并行 AI 智能体协作作为图结构分布式块优化问题
一项 arXiv 研究将并行 AI 智能体的协作建模为具有可精确求值目标的离散块优化问题，证明最优分数染色可保留 1/χ_f(G) 比例的已验证局部改进，并给出智能体分配的线性规划与时间成本权衡。代码修复实验显示验证式合并可解决单个有效编辑组合后互相冲突的问题；在路线搜索智能体实验中，分数调度将实测墙钟时间中位数降低 15%。
#论文/研究
新闻、仓库与研究，按时间排列。
arXiv · cs.AIAI 评分3838 arXiv · cs.AIAI 评分4343 AtomicRL：面向长时序机器人操作的原子化强化学习框架
AtomicRL 是一个面向 VLA 模型的 RL 后训练框架，通过原子任务结构实现可靠的 credit assignment 与自适应探索。其引入 Semantic-Aware Policy Optimization（SAPO）和 Bottleneck-Adaptive Target Exploration（BATE），并配套 Real2Sim2Real 流水线。在 LIBERO-LONG 上较 PPO 提升 3.6% 和 4.0%，CALVIN ABC-D 上最高提升 9.5%，真实任务平均提升 21.3%。
arXiv · cs.AIAI 评分1919 基于偏好反馈的差分隐私稀疏奖励估计理论研究
一项 arXiv 研究提出 Private Sparse RLHF 框架，在假设奖励模型仅由 s* ≪ d 个相关特征决定的前提下，首次给出基于 Bradley-Terry-Luce 模型的差分隐私稀疏奖励估计完整理论。该工作针对 Sample-DP 与 Label-DP 两种设置给出高效算法，Sample-DP 误差上界为 Õ(s*/n + s*²/n²ε²) 且几乎最优，实验显示在情感生成与安全对齐基准上隐私-效用权衡优于稠密基线。
arXiv · cs.AIAI 评分1515 BatchBench：基于 JUMP Cell Painting 的生物医学图像批效应与域偏移鲁棒性基准
研究者推出 BatchBench，一个评估 AI 系统在生物医学图像上对未见实验批次和数据来源的鲁棒性排行榜。它基于最大的公开生物医学成像数据集之一 JUMP-CP 构建，该数据集由 Cell Painting 实验生成，存在明显的批效应和域偏移。摘要指出，尽管域自适应方法已有进展，域偏移下的性能差距仍然显著。
arXiv · cs.AIAI 评分4343 ASTEROID：非对称在线策略蒸馏学会上下文内探索
研究者提出 ASTEROID，一种学生—教师监督学习框架，通过在学生在线策略采集的历史上下文上蒸馏特权专家动作，让部分可观测下的学生学会测试时探索。在 11 个环境（离散探索基准、机械臂操作、导航、Procgen 等）中，ASTEROID 在固定探索预算下回报约提高 2x，交互次数比 RL 基线少约 100x，并在视觉受限的真实机器人操作上比标准蒸馏成功率提升 +40%。
arXiv · cs.AIAI 评分3434 多模态具身智能体综述：从 computer-use 到 robot-use 的统一能力视角 PAPAV
一篇 arXiv 论文提出多模态具身智能体（MMEAs）概念及统一能力框架 PAPAV，涵盖感知、预判、规划、执行、验证五项能力，用于对比多模态智能体与机器人系统从 computer-use 到 robot-use 的差异。分析 64 个 benchmark 发现，显式评估集中在 Act，仅 5 个评估 Anticipate、3 个评估 Verify；文中还梳理了从部分可观测到结果不可验证等五项物理约束带来的开放挑战。
arXiv · cs.AIAI 评分4848 Quant-Arena：面向量化交易研究的 LLM Agent 基准测试
