新闻、仓库与研究，按时间排列。
研究者提出 Preference-Behavior Model（PBM），将偏好表示与不完全效用最大化机制结合，通过逆博弈问题从观测选择中联合推断 LLM 的偏好与行为参数。在 Public Goods Game、Collective-Risk Dilemma 和 Common-Pool Resource 三类社会困境中，行为经济学诱导工具估计的偏好无法稳定预测行为，而单一困境拟合的模型在其他困境中仍具预测力。该框架还用于评估 LLM 与 persona 指令的对齐，发现推断偏好总体反映预期优先级，但在不同维度、模型和博弈间存在偏离。
Federico Lucca 发布 arXiv 论文（arXiv:2610.32955），介绍自托管个人收件箱智能体 Foyer 及一套在训练前获得真值的测量协议。基于 739 封真实意大利语/英语邮件，对比生产关键词规则、TF-IDF+逻辑回归基线、typed decision models（Tev1、Nimble、Nimble v4-max）与生成式 LLM（Qwen2.5-7B、Gemma 4 26B/31B），发现约 200 标签下逻辑回归在各字段准确率最高但从不预测最稀有的两类；准确率并非产品指标，最准确的系统组合成动作后最常忽略需行动的邮件（18%），对噪声概率设置成本阈值后可减半并成为最便宜的方案。
一项 arXiv 研究测试了 LLM 智能体观点模拟中的补集一致性：若概率描述的是智能体立场，将命题改写为补集并把 p 替换为 1-p 后，两次报告之和应为 1。但在 Qwen3-4B、Llama-3.2-3B 和 Gemma-3-4B 三个小型开源模型上，Qwen 在 2,304 个智能体状态中的成对报告平均和为 1.18，在 AVeriTeC 的 48 条真实事实核查声明上同样超过 1，偏差是同义改写影响的二至十倍。将答案与其配对补集平均可恢复一致性并降低 Brier loss，但最后一轮仅在三个模型之一上优于原始表述中较好的一方。
J-Comm 是一个无需训练的 LLM 智能体潜空间通信框架，包含 GEAR 几何共识重加权模块和 H+J 双通道通信接口，接收方无需共享 KV cache 或相同模型宽度即可利用发送方的中间计算。在 Qwen3-8B 到 Qwen3-4B 的通信中，J-Comm 在七个 benchmark 上取得最高平均分，包括 MATH500 94.80%、GPQA-Diamond 54.55%、AIME2024+2025 73.33%；相比 TextMAS 提升 1.29-8.59 个百分点，生成 token 减少 19.2-74.8%。
一篇 arXiv 论文提出面向多智能体系统的企业 RAG 知识层，在检索前先组织知识。其七智能体逆向工程流水线处理 18 个服务的 241 个代码库，通过工件级本体、稀疏元数据注册表和超图导航，让查询解析到工件标识符从而约束向量搜索，实现结构性消歧。该层一周内建成，支持根因分析并解决 100+ 生产缺陷，定位 35 次发布回归失败。
论文提出 Frontier-OPD，一种面向多轮智能体的在线策略蒸馏方法，通过学生学习前沿定位既有挑战性又可在短暂教师引导后自主延续的决策情境。方法将经验组织为共享状态轨迹图，用轨迹平衡聚合识别干预候选并过滤教师引导。在 ALFWorld、WebShop 和 ScienceWorld 上的实验显示，其平均自主性能高于所对比的蒸馏基线；在某个 ALFWorld 计时设置下，额外采集成本被更快达到目标成功率所抵消。
研究者提出一条从公开网页构建医院软件客户与集成关系知识图谱的流水线，要求每条边都必须有源页面的逐字引用支持。流水线对 61 个供应商达到 0.94 precision 和 0.71 recall；基于五个模型调用对九项标准投票构建的置信度分数在同等 recall 下达到 0.90 precision。该方法用有界的模型调用、字符串匹配证据和投票机制应对长上下文退化与运行间方差。
研究者提出 Agentic Hazard Mapper，一个多智能体系统，通过模拟专业制图工作流程与迭代设计权衡，自动化生成适配不同数据、地点和灾害情境的灾害风险地图。用户研究与专家访谈显示，系统生成的地图提升了参与者的空间理解与疏散规划表现，降低了工作量感知和任务完成时间，且总体上比市政地图更受青睐。
