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。
#Agent
新闻、仓库与研究，按时间排列。
arXiv · cs.AIAI 评分4343 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.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2323 反身性阈值：多智能体操演性预测的相变研究
一项 NeurIPS 2026 录用的研究提出“反身性矩阵”$\Gamma$，用于刻画多智能体操演性预测中重复再训练的稳定性。当矩阵谱半径小于 1 时，再训练几何收敛到唯一稳定均衡；越过阈值后，局部信息学习者的期望累计超额损失随时间线性增长。该阈值以上下界刻画了相变行为，并将先前单智能体的标量阈值作为特例恢复。
arXiv · cs.CLAI 评分4747 CATS：面向多智能体系统的对比归因拓扑搜索方法
研究者提出对比归因拓扑搜索方法 CATS，在固定专家智能体超图中通过 LLM 归因器为各智能体分配贡献度，剪除弱边和弱智能体，搜索紧凑团队。使用小开源模型，CATS 在 BigCodeBench 上平均准确率比仅用分数的启发式搜索高 5.3 个百分点，部署 token 减少 54%；在 HotpotQA 提示词投毒测试中三次运行均排除全部被投毒的智能体。
arXiv · cs.CLAI 评分4747 FrameBench-HPS：收益-损失框架效应如何影响 LLM 高风险决策建议
研究者提出 FrameBench-HPS 基准，用覆盖医疗、金融、教育/职业、法律/消费者权益四大领域的 240 个高风险场景构建 2,880 条提示词，测试七个 LLM 在相同概率以收益或损失框架表述时的建议一致性。结果显示 32.4% 的完整组别中推荐类别因框架而改变，且该效应在对话式改写下依然存在。概率规范化处理能大幅降低框架敏感性。
arXiv · cs.CLAI 评分4040 基于 LLM 的外生世界建模用于动态调度（arXiv 论文）
一项 arXiv 研究提出 AWMP（Afterstate World-Model Planning），用预训练 LLM 作为世界模型的外生组件，预测动态调度中的不确定未来任务到达。方法结合 afterstate 分解、信念条件调度策略、短场景 rollout、惊讶触发的 LLM 查询刷新与在线残差自校准。在动态 job-shop 和柔性 job-shop 基准上，相对八种经典优先级调度规则中的最优者，加权延期分别降低 6-21% 和 22-46%。
arXiv · cs.CLAI 评分4848 Signals and Queries：面向 LLM Agent 的省 token 上下文相关性过滤方法
Parlant 4.0 引入轻量级第一阶段的 Signals and Queries（S&Q）相关性过滤器，可在下游评估前剔除至少 30% 候选策略并保持高召回，且每轮无需 LLM 调用。在覆盖 254 个 τ²-bench 对话前缀和 36 条航空公司策略的 9,144 个 LLM-judge 相关性标签上，S&Q 在所有召回水平下的精度均高于 top-K 和余弦阈值检索。该方法为面向客户的 Agent 降低下游评估成本提供了实用的第一级过滤方案。
arXiv · cs.CLAI 评分2828 OACap：面向细节视频描述的“以描述为中心”主动观察方法
研究者提出 OACap（Observation-Adaptive Video Captioner），一个以描述为中心的智能体，将缺失信息转化为定向观察请求，借助时空工具获取证据并迭代校验和修订描述，在通用视频理解基准上使用固定纯文本读取器即可持续提升性能。论文还发布 FSCap-Bench 诊断描述保留的信息，其 CSFS 分数在 93.0-98.3% 的有效描述对上对四种受控扰动响应符合预期，CSRS 分数则通过 video-caption-video-caption 往返度量语义保留度。
arXiv · cs.CLAI 评分3939 LLM 智能体如何达成一致：从个体对话涌现的整体一致性
一项 arXiv 研究分析两个 LLM 在多轮对话中讨论主观议题时如何达成一致。用线性分类器读取单次对话内部激活难以可靠预测外部一致性，但跨对话聚合后发现内部一致性表征通过幂律映射与马尔可夫过程耦合。研究还发现模型改变立场时，外部表达先于内部表征同步变化。