Quant-Arena 是一个基于真实 A 股数据的端到端量化研究基准与公开排行榜。模型构建特征和股票打分代码，仅在 2022-2023 数据上获得反馈，并将策略冻结后在密封的 2024 年数据上评估，计分以实际超额收益为主，辅以信号质量与特征多样性，评估器还纳入交易约束、成本及基于模拟订单簿估算的市场冲击。在九个前沿模型中 GPT-6 Astra 得分最高，但没有模型在 2024 年跑赢等权市场；该基准开放任何模型或 agent 框架提交。
arXiv · cs.AI精选AI 评分7070 AI 辅助发现新共识协议 A-greement，并构建 Lean 验证的智能体框架 AI-greement
研究者借助 AI 智能体框架 AI-greement 发现了面向地理分布式状态机的新共识协议 A-greement。在 5 或 9 副本的六种部署中，该协议在写密集和读密集负载下分别将地理分布式键值存储的平均延迟较最快基线降低 12.2% 和 33.3%，只读负载下持平。AI-greement 集成协议知识库、模块化实现骨架和基于 Lean 的验证框架，其形式化还发现了既有共识协议中多个此前未报告的漏洞；作者强调人类专家在搜索前后仍不可或缺。
推荐理由：原文给出 AI 智能体在 Lean 验证框架下发现新共识协议的完整方法与延迟数据，还附对既有协议漏洞的发现。
arXiv · cs.AIAI 评分4343 Environment Duels：一个 LLM 共同进化的微观世界
研究者提出动态智能体基准 Environment Duels，评估九个前沿 LLM 作为环境创建者与解题者的双重能力，发现解题与环境创作是两种不同的技能：最强解题者并非最强创作者，而较小的模型能写出最难的环境和最有用的提示词。在 Qwen3.8-27B 的强化学习研究中，模型在他人环境上的提示词提升能预测这些环境训练对 held-out 推理与智能体基准的改进。代码已开源。
arXiv · cs.AIAI 评分4444 PhysiCalWorld：面向世界模型的上下文物理校准方法
PhysiCalWorld 提出一种上下文提示的物理校准方法，将测试场景中的探索性交互片段编码为紧凑的物理描述符 token，使动作条件世界模型校准到实例特定的动力学，无需微调或解析物理建模。该方法仅用潜在预测损失端到端训练、无需物理标签，描述符在推理时提取一次即可跨 rollout 复用且计算开销可忽略。在覆盖多样物理变化的四个环境中，它显著提升了 rollout 预测精度和视觉规划成功率。
arXiv · cs.AIAI 评分2929 LoopRec：面向序列推荐的条目级自适应递归方法
研究提出 LoopRec，通过单一权重共享模块的递归和每个条目独立的轻量级门控，将序列推荐中固定计算深度改为按条目自适应分配。诊断发现同一序列内各条目所需计算量差异巨大，多数浅层处理即可收敛，少数需全深度。在公开 benchmark 上跨四种 backbone 架构的实验显示 LoopRec 持续优于同等计算量的固定深度方案，代码已开源。
arXiv · cs.AIAI 评分3535 CrashGym：用反事实市场崩溃衡量 LLM 智能体实验的决策价值
arXiv 论文提出 CrashGym，一个可重放的限价订单簿模拟器，让 LLM 智能体在冲击触发崩溃前于实验室市场查询干预实验，再在去杠杆干预与流动性 backstop 之间做选择，并以 regret 衡量实验价值。在 24 个新采样世界的前瞻性研究中，实验室访问将 Luna 部署的平均 regret 从 8.878 降至 3.785，配对减少 5.092 效用单位，降幅 57.4%。整个评分通过直接模拟所有可行干预完成，无需人工或模型评审。
arXiv · cs.AIAI 评分4949 MOSAIC：面向对话智能体长期记忆与跨模态推理的全模态基准
研究者推出 MOSAIC 基准，包含 923 个问题，覆盖 11-24 个会话的文本、图像、视频、音频人格化历史。该基准通过冻结问题、读取器、提示词与预算，对表示、检索、传递环节进行干预诊断，发现表示损失依赖模态、即使有金标准证据读取仍是主要瓶颈，且拒答能力弱。MOSAIC 将全模态记忆评测从排行榜转变为对写入、检索、传递、读取各环节失败的诊断。
arXiv · cs.AIAI 评分3838 HMDLM：层级掩码扩散语言模型
