RunningTab：为直接工作区交互提供环境侧标签页框架
研究者提出 RunningTab 框架，为 LLM 智能体的直接工作区交互（DWI）增加环境侧标签页：由环境记录任务仍需满足的需求、每次读取文件的摘录及来源、以及已列出但未打开的候选文件，智能体可逐条对照解决需求，若带着未完成需求结束会触发 finish check。在三个 benchmark、三个 LLM 上的验证显示，RunningTab 持续优于纯 DWI 和将记录保存在模型内的基线。
#Agent
新闻、仓库与研究，按时间排列。
arXiv · cs.CLAI 评分4646 arXiv · cs.CLAI 评分3030 Rephrase Before You Act：刻画并缓解视觉-语言-动作（VLA）模型的语言敏感性
一项 arXiv 研究发现 VLA 模型对指令措辞极其敏感：π0.5 在 LIBERO 中对 "switch on the stove" 成功率 100%，改为 "switch on the hot plate" 仅 2%。研究者让大语言模型将训练任务措辞证据蒸馏为 10-20 条改写规则，部署时重写指令，使冻结的 π0 在 12 个 held-out 任务上相对提升 16-27%，并在 π0.5 + LIBERO 上将成功率从 93.6% 提至 97.8%。该方法无需重训练和逐步验证，可零样本应用于未见任务。
arXiv · cs.CLAI 评分3838 Goldsmith：基于智能体标注框架的黄金损失引导定义优化
Goldsmith 是一个智能体流水线，可将少量专家标注的黄金校准样本转化为可复用的结构化标注定义，并把定义当作可训练的文本对象。LLM 编辑器将最高损失的错误转化为文本梯度式修订，仅在实测损失下降时才接受。在提示词优化对比中，Goldsmith 超过直接改写、OPRO、APE 和 PromptBreeder，并在跨度、关系和事件论元标注任务上提升下游标注质量。该论文已被 EMNLP 2026 主会接收。
arXiv · cs.CL精选AI 评分5454 Igor Slinko 提出编码智能体基准应匹配用户真实任务流，并给出 SWE-TaskFlow 转换方法
研究收集了 4782 个 JetBrains IDE 中真实软件工程师的智能体会话，其中 33% 有至少三条用户消息，发现这些长会话的任务类型与类型间切换分布和 issue 衍生基准任务差异显著。论文提出 SWE-TaskFlow 方法，在保留已验证任务与测试的同时，通过提示词拆分和可验证的仓库问答将交互导向目标 Task Flow，并用 TFAS 分数筛选生成的轨迹；在 700 个 SWE-Bench Pro 任务上的试点显示，将任务拆成多步顺序执行大约使智能体成本翻倍，而 resolve rate 无稳定变化。
推荐理由：论文用 JetBrains IDE 中 4782 个真实工程会话测量任务流分布，指出基准交互协议本身影响评测结果，方法可迁移。
arXiv · cs.CLAI 评分3434 PersonTTS：从 Pareto 前沿到用户偏好，通过摊销式智能体策略发现实现个性化测试时扩展
研究者提出 PersonTTS，一个摊销式智能体策略发现框架，将个性化测试时扩展（TTS）建模为发现可最大化用户在准确率、延迟和推理成本多维需求联合满足率的可执行控制器。该框架通过需求匹配的控制器初始化和源蒸馏的程序化引导复用先前搜索经验，同时对每个候选保留目标画像评估。在 AIME 和 HMMT 上的实验显示，PersonTTS 在未见用户画像和留出题目上大幅超越强 TTS 基线，跨用户体验复用还能在相同候选评估预算下显著降低发现智能体的时间与成本。
arXiv · cs.CL精选AI 评分6666 Bolzano 多智能体系统自动求解约200个开放数学问题
论文提出 Bolzano，一个使用并行 prover 智能体加 verifier 智能体并维护人类可读研究状态的开源多智能体系统。专家选定问题的早期人工使用产出8个经领域专家核验证明的结果；随后在从四组论文提取的约3800个开放问题上无问题特定人工引导运行，解出约200个。在 STOC 2026 论文的实验中，系统回答了论文中提出的四个问题，经论文作者确认。论文被 NeurIPS 2026 第六届 MATH-AI workshop 接收。
推荐理由：论文给出了多智能体证明搜索系统在约3800个开放问题上的无人工引导实测结果，可了解其解题规模和验证方式。