一项 arXiv 研究以迭代囚徒困境（IPD）为框架，考察开源权重 LLM 在双体交互及同质、异质网络中的合作行为。结果显示，合作高度依赖模型组合与细微语言变化：与同款模型合作的模型在混合群体中可能转向背叛，一个简单的不确定性提示即可改变合作率并影响数跳之外的未暴露 Agent，甚至颠倒动作标签顺序也会显著改变行为。这表明合作并非稳定的模型级属性，而取决于交互对象、网络位置与决策措辞。
研究者提出一种智能体的本体引导知识图谱构建框架，由 LLM 从论文中抽取带文本证据的三元组并经多阶段校验对齐本体。在 1,000 条三元组的一致性研究中，Gemini-2.5-flash 与三位人类标注者的 Cohen's κ 为 0.640–0.700，达到人与人 0.616–0.689 的水平。框架应用于 2,000 篇论文，构建了含 133,990 节点、755,308 关系的气候科学 KG，验证后三元组 98.96% 被判定正确，代码与图谱已公开。
一项针对一家工业机器人编程中小企业的案例研究发现，AI 智能体基本没有提升工程师生产力，唯一例外是生成高度重复代码的任务。但随着工程师学会使用智能体、智能体被适配到领域，效果逐步改善，且使用智能体的成败更取决于 AI 经验而非机器人工程经验。研究表明 AI 智能体并非即插即用方案，企业需培训工程师、预留学习曲线时间，且生产力研究应采用纵向设计。
arXiv 论文研究 LLM 智能体在蛋白质口袋中优化配体时，能否把历史探测产生的编辑经验通过经验库迁移到从未见过的口袋。以编辑位点的接触、动作和轮次作为 key 查询 CrossDocked2020 测试集口袋的日志，经验库能清晰区分改善与恶化编辑，但可迁移的信号主要描述编辑本身及生成的分子，而非靶点；直接指明靶点可带来数倍更清晰的区分。在此表示与查找方案下，经验库更适合为智能体自身的候选分子排定对接优先级，而非直接规定要构建什么。
论文提出 MCP-Injector，一个可插入的协议感知故障注入中间件，其故障模型基于对 1,774 个开源 MCP 仓库中 57,240 条 issue 与 PR 的挖掘。在跨两个 gpt-oss 骨干（20B、120B）和三种 Agent 框架的 1,350 组实验中，故障导致任务完成分从 8.08 降到 3.23（满分 10），且 120B 在故障下保留的无故障得分比例与 20B 无显著差异（p = 0.96），故障下完成率甚至更低（91.1% vs 95.6%）。作者认为框架级错误处理比模型规模更重要，建议将协议感知故障注入作为能力基准之外的补充评测维度。论文已被 NeurIPS 2026 接收为 poster。
推荐理由：论文提出对 MCP 工具调用路径做故障注入的评测方法，并给出模型规模与容错关系的实测数据。
arXiv:2610.32483 提出评测 LLM Agent 执行框架（harness）与底层模型交互的框架，包含有效完成率（VCR）、Model-Harness Fit、Cross-Model Fit、交互残差和 Token Load 五项指标。研究在 6 个基准上评测 OpenCode、Codex CLI、Pi CLI、DeepAgents 四个框架与四个核心模型，加上两组原生固定组合，共 111 个评测设置、52,168 条轨迹；结果显示框架排名随模型和基准变化，OpenCode 跨模型表现第一，DeepSeek V4 Flash Preview 在共享四基准上保持较高的 Mean VCR。
推荐理由：论文把 Agent 拆成模型与执行框架两部分联合评测，给出五项指标和 52,168 条轨迹的实测，可帮助读者理解框架排名为何随模型和基准而变。
研究者提出 CauProphet，一种能在因果认知中形成并持续更新因果知识的 LLM 智能体，每个任务将因果知识与当前证据结合构建 Causal Belief 用于决策。在金融研究任务中，其与次日收益的平均秩相关性较基线智能体提升 25.4%，动态真实场景预测准确率从 21.3% 提高到 28.6%。实验还验证了它在科学和日常任务中的可靠因果分析与行动选择能力。