研究者提出层级掩码扩散语言模型（HMDLM），为每个 token 位置引入层级标注，通过两阶段生成让高优先级位置优先揭示，同时保持完全并行解码，无需额外标注。在 LM1B 上困惑度比 ADLM 降低超过 1.5 点，WikiHow 上最高降低 4.4 点（对 ADLM）、7 点（对 MDLM），LLM judge 偏好其生成结果超过基线 2 倍；Sudoku 多步推理任务上准确率最高提升 8.6% 绝对点。
arXiv · cs.AIAI 评分66 CRAB：基于长方体表示的点云竣工 BIM 重建框架
CRAB 是一个 BIM-ready 长方体重建框架，已入选 SIGGRAPH Asia 2026，可将点云中的墙、门、窗、梁、柱编码为 IFC 兼容语义与参数的紧凑建筑长方体。其由 ProposalNet 预测粗略构件长方体、AssemblyNet（关系感知 Flow Matching 模型）精化几何并预测结构关系，支持自动结构校正与人工引导编辑，并扩展 Structured3D 构建长方体级标注数据。实验显示其在构件完整性、几何精度与泛化上超越平面图和平面方法，内墙厚度估计平均误差 2.80 cm，79.50% 匹配墙体误差在 3 cm 内。
arXiv · cs.AIAI 评分5151 arXiv 论文提出 ARCANA 远类比推理基准与 ConceptSIR 框架
研究者在 arXiv 发布类比推理基准 ARCANA，任务要求把真实世界对象或物理现象映射到抽象网格变换，与侧重人类先验的 ARC-AGI 不同。人类实验显示人类能可靠解题，而多个 LLM 表现存在明显差距；作者提出的 ConceptSIR 框架基于概念滑移、内省与反思，帮助标准 LLM 解出直接提示未能解出的部分任务。基准、代码与数据已公开。
arXiv · cs.AIAI 评分3737 Flat-RLVR：基于锐度感知的可验证奖励强化学习，提升 LLM 推理能力
研究者提出 Flat-RLVR，在 LLM 后训练中通过锐度感知最小化寻找平坦奖励区域，并结合 GRPO 变体进行可验证奖励强化学习（RLVR）。该方法在理论上将平坦奖励最优与缓解分布锐化（distribution sharpening）联系起来，经验上提升了样本多样性，同时保持单次尝试准确率，在采样效率与推理容量之间取得更好权衡。
arXiv · cs.AIAI 评分2121 潜在空间配置（LSC）方法加速神经网络嵌入检索并降维
一项 arXiv 研究提出针对神经网络结构化潜在空间（LS）的检索算法，借助 O(1) 复杂度的候选子集搜索加速 top K 检索。作者用 Latent Space Configuration（LSC）方法微调 ArcFace 预训练的 IResNet50 模型，相比基线穷举搜索，GPU 上最高提速 3 倍、CPU 上提速 40%；且 LS 降维可进一步加速搜索，甚至改善 rank-N 指标。
arXiv · cs.AIAI 评分2929 何时接近纳什均衡：一般和博弈中的解证明方法
这篇 arXiv 论文提出一种在线证书方法，利用求解器已有的 regret 累加器和终局分布累加器来认证一般和扩展式博弈中加权平均策略的 NashGap，每个检查点成本与终局历史数线性相关，且在交替更新和三人及以上博弈中保持可靠。在 biased Leduc 基准上，16 个免训练 regret-matching 求解器的组合协议在阈值 10⁻⁵ 下解决 64 个实例中的 89%，预注册保留集和第三组各 64 个实例上分别解决 92% 和 89%；零最佳响应证书对样本内、新样本各 57 个全部认证成功。代码已开源。
arXiv · cs.AIAI 评分1212 YingLan：面向异构海洋观测统一表征学习的多模态海洋基础模型