arXiv · cs.CL精选AI 评分6767 arXiv 论文提出 AO-DA 解耦架构，将边缘 LLM Agent 的逻辑推理与人设表达分离以抵御上下文污染
Masaaki Nakatsu 在 arXiv:2610.09772 提出 Decoupling Architecture（AO-DA），在单个 INT4 基座模型上用热插拔 LoRA 将逻辑推理（What）与人设表达（How）分成两条推理路径，逻辑路径只接收核心回合并输出可验证的 Micro-State。
推荐理由：论文用 480 次同模型消融给出分离架构抗上下文污染的量化证据，并诚实地指出 4B 模型上分离同样失效。
arXiv · cs.CL精选AI 评分5454 Caddie 方法通过任务结果强化学习训练 LLM Agent 的自然语言批评模型
Sergei Polezhaev 在 arXiv 论文 arXiv:2610.09858 中提出 Caddie，通过强化学习训练批评模型，依据 Agent 接收反馈后最终是否成功来优化，不依赖步骤级标注，且基础模型保持冻结。基于 Qwen3-4B 训练的批评模型提升了四个不同规模与架构基础模型的成功率；在 MuSiQue 上使 Qwen3-4B 成功率提高超过 25 个百分点，超过无批评模型的 Kimi K3，并在 τ³、DeepDive 等域外交互基准上无需额外训练即有增益。
推荐理由：论文用任务最终成败而非步骤标注训练批评模型，读者可以了解一种可跨模型迁移的 Agent 反馈训练方法。
arXiv · cs.CLAI 评分4747 LiveMACE：在演化市场中过程感知地评估 LLM 智能体能力
研究者推出 LiveMACEBench，以真实金融市场为持续演化测试床，过程感知地评估 LLM 智能体能力。五个前沿 LLM 在 Tool Use、Persistent Memory、Rule Following 和 Multi-Agent Collaboration 匹配配置下运行，经 30 天实时评测发现明显的"结果-能力差距"：实际收益常与能力特定指标背离。Trace 级诊断揭示了各能力的不同瓶颈，说明机制访问、有效使用与最终表现并非可互换的能力度量。
Hugging Face · 趋势模型精选AI 评分7272 
Reflection 开源 Beam 1.0 501B MoE 模型，支持 1M 上下文
Reflection 发布开放权重模型 Beam 1.0，采用 MoE 架构，总参数 501.3B、激活 23.4B，支持 1M 上下文，以 Apache 2.0 许可提供 BF16、FP8、NVFP4 三种精度。官方称其推理 token 用量约省 3 倍，SWEBench Verified 达 81.6%，AIME 2026 达 97.7%，不禁止蒸馏和微调。
推荐理由：官方模型卡给出完整基准表和三种量化版本数据，读者可以据此对比 Beam 与其他开放权重模型在编码和推理任务上的表现。
Hugging Face · 趋势模型精选AI 评分7171 
NVIDIA 发布 Nemotron 3.5 Bolt 74B-A9B-24GB 本地智能体视觉语言模型
NVIDIA 在 Hugging Face 发布 Nemotron 3.5 Bolt 74B-A9B-24GB，一款为本地日常智能体任务设计的视觉语言模型，总参数 74B（9B 激活），采用 Mamba-2-Transformer 混合 LatentMoE 架构，通过原生 IQ2 2-bit 量化与量化感知蒸馏压进 24GB 显存，支持最高 256K 上下文，可在 vLLM 上部署，基于 OpenMDW-1.1 许可商用。
推荐理由：模型卡完整给出架构、训练流程和与同量级模型的基准对比，读者可以自己判断 2-bit 量化的取舍。
Google · AI 博客AI 评分2525 Google 推出 Playground：无需编程即可创建和游玩自定义游戏
Google 推出实验性游戏平台 Playground，用户通过文字提示词即可创建、游玩和分享自定义游戏，无需编程经验。平台基于浏览器，支持手机和笔记本游玩，并提供排行榜、多人模式、社区游戏画廊及安全审查。面向美国 18 岁以上用户上线，创建权限按 Google One 会员等级分层开放，后续还将集成 Unity Spark 提供专业级 3D 能力。
Hugging Face · 新模型：uncensoredAI 评分4040 JevStyle-9B-Decision-Uncensored-v1 发布：基于 Qwen3.5-9B 的去审查决策模型