研究团队提出 Poseidon，一个从科学代码仓库自动生成多样化、可验证训练环境的流水线，同等仓库预算下比先前方法多提取近 10 倍环境，涵盖 Reproduction、Subflow、Completion、Correction 四类任务。由此构建的 Pearl 包含来自 7,110 个公开仓库、横跨 10 个学科的 97,659 个可执行可验证环境，是迄今最大、覆盖面最广的科学智能体训练环境集合。Qwen3.5 模型（9B、27B、35B-A3B）在 Pearl 上训练后在六项科学智能体基准上均取得一致提升。
研究者提出 CoRPS-Dial，一个可控双智能体框架，通过画像驱动的患者智能体与流程引导的医生智能体交互，并结合事后质量控制，合成诊前医疗对话。在冠心病场景实验中，其合成对话在信息覆盖、临床合规和自然度上更贴近真实对话；下游微调实验也验证了生成数据的实用性。
SCI-AGENT-EXAM 是一个面向科研工作流的智能体评测基准，包含 120 个专家标注任务，覆盖 11 个科学领域和 7 种研究任务类型。它采用程序化验证与经校准的 LLM 评审相结合的混合评估协议，并对执行轨迹的进展与稳定性进行分析。对 10 个前沿 LLM 智能体的实验显示，GPT-6 Astra 以 80.9 的总分领先，但仅 26.0% 的运行超过 0.95 成功阈值。
研究者提出 ProfileSim，一个面向金融营销外呼的场景化用户模拟框架，联合建模用户画像（人口属性与大五人格）和业务画像，基于真实语音对话数据微调，并用 GRPO 配合对话与话语两级分层奖励优化。搭配集成 SOP 约束与 RAG 的客服 Agent，ProfileSim 在口语自然度和用户画像一致性上最优，生成的话语更短且业务合规度相当，可支持意图识别训练、Agent 评测与冷启动部署。
Async-RBench 是一个面向 LLM Agent 异步任务执行的基准，包含覆盖八个场景的 200 个可执行任务，并通过场景控制器与 Event Response Contract（ERC）规范结果处理，同时以 Dynamic Replanning Score（DRS）独立于任务成功率进行评分。对九个 Agent 的评测显示 DRS 得分为 19.2 到 45.1，且异步交付下任务成功率平均为 26.0%，低于批量交付的 29.7%；对其中三个 Agent 在每次收到结果后重建计划的提示策略仅带来 2.6 到 3.5 分的 DRS 提升。
研究者提出 ANT-A Benchmark，覆盖 7 个跨领域、跨模态数据集，每个实例含任务专属标注指南和 5 个独立人类标签，并用 Fleiss kappa 评估模型标注与人类标注分布的一致性。配套的 ANT-OR 多智能体框架从正负反馈中蒸馏对比决策规则来优化提示词，agreement@>=2 准确率比较强基线高 4.5 分，与人类标注分布的 Fleiss kappa 差距在 2 分以内。代码和基准已开源。
LeafSkill 提出一种外部复用层，通过语义检索落地经验、将动作模板绑定到当前对象与可执行动作，并使用轻量 1.7B 选择器为递归 LLM Agent 选择动作。在 200 个 Robotouille 任务上完成 137 个，超过 ReCAP 的 121 个（68.5% vs. 60.5%），并在两者均完成的 106 个任务上减少 Qwen3.5-27B token 消耗 14.42%、调用次数 14.08%。技能保持在模型参数之外，冻结选择器可采纳 97.34% 的未见技能类型。
DealsFlow 是一个部署于英国早期基金的人机协同智能体框架，让 LLM 阅读创业公司融资材料并引用证据评分，通过阶段化佐证上限（78/70/60 分）、只降不升的怀疑者调用和预取证据模式抑制评分虚高。在 142 笔三年以上 SEIS/EIS 投资上，其评分与总价值倍数的 Spearman ρ=0.45、识别减记的 AUC 0.71，优于无约束 LLM 的 0.38 和 0.68；20 份申请的试点中分析师单件耗时从 44.7 降至 18.9 分钟，但 70% 的报告仍需至少一处修正。
arXiv 论文 2610.32370 提出一个物理可控的多模态智能体，用于非平稳响应下科学仪器的逐shot调参，包含符号物理量提取、两层记忆加 MLLM 生成动作、独立动作可行性检查三个可审计组件。在 EXL-50U 四个平台的 455 shots 按时间顺序回放中，物理符号比波形图像的 macro-F1 高 0.21-0.32，检索上下文使与历史动作方向的一致率提升 22.4-42.7 个百分点；在五个离子源的监督运行中，409 次 executed shots 的束提取率达 86.80%。