研究者提出多模态海洋基础模型 YingLan，融合物理属性条件动态编码、Spatiotemporal Increment Coupling（STIC）与海洋状态演化感知预训练，统一处理卫星影像、网格化海洋场和浮标观测等异构数据。模型基于 MindSpore 实现，在华为 Ascend 910B NPU 上训练；在深圳近海七天海表盐度预报任务中，平均 RMSE 为 0.687508 PSU，较 LangYa、XiHe、GloNet2 分别降低相对误差 0.58%、5.31% 和 12.42%。
arXiv · cs.AIAI 评分4343 SpatialBrain：从经验中生长空间智能
arXiv 论文提出 SpatialBrain，一个在视觉语言主干保持固定的前提下积累空间推理经验的框架。其 3DFusionMemory 将当前场景观测融合为可查询的空间关系，Spatial Skill Library 提供可复用工具流程，Spatial Cognition 关联任务条件与经验；完成的轨迹被抽象为过程记录并在任务块之间整合。在五个空间推理 benchmark 上，SpatialBrain 在四个上优于同主干的直接回答，在第五个上持平。
arXiv · cs.AIAI 评分2121 OpenMAP-HIE：面向新生儿缺氧缺血性脑病无监督病灶分割的病理引导 score-based 扩散模型
Johns Hopkins 团队提出 OpenMAP-HIE，一种病理引导的 score-based 扩散模型，无需体素级标注即可在 ADC 图像上无监督定位新生儿缺氧缺血性脑病（HIE）病灶。方法用扩散模型学习健康新生儿 ADC 分布，并以 ControlNet 条件分支保留患者解剖结构，在 BONBID-HIE 数据集上取得 Dice 0.283±0.244，加入群体 ADC Z-map 精化后 Dice 提升至 0.602±0.269。
arXiv · cs.AIAI 评分4343 AgentMonopoly：LLM 智能体的行为模式与人设控制研究
arXiv 论文提出 AgentMonopoly 环境，让 LLM 智能体在大富翁式游戏中沟通、买卖地产并做出影响后续回合的决策。研究对比四个模型家族各两种规模的模型，发现各模型在交易、免租金、现金与资产管理频率上存在差异，更大模型并不必然赢得更多对局。为人设指令虽能改变智能体的用词和部分行动，但不总能在所有决策中匹配角色，因此人设遵循应通过行动与结果而非语言来评估。
arXiv · cs.AIAI 评分3535 从提示词到后验分布：LLM 智能体能否在上下文中进行贝叶斯推理？
一项 arXiv 研究系统评估了 LLM 在上下文中进行贝叶斯更新的能力，涵盖内部一致性与恢复外部后验两方面。结果发现 LLM 更新信念时普遍违反贝叶斯规则，但配备推理能力与代码执行后表现大幅提升，甚至能近似解析上难以求解的后验。研究表明现有 LLM 加合适工具已可用于科学发现中的复杂信念更新。
arXiv · cs.AIAI 评分1111 基于分割掩码的 BI-RADS 依据生成方法：为乳腺 MRI 分割提供可解释报告
研究者提出从乳腺 DCE-MRI 分割掩码及增强序列中导出临床描述符的方法，基于 BI-RADS 指南构建含 8 个定量影像组学测量的决策树，再用大语言模型生成自然语言依据。该框架应用于 MAMA-MIA 数据集 1,506 例，生成 3,012 条 BI-RADS 依据，faithfulness 达 99.98%，counterfactual accuracy 为 99.3%；专家与自动掩码的描述符一致性随掩码质量从 Good 降至 Missed 由 0.832 降至 0.549。生成的依据仅供放射科医生审阅签署，而非自主临床报告。
arXiv · cs.AIAI 评分3131 PLRM：可并行化的概率潜在推理框架，用于多样推理轨迹
研究者提出概率潜在推理模型 PLRM，一种可并行的变分框架，将推理移入紧凑连续潜在空间以表达多条有效推理路径。PLRM 采用 JEPA 式目标，后验从观测轨迹并行推断潜在分布，并引入离散策略变量与混合先验以保留多轨迹的高斯混合结构。实验显示其在单轨迹数据集上与确定性潜在推理模型性能相当，在多轨迹数据集上持续超越随机基线。
arXiv · cs.AIAI 评分4040 LLMSeg：免训练的 B 样条文本提示图像分割