独立研究项目 JevStyle-9B-Decision-Uncensored-v1 发布，基于 wangzhang/Qwen3.5-9B-abliterated 冻结底座，通过 LoRA（r=16）加决策头实现单次前向输出最多 24 个选项的校准概率分布，可部署增量约 145–165 MB。模型采用软标签 KL 蒸馏训练，公开 holdout 硬命中率 100%，敏感项安全类一致率 92.6%（后续 v5 软优化达 98.2%），权重以 Apache-2.0 发布，与 TypeSafe AI 或 Jev 无官方关联。
arXiv · cs.CLAI 评分5151 Agentic AutoRAG：用推理驱动的智能体优化 RAG 管线超参数
作者提出 Agentic AutoRAG，一种用于多目标 RAG 超参数优化的 LLM 智能体优化器，能在每次试验后用 Diagnoser 将失败问题归因到检索或生成阶段，并由 Proposer 结合模型排名与定价知识库选出下一组配置，在精度与成本间逼近 Pareto 前沿。在三个多跳 QA 基准上，其 LLM 评审准确率高于所有对比基线，且前 10 次试验即达到统计基线 30 次试验的水平；在真实医疗语料的成本感知模式下，中位测试准确率 77% 高于最强基线的 71.5%，查询成本约为其 58%，匹配 71.5% 时成本仅约 22%。论文已被 EMNLP 2026 REALM Workshop 与 NeurIPS 2026 ML for Systems Workshop 接收，代码已开源。
arXiv · cs.AI精选AI 评分5858 MINDSET：基于能量的模式演化方法改进长对话智能体记忆
Sujato Dutta 在 arXiv 发布 MINDSET，一种将对话存为不可变 episode 并通过最小能量状态迁移组织成版本化 schema 的记忆控制器。在 850 题（700 LoCoMo + 150 MemoryAgentBench）上对比 5 个记忆系统，取得最高 LoCoMo F1，检索指标显著优于第二名 LightMem（Holm 校正后 p<0.01）；消融显示受控碎片化与 schema 感知分配贡献最大，700 题跨模型评测（GLM-4.7、Gemma-4-31B）支持模型无关性。
推荐理由：论文将长期对话记忆建模为受约束的状态管理，给出了与5个记忆系统的对比数据和消融结果，可迁移到记忆系统设计。
arXiv · cs.AIAI 评分1616 CMDS：基于随机最优控制的协调式多智能体扩散引导框架
论文提出 Coordinated Multi-Agent Diffusion Steering（CMDS）框架，将冻结的预训练扩散模型作为可复用生成基元，把协调多个模型的反向过程表述为随机最优控制问题，在组装级奖励与偏离预训练动态之间权衡。实验显示 CMDS 可恢复已知目标分布、用同一训练好的控制满足不同空间约束、从退化混合中恢复单一来源，并在多智能体迷宫导航、关节机器人规划和文本条件人体动作生成中让冻结模型成为协调的多智能体生成器。
arXiv · cs.AIAI 评分99 CropSentry：基于多模态叶片感知的蜂群协同多机器人作物早期胁迫检测系统
研究者提出 CropSentry，一套低成本地面多机器人系统，由两台自主机器人逐行采集叶片颜色与环境数据，经空间映射后在主机器人上生成实时网页仪表盘监测作物健康。在 63 次观测实验中，整体分类准确率达 84.12%，其中健康植株 82.60%、缺营养植株 88%、病害植株 80%，10 次 slave 观测的无线通信成功率 100%。该系统面向中小农户，兼顾低成本与可扩展性。
arXiv · cs.AIAI 评分2323 E4：用“受限创造力”实现互联网规模服务的智能体根因分析（RCA）
研究者提出面向互联网规模服务故障排查的智能体系统 E4，采用"受限创造力"范式，让 LLM 智能体通过受限 DSL 生成无环数据流程序，而非任意代码，从而保证输出准确、可验证且可解释。在合成与真实工作负载混合测试中，E4 准确率最高提升 62%，成本最多降低 12x，同时提供更可解释的响应。
arXiv · cs.AI精选AI 评分5656 SquidAgent 论文提出并行多智能体决策判据，吞吐较 Claude Code 提升 2.2 倍