推荐理由：论文用可审计的多模态智能体在真实聚变装置上做仪器调参，给出了消融数据和监督运行成功率，方法可迁移到类似非平稳控制场景。
arXiv 论文提出 RIVER 框架，将多智能体 LLM 交互的输出分解为原子声明，从收敛、探索、保留三个维度评估信息动态。研究在 40 个新闻生成受控案例上评估五种交互策略，发现反复汇聚式交互促进收敛但缩小信息空间，分布式接力则产生更广、共享更少的信息。结果表明集体信息动态更适合用信息流机制而非下游性能来解释。
arXiv 论文 2610.32322 提出测量 LLM Agent 技能内化的新方法，用于公共技能库的技能退役。现有规则只比较有无技能的增益，无法区分技能已被内化和模型与技能都不具备能力的 uncovered 状态。新方法隐去技能后在由技能合成的任务上打分，并需另一模型从该技能获益时才采信高分。在 SkillsBench 上，31 项退役中 28 项依赖未通过的探针，按未辅助得分退役无可检测的奖励损失，判定一致性 Cohen's kappa 0.42 高于增益规则的 0.23。作者发布 1251 个技能及四个模型下的任务与逐项得分。
arXiv 论文 DMAIC-Bench（arXiv:2610.32305）提出评测 LLM 智能体自我克制能力的基准，用 97 个种子任务、覆盖四个行业 15 个工业案例，基于 Lean Six Sigma 的显式统计前提构建，配反事实变体以区分合理停止与盲目停止。对六家提供商 13 个模型的实测显示，GO 决策路由准确率平均 92%，NO-GO 决策仅 19%；盲测专家评审估计 11 个被审计智能体的报告在 47% 的 NO-GO 决策点上基于无效证据行动，区间 31% 至 61%。论文含 54 页 14 图，代码与数据已公开。
推荐理由：论文用反事实变体把自我克制从任务完成度里拆出来测，给出 GO/NO-GO 路由准确率的量化差距，可作为评估智能体决策的新方法参考。
论文提出 SWE-Shift，一个评估编码智能体在任务执行中途遭遇代码、依赖或需求变更时表现的基准，包含 120 个场景、12 类变更族，并在 9 个干预位置评测。17 个编码智能体系统的 Shifted 成绩均低于 Clean 基线，GPT-6 Astra 从 67.35% 降至 24.79%，配对成功率 20.34%；工具/会话变更与过期证据在所有系统上配对成功率为零。论文地址 https://arxiv.org/abs/2610.32196v1
推荐理由：这个基准专门测任务执行中途环境被改动时的表现，17 个系统的成绩都下降，暴露了保留已有工作与刷新证据的短板。
研究者提出 DIVA，一种免训练的 LLM 信息获取方法，让模型基于证据的决策价值决定何时查询、何时停止，避免为无法改变决策的"检查"付费。其变体 DIVA-U 进一步考虑 LLM 对证据影响概率估计的不确定性。在 4 个领域、20 个 LLM 上，DIVA-U 的 regret 低于所有 LLM 基线；在各检查可靠性已知的合成场景中，DIVA 将最佳基线的 regret 降低 75%。
论文报道了在北海道大学医院封闭网络内部署的临床支持智能体平台 LLENS，使用 8 块 NVIDIA H200 GPU 与开放权重模型 Kimi K2.6（约 1 万亿参数），自 2026 年 9 月 14 日起在医院网络运行。Kimi K2.6 从 3 个候选中选出，在 2026 年日本医师执照考试模拟中得 480/500 分；在 180 道基于医院文档的问题上，交互式工具访问准确率 97.2%，高于固定检索的 81.3%（差距 15.9 个百分点，95% CI 10.9-21.3）。
推荐理由：在医院封闭网络内部署开源大模型智能体的完整实测，对比了三种检索方式的准确率，方法可迁移到其他内网场景。
一项预注册的受控研究发现，声明式动画规范并非生成 LLM 交互式解释的更廉价方案。测试涵盖三个 Claude 模型（360 个任务）与 Qwen3-14B（240 个任务），规范输出虽短 25-48% token，但推理开启时仅最大 Claude 模型总输出显著下降，且无模型生成显著更快。可靠性方面，自由代码一轮修复后 95-100% 有效，而 Qwen3-14B 的规范仅 33% 有效、17% 通过全部语义测试。
