问题上准确率接近完美，表明问题不在于能力或信念，而在于行动决策机制。
19:37
19:37
官方账号arXiv cs.AI@Chenhao Wu, Haoxuan Jia, Yang Liu, Yingguang Yang, Yuhan Lin, Chongyang Zhang, Hao Zheng, Yulin Huang, Jianshen Zhang, Yongzhi Qi, Shang Luo, Kefu Xu, Jifeng Zhu, Bin Chong
精选73°
推荐理由：MIT学者发现LLM智能体安全漏洞，提出LoopHarness解决跨迭代攻击问题，安全性能显著提升。
17:59
17:59
官方账号arXiv cs.AI@Yisen Xi
推荐理由：这篇论文提出PES架构，解决LLM智能体在监管环境下的核心矛盾，人格可自由演变而执行可追溯。
7月1日
10:44
10:44
官方账号arXiv cs.AI@Sergio Hernández-Gutiérrez, Matteo Merler, Ilze Amanda Auzina, Joschka Strüber, Ameya Prabhu, Matthias Bethge
推荐理由：这篇论文提出了一个高效的评估框架，帮你省去昂贵的训练代价来判断哪种监督信号对长程智能体更有效，结论很实用。