Yexiong Lin 等发布 arXiv 论文 SquidAgent（arXiv:2610.08647，已被 NeurIPS 2026 接收），提出并行多智能体比串行更慢源于重探索成本和对齐成本，并给出按层判断是否并行的 token 成本判据。SquidAgent 从编排者会话直接 fork worker 并用预生成共享约定块替代事后调和，实测对 Claude Code 平均吞吐提升 2.2 倍、墙钟时间加速 2.6 倍，对最强多智能体基线吞吐提升 2.0 倍。
推荐理由：论文指出并行多智能体常比单智能体更慢的原因，并给出以 token 估算成本的并行决策判据，方法可供 Agent 系统设计参考。
arXiv · cs.AIAI 评分4646 AI 编写软件的保障案例研究：无软件背景运营者如何治理医疗平台
一项案例研究考察了由无正式软件工程背景的运营者、通过编码智能体构建并治理的生产级医疗平台。其工作流演化为人类主导的多智能体系统：一个智能体写代码，其他智能体负责监督和审查。研究发现测试、监控器与审查智能体本身也会出错，如监控器测量代理指标、审计静默失败、自动化修复造成运营中断；人类控制依赖于将预期结果、证据、智能体权限与人类最终决策绑定到同一目标。
arXiv · cs.AIAI 评分4040 ParanoiaEval：首个评测编码智能体不必要防御性工作的 benchmark
研究者推出 ParanoiaEval，首个统一评估编码智能体风险处理能力的 benchmark，基于 Avoidance-Transfer-Mitigation-Acceptance 框架构建 200 组证据受控的仓库级任务对。对 8 个代表性模型的实验显示，即便有明确证据，11.2%-58.7% 的运行仍出现不必要风险处理；更强的任务能力并不带来更恰当的风险处理，风险处理是独立的能力维度。
arXiv · cs.AIAI 评分4646 语义行为水印（SBW）：面向 LLM Agent 的抗改写、防伪造溯源方案
论文提出语义行为水印 SBW，在语义动作簇上对 LLM Agent 的高层行为嵌入溯源标识，不改动输出 token。在 ToolBench 上，改写攻击下的检测率达 0.49-0.66，而精确符号方案仅 0.05-0.17；ALFWorld 上为 0.92-0.97。密钥分桶使自适应伪造从 100% 降至误报底限，但复制受害者步骤的 chained replay 攻击仍达 0.76-0.98，作为开放问题报告。
arXiv · cs.AIAI 评分4949 nanoMuse：面向每台个人设备的开源个人智能体
开源项目 nanoMuse 以 GPL-3.0 协议发布，定位为 Meta 闭源个人智能体 Muse 的开源对应物，可在用户的每台设备上运行，操作手机与电脑屏幕。所有设备通过可自建的 relay 共享同一段对话，每个动作经过 Sentinel 审查，记忆以用户可读的文件保存，模型可自选。论文还定义了个人智能体的五个问题与三个视界，并将带来源的记忆、操作评测套件与配套开源模型列为路线图。
arXiv · cs.AIAI 评分4949 WorldSolver：LLM 智能体能通过生成求解器模拟物理动力学吗？
WorldSolver 是一个评测 LLM 智能体物理模拟求解器生成能力的 benchmark，包含源自 61 篇经典图形学论文、覆盖 7 个物理领域的 168 个模拟任务，从 Execution Checks、Visual Fidelity、Physical Plausibility 三个维度评测。结果显示，GPT-5.6-Sol 与 Claude-Opus-5 表现相对更好，但总分仅分别为 48.7% 和 46.7%，生成可执行求解器本身已很困难，视觉与物理正确性更难满足。
arXiv · cs.AIAI 评分4343 Agent 历史能否预测压缩何时有害？TRACE 配对重放语料上的有限效应分析
针对长程 Agent 按全局 token 预算压缩上下文的做法，一项研究在 TRACE 公开语料的 590 个 AppWorld 压缩边界上重放压缩前后表现，检验 Agent 压缩前的行为历史能否预测压缩危害。结果显示预测能力仅微弱：最佳扩展协议触发器 held-out AUROC 为 0.66，同边界重放基线为 0.72；最佳冻结可解释触发器可避开 21% 有害边界，同时保留 84% 压缩机会，但在 burden mass 上未超过随机规则。在同等保留率下能否胜过 token 预算规则，现有数据无法评估。
arXiv · cs.AIAI 评分2525 EgoLAP：通过语言-动作推理从第一人称人类数据中学习机器人控制