研究提出 silver-evidence demonstrations，用 LLM 生成的目标条件证据摘要替换 ICL 示例中的原始检索段落，以过滤长噪声上下文中的干扰信息。在 EI 2.0、SciFact、合成政策检索和 HICRIC/IMR 四个数据集上，该方法在三个数据集上超过等规模的纯 gold ICL，在所有有标注数据集上提升证据 F1，并在四个数据集上的平均标签准确率均高于 InstructRAG 式 ICL。
一项 arXiv 研究测试了 LLM 在同时收到国家身份与语言身份线索时的文化价值表现。在 World Values Survey 选择题探测中，语言线索对答案的影响约为显式国家线索的三倍，但方向偏离对应国家的分布；在 160 万条开放式回答中，点名国家能弥合 30-44% 与模型自身回答的差距。研究认为国家与语言线索应作为不同信号分别评估，而非可互换的文化代理。
研究者推出 CoWriter，一种主动式智能体写作方案，将认知科学中的人类专家合著方法引入人-LLM 协同写作全流程。探索性用户研究显示，相比标准 LLM 基线，用户的智能体成功互动多 2.2 倍，表达个人观点和文档掌控感更强，外部评审认为成文更具叙事等“人味”特质。
一项对话系统研究用 bandit 策略控制可选观点与用户的距离，并比较标量立场打分与 Perspectivized Stance Vectors（将立场拆分到概念层面）。被试间实验（N=63）显示，概念级立场带来更多样的观点曝光和更广的立场覆盖，但不改变用户论证观点的深度或复述准确度。分析还发现，用户在“某一方未表态”的概念上复述观点最不准确，而非双方分歧的概念上。
研究者提出一种强化学习方法，同时奖励用户模拟器对复杂任务意图的遵循与对话行为的自然性，并以轻量判别器在对抗循环中定义自然度。其发布的 UserLM-2.0 在 46.2% 的对话中同时满足任务忠实与自然双重标准，是此前最强用户模拟器（14.1%）的 3 倍以上。
论文提出用 LLM 智能体作为语料调试器审计多语言数据管线，通过只读、有预算的 API 探索语料并将发现编译成可执行测试，再由母语者验证。在 FineWeb2 的 26.5M 文档斯洛伐克语子集上，三次运行各花费 $2.21-$2.84，共发现四个现象的七项问题，最大的是 1,408,437 篇（5.32%）通过管线过滤的机器生成内容农场；盲测支持 7 项中的 6 项（缺陷率 .53-1.00 对随机对照的 .08）。编译后的测试套件 0.7 秒即可扫全语料无需 GPU，而单次 LLM 分类需 $12k-$90k；最佳静态采样基线以不到一半成本验证了比任何智能体运行更多的选择器。
推荐理由：论文把 LLM 当语料调试器用一次而非逐条分类，并对比静态采样基线的成本与效果，方法对比值得数据质量工作者参考。
一篇 arXiv 论文提出 Conservative Meta-Agent Search（CMAS），将元智能体架构搜索形式化为带切换成本与硬风险约束的序贯现任替换问题，并配套引入 MetaInvest-Bench 模拟器用于评测元层级泛化。在 96 个金融流上，CMAS 将归一化平均 surrogate 动态预言机 regret 从 0.116 降至 0.104，held-out 效用从 0.44 提升至 0.48，每次更新的错误晋升率为 3.4%（名义目标 5%）。其部署推理成本低约 6%，但含搜索的 token 成本为对比方法中最高。
一篇 arXiv 论文提出 Adaptive Skill Granularity 框架，将编码智能体的技能粒度作为基于任务结构、执行状态和宏技能失败的动作抽象策略来控制，系统由基于特征的粒度控制器和有限状态恢复执行器组成。在采用验证器定义成功、总成本及宏采用率、失败恢复、路由匹配等过程指标的确定性编码智能体协议中，运行时路由与显式的宏到微恢复比固定粒度执行更稳健，可恢复固定执行无法解决的受控宏失败。作者据此主张技能库应被视为可控、可验证、可恢复的执行抽象。
arXiv 一项研究显示，经强化学习后训练的 Qwen3-8B 小型开源模型可完成以往依赖 Claude、ChatGPT 等专有模型驱动的工具选择功能，在 ToolBench 上超越 Llama-4-Maverick（402B）。该模型可直接迁移到不同检索器，并能泛化到不同领域的新工具库。