研究者提出 LLMSeg，一种免训练管线，将支持视觉的多模态大语言模型直接变成文本提示图像分割器，无需分割头、mask 解码器或专门训练。方法将分割分解为 detect、segment、refine 三个 LLM 驱动阶段，用闭合周期 B 样条勾勒边界并迭代修正。基于现成的 Gemini-3.7-Flash，LLMSeg 在 ReasonSeg val 上达到 71.5 cIoU，与专门的 SAM 3 相当甚至更优，代码已开源。
arXiv · cs.AIAI 评分4444 Sanko 求解器首次解决位置超劫规则下的围棋局面
新求解器 Sanko 在位置超劫（PSK）规则下实现可靠证明迁移，恢复了置换表、死活识别与安全剪枝三大能力。它用六个线程 16 分钟证明 5x5 围棋（此前方法需 5.25 小时），并首次给出二十三个局面的 PSK 价值，其中十一个此前在任何规则下均未解决。超劫改变博弈价值：4x7 在基本劫规则下是全盘获胜，在 PSK 下仅值 12 点。
arXiv · cs.AIAI 评分2929 MERP：面向鲁棒多模态多标签情感识别的潜在瓶颈框架
MERP 框架通过将多模态序列映射到固定大小的潜在库进行推理，提升模态缺失时的情感识别鲁棒性。在 20% 测试期随机模态缺失下，它在 CMU-MOSEI 和 M3ED 上分别取得 0.563 和 0.780 micro-F1；在 CMU-MOSEI 仅音频的严重场景中保留 0.473 micro-F1，远超 LDDU 的 0.022。该方法无需训练时的缺失模态样本，代码已开源。
arXiv · cs.AIAI 评分3838 世界模型的回报误差出在事件步而非像素：arXiv 新论文提出转移级诊断方法
一项 arXiv 研究发现，世界模型用于规划时的回报误差主要集中在“事件转移”步：在通过可靠性检验的 44 个 Atari-100k 模型-收集对中，修复事件转移可消除中位数 70% 的回报误差，39 个样本中事件补丁优于随机补丁（sign test p=1.4 x 10^{-7}，中位增益 +44 个百分点），而按 MSE、SSIM 或 LPIPS 选取的修复效果不如随机。事件步的像素渲染质量与其他步相当（中位像素误差比 0.85），说明视觉保真度不能代表回报正确性。剩余误差呈结构化分布，且事件补丁可改进规划排序。
arXiv · cs.AIAI 评分1818 RegoMender：用于自动化 Rego 策略修复的多智能体框架
研究者提出 RegoBench——首个包含 1,159 个真实缺陷的 Rego 策略自动化基准，以及反馈引导的多智能体框架 RegoMender。该框架在 RegoBench 上取得 82.9% 的语法修复成功率和 77.9% 的语义修复成功率，超越最强基线 13.4%，并在 132 个真实 CVE 漏洞上达到 86.4% 修复率。
arXiv · cs.AI精选AI 评分5656 PreCoMem：面向自进化长期对话智能体的预测性认知记忆框架
研究者提出记忆整合框架 PreCoMem，将用户记忆表示为置信加权信念，用有效惊异度结合语义偏离与矛盾证据驱动三档确定性更新。该方法在 LoCoMo、LongMemEval-S 和 PersonaMem-v2 上取得一致最优准确率，新基准 DiMoBench 显示其能适应非平稳信念漂移而不对噪声过度反应，论文已被 NeurIPS 2026 接收，代码已开源。
推荐理由：论文把记忆更新拆成置信加权信念加双阈值门控，区分噪声与真实漂移的思路可迁移到自己的长期对话系统。
arXiv · cs.AIAI 评分3131 基于非线性 Schrödinger Bridge 与分支扩散的生成建模新框架 SBNL
一项 arXiv 研究提出基于正向-反向偏微分方程的生成建模框架 SBNL（Schrödinger Bridge NonLinear），将平均场博弈与非线性 Schrödinger 系统的联系重新诠释为生成建模问题。该框架通过基于分支扩散的模拟算法求解，具备高并行性、可扩展到高维，并在 MNIST 和 FFHQ 人脸图像合成任务上完成验证，同时统一了 score-based 生成建模与扩散模型。