EgoLAP 是一个 VLA 预训练框架，通过共享的语言动作链式推理，联合学习人类与机器人轨迹，将第一人称人类数据的运动意图迁移到机器人控制。真实与仿真实验中，EgoLAP 达到 80.1% 平均真实世界任务进度，是替代动作表示的 2.3 倍；其运动级推理也优于结合子任务、物体框和视觉轨迹推理的组合推理格式。
arXiv · cs.AIAI 评分2222 RLCP：基于保形动作集的强化学习在序列推荐中的应用
论文提出强化学习方法 RLCP（Reinforcement Learning with Calibrated Pruning），利用 critic 分数和在线阈值自适应调整序列推荐中的保留动作集大小，并给出 proxy miss rate 的确定性界及价值损失的精确分解。在 KuaiRand-Pure 和 MovieLens 1M 上对比两个 RLCP 实现与四个 RL 基线：全部 19 个配置中至少一个 RLCP 变体取得最高目录多样性，达最强基线的 1.11× 到 5.21×，同时保持有竞争力的 session depth 且保留集合不更大。
arXiv · cs.AIAI 评分5050 LLM 智能体能否把自身能力变成廉价可扩展的产物？BOTTLED 基准给出答案
arXiv 论文提出“bottling”概念与 BOTTLED 基准，让 LLM 智能体在固定时间、算力和 API 预算内将大规模任务转化为廉价方案（如训练小模型或写可复用程序）。跨 10 个模型、3 个任务显示：60 次运行中 48 次低于零样本 95% 置信区间下界，31 次不敌同 token 预算的小模型蒸馏基线；但 Opus 5 在查询-商品相关性分类上以约 657 倍更低的成本保留约 82% 零样本 macro-F1，并以四分之一成本达到专用廉价模型 Jev 约 94% 的 macro-F1。
arXiv · cs.AIAI 评分3939 Sherpa：教 LLM 自适应地教学
研究者提出 Sherpa，一个多轮强化学习框架，通过实例化多种学生原型并直接最大化其学习成果来训练教师模型。经 Sherpa 训练的教师 LLM 使被指导学生的成绩平均提升 20.5 个百分点，在 MathTutorBench 上的整体教学评分从 52.5% 升至 79.2%。人类评估中，训练后的教师在 79.6% 的成对比较中优于基础模型。
arXiv · cs.AIAI 评分3939 DepthWorld：面向机器人操作的 3D 世界模型
研究者提出 DepthWorld，一个基于 Stable Video Diffusion、联合预测多视角 RGB 和深度的机器人操作 3D 世界模型，已被 CoRL 2026 接收。他们还通过立体深度标定管线将 DROID 数据集转化为 DROID-3D，90% 的外置相机片段重投影误差小于 0.7 px。深度监督使 RGB 预测在同等训练预算下比纯 RGB 基线提升 +1.48 dB PSNR。
arXiv · cs.AIAI 评分2424 自参照社会偏好：多智能体强化学习无需观察他人奖励即可学会合作
多智能体强化学习中，各智能体用自己的奖励模型评估他人观测到的转移，形成自参照社会偏好，无需访问他人私有奖励信号。在 Escape Room、Clean Up、Commons Harvest 三个序列社会困境中，智能体均学会合作行为，且常比获得真实奖励的智能体更公平地分配共同收益。不公平厌恶宜在奖励中结合价值前瞻整合，纯利他偏好则适合加权策略更新，部分可观测下策略更新方法仍能支持合作。
arXiv · cs.AIAI 评分2020 ShanLiangRen：面向个性化每日膳食规划的营养智能体
研究者提出个性化全量化的多目标膳食规划问题（MDP），并开发了营养智能体 ShanLiangRen。系统将用户属性与自然语言需求转化为约束规划实例，用精确 RAG 从大规模食材和食谱空间缩小候选集，再由 LLM 在确定性营养计算与约束校验反馈下按 Pareto 原则迭代修订方案。系统输出含明确食材和份量的全量化餐单及营养合规报告，已作为微信小程序上线。
arXiv · cs.AIAI 评分5151 arXiv 论文提出 PAIR 与 RePAIR 方法研究移动 GUI 智能体的跨用户可靠性
论文提出 PAIR 管线构建用户条件化应用状态，并引入 RePAIR 个性化感知奖励训练方法，评估移动 GUI 智能体在不同用户界面下的可靠性。对六个智能体的测试显示用户条件化 UI 下子目标达成率低 6.98 至 15.4 pp，涉及用户个人内容的目标差距进一步扩大到 8.77 至 22.0 pp；RePAIR 在未见用户上将 user-conditioned SAR 提升 5.87 pp、all-success 提升 7.50 pp、整体 Task SR 提升 9.42 pp。论文链接 https://arxiv.org/abs/2610.07972
arXiv · cs.AIAI 评分5151 PixelTriage 论文提出在回答前预测哪些检索到的图像值得送入像素
arXiv 论文 2610.07984 提出 PixelTriage，一个放在检索之后的即插即用小模型，根据对话、简短笔记和缩略图预测每条检索记忆的像素能给答题模型带来多少增益，无需读取全分辨率图像。它用冻结 27B 模型对比有无像素的合成记忆数据进行训练。在 7B 答题模型上，PixelTriage 处于 M^3Exam、DMV 和 MemEye 的精度-成本前沿，仅用 11 到 23% 的视觉 token 而精度无明显下降，在 DMV 上比打开全部图像快 2.9 倍，同预算下优于按检索顺序和统一降采样，并可迁移到其他记忆系统和 397B 答题模型。
arXiv · cs.AIAI 评分4949 梦中学习、现实取胜：面向十英雄 MOBA 的连续 Dyna 循环世界模型
研究者为一个完整的十英雄 MOBA（206 单位、每局最多 6,000 ticks）训练结构化多智能体世界模型，仅在模型内用 1,400-tick 想象 episode 训练策略，再通过连续异步 Dyna 循环在真实游戏中评估。该策略作为 radiant 在 600 局未见种子中胜率达 70.2%（95% CI 66.4–73.7），较循环前的 33.7% 大幅提升，Dyna 修复策略自身对局上的模型误差带来 +9.2 点胜率。世界模型、dream-PPO 训练框架、调试器与全部策略日志已开源。
arXiv · cs.AIAI 评分4141 前沿模型客户反馈分析运行间不稳定性测量：相同反馈，不同答案
一项 arXiv 研究提出可重复运行评估框架，用主题流失率和数量分歧两个指标测量 AI 智能体分析非结构化数据的稳定性。在 8 个前沿模型、100 到 5,000 条记录的语料测试中，使用 Claude Opus 4.8 时，基于分类体系的智能体（TGA）相比原始生成和层级分解将主题流失率降低 86–88%，匹配主题的数量分歧为零。该框架也适用于财务报告、法律文档等重复性知识工作。
arXiv · cs.AIAI 评分4848 SpeedrunBench：用电子游戏速通挑战 LLM 智能体
SpeedrunBench 是一个通过电子游戏速通评估前沿 LLM 智能体策略形成能力的基准，覆盖 9 款游戏，要求智能体持续改进策略、反思表现并利用已有知识缩短通关时间。实验显示，前沿智能体在简单平台跳跃游戏中接近人类世界纪录，但在实际预算下于更长、更复杂的游戏中仍落后于人类。
arXiv · cs.AIAI 评分3838 当工具说谎：数学智能体在工具反馈被污染下的可靠性研究
一项研究通过隐藏拦截器替换工具调用结果，测试数学智能体在 31 道题上检测和纠正被污染工具输出的能力。无验证时准确率从 100% 降至 72.4%，强制同上下文反思可完全恢复至 100%，可选验证仅在模型主动调用时有效。显式检测后完整重启问题可在 100% 的案例中恢复，表明验证器可用性与验证策略是数学智能体可靠性的独立组成部分。
arXiv · cs.AIAI 评分4242 超越正确记忆：多智能体系统中的执行一致性
arXiv 论文提出多智能体系统中的“执行一致性”定义，指出相同的共享记忆记录可能对应合规或违规的执行。移除凭证等执行证据后 82.4% 的相反标签对不可区分，恢复后可区分 97.9%。其 CAVERT 诊断恢复框架在全部 12 个 benchmark-executor 设置的诊断和 4 个环境的恢复中均优于契约提示 LLM 和规则基线。
arXiv · cs.AI精选AI 评分5454 DSV-Mem：面向专业工作流的多模态记忆评测基准发布
Jike Zhong 等发布 DSV-Mem 基准，用于评测多模态大模型 Agent 在专业工作流中的稠密有状态视觉记忆，含 1,000 道题和五类问题，覆盖 27 种模型与记忆管理配置。最强基线得分低于 45%，分析显示状态演进尤其是主导更新次数是主要难点，而对话长度、OCR 和算术并非瓶颈，状态感知设计比增加推理量更有效。基准与代码将公开，论文链接 https://arxiv.org/abs/2610.08102v1。
推荐理由：论文分析了 27 种配置下的失败模式，指出状态更新追踪而非对话长度才是主要瓶颈，对记忆系统设计有参考价值。