arXiv · cs.AIAI 评分3737 RubricOpt：面向偏好优化的语义评分标准自修订框架
RubricOpt 是一个让策略模型在偏好优化中自修订语义评分标准（rubric）的框架：模型诊断自身无评分标准时的输出，修订未覆盖重复失败的条款，并通过确定性门控校验证据引用与语义锚点。修订后的 rubric 在训练中引导 DPO，评估时移除。在能力与开放式生成基准上，rubric 条件化优于普通 DPO，但收益与回退因模型和数据集而异，修订的增量效果喜忧参半。
arXiv · cs.AIAI 评分2727 精确证明：非局域晶体交换谜题的最短 93 步解法
研究者对《Order of the Sinking Star》中一个 11×11 棋盘的晶体交换谜题给出最短解证明：玩家指令可将自身与同行或同列最近的 crystal 交换，十六个 crystal 全部就位时双门开启。论文给出显式 93 条指令解法，并用代价受限的广度优先搜索排除一切更短解，计算保留 605,349,215 个占用集合和 1,863,925,136 个状态，构成一项计算机辅助证明，并附源代码与执行日志。
arXiv · cs.AIAI 评分4141 DPT：通过路径多样性提升大语言模型并行思考能力
一篇 arXiv 论文提出 Diverse Parallel Thinking（DPT），一种面向大语言模型并行思考的强化学习方法，通过惩罚并行思考路径的前缀相似度来奖励模型发展不同的推理策略，缓解 RL 并行思考中推理路径模式坍缩导致的同质化问题。在多个推理 benchmark 上的实验显示，DPT 超越以往并行思考方法，达到 SOTA，代码已开源。
arXiv · cs.AIAI 评分2525 重新思考时间序列预测中的智能体模型编排：FairAMO 受控评估
研究者提出 FairAMO，一种冻结候选预测结果的控制评估协议，用于区分时间序列预测中智能体模型编排（AMO）的真实贡献。在 GIFT-Eval 上的实验显示，AMO 确实提升精度，但增益受候选 TSFM 限制：最佳编排者相对最佳单一 TSFM 的 MASE 仅降低不到 6%，增益主要来自候选模型互补性而非数量，增加成员收益递减，冗余成员甚至可抹去增益，历史证据的价值也很快饱和。该工作已被 NeurIPS 2026 FMTS Workshop 接收。
arXiv · cs.AIAI 评分1515 JEPA 目标对纵向 EHR 有效吗？MIMIC-IV 实验显示不及 MLM
一项基于 MIMIC-IV 的实证研究探讨 JEPA（联合嵌入预测架构）能否用于纵向电子健康记录（EHR）的序列表示学习。结果显示，三种 JEPA 形式均能稳定训练、不出现表示坍塌，但始终不及标准 MLM 预训练；增大目标规模会提高预测误差，但缩小目标规模也无法恢复下游性能，表明稳定的潜空间预测本身不足以支撑有竞争力的 EHR 表示学习。
arXiv · cs.AIAI 评分1515 块扩散用于纵向电子健康记录：精度、效率与表示的权衡
一项研究在 MIMIC-IV 数据集上以相同的 tokenization、上下文长度和模型容量对比块掩码扩散（BD）与自回归模型在纵向 EHR 建模中的表现。B=8 配置实现约 1.43× 更快的推理速度，其表示的线性探针在临床预测任务上与 AR 性能接近。结果表明块扩散是计算上更具吸引力的可行方案，但生成质量仍低于 AR。
arXiv · cs.AIAI 评分4444 DPO 计算图的随机剪枝：1.4x 训练加速与更低的峰值内存
一项 arXiv 研究提出针对 DPO 计算图的随机剪枝统一框架，可独立对评分的响应位置、执行的响应前缀和反向传播的偏好分支进行采样，从而省略训练各阶段的计算。分析刻画了位置与序列剪枝引起的目标变化，并用逆概率加权得到条件无偏的单分支梯度估计器。实验显示分支剪枝相比拼接式 DPO 基线获得 1.426x 步时加速，训练时间较原版 DPO 降低约 30%，均值准确率略降。