arXiv · cs.CLAI 评分3232 Policy Central：检测已部署警用政策中的冲突、冗余与相似性
Policy Central 是一套已部署系统，用于检测警局书面政策条款之间的冲突、冗余、相似或差异关系。它包含两种架构：Retrieve-Judge 作为低成本全库健康信号，Screen-Confirm 用于审计人员所选文档的穷尽式筛查。在来自某部门约 84 份政策文档的 302 对 benchmark 上，Screen-Confirm 判断环节聚合 recall 达 0.795，Conflict 达 0.885；但难点在于找出待比对段落，Retrieve-Judge 组合 recall 仅 0.457，Screen-Confirm 恢复至 0.472（Conflict 0.615），能在数分钟内以低成本扫描近 20,000 个段落并按需重跑。
arXiv · cs.CLAI 评分4949 BIRD-RL：在状态化数据中心环境中扩展智能体强化学习
BIRD-RL 是一个四阶段智能体强化学习课程，配合 Trajectory-scoped Persistent Execution Infrastructure 实现数据库副本安全复用并保持轨迹隔离，空间效率提升 12.8x，无需 Kubernetes 即可扩展。在 BIRD-CRITIC-SQLite 基准上，7B 和 14B 模型分别取得 44.40% 和 48.00% 的成功率，可与 Claude-Opus-4.6 Agent（48.20%）竞争。该框架还训练出兼具 SQL 调试与生成能力的统一小模型。
arXiv · cs.CLAI 评分4242 DynaWeave：通过动态场景合成学习适应变化环境
研究者提出自动化合成框架 DynaWeave，可将静态任务转化为可验证的动态场景，用 DAG 表示事件依赖并触发外生事件以训练 LLM 智能体。该框架在 36 个环境中收集了 2,095 条经验证的交互轨迹，用于对 Qwen3.5 模型做监督微调。实验显示其在 Gaia2、CostBench 和 ToolMaze 三个基准上均有一致提升，CostBench 任务完成率提高 67.34 个百分点，并在 ToolMaze 上超过 Gemini-3.1-Pro-Preview，代码已开源。
arXiv · cs.CLAI 评分3333 Harness Scaling：面向可泛化智能体强化学习的新扩展维度
一篇 arXiv 论文提出 Harness Scaling，将智能体 RL 的训练从单一固定 harness 扩展到多样化的执行配置。方法上构建因子化的 harness 空间，选取覆盖均衡的小型训练子集并组织跨 harness 训练。在多个 benchmark、模型规模和 RL 算法上，该方法持续提升对未见 white-box 配置的泛化，且能迁移到未见的外部 black-box harness，优于单一复杂 black-box harness 训练的模型。
arXiv · cs.CLAI 评分4444 OmniSimulator：面向真实异构行为建模的小语言模型对齐训练框架
研究者提出 OmniSimulator 训练框架，用五维结构化 schema 和教师模型生成的高质量推理轨迹，提升小语言模型在短视频平台上模拟真实用户行为的能力。该框架基于 200 名真实用户三个月的历史交互轨迹构建了 9,881 条训练实例，使 Qwen3-8B 平均成绩提升 34.33%，性能可与 Claude-Sonnet-4.5 竞争，并支持小规模自托管部署。论文已被 NeurIPS 2026 接收。
arXiv · cs.CLAI 评分3737 RCSD：面向领域特定投机解码的强化学习与持续学习训练框架
RCSD 是一种投机解码训练框架，将 draft 模型优化与最大化接受长度的系统级目标对齐，利用投机推理中自然产生的接受与拒绝序列构建隐式偏好对，并用 masked loss 避免惩罚与 target 对齐的 token。在多个 benchmark 上，RCSD 相比 HASS 将平均接受长度提升 35%，端到端推理速度达 HASS 的 1.35x，且不损失生成质量。
Hugging Face · 趋势模型精选AI 评分6161 
Recursive 发布开放权重 MoE 编码模型 Flint（39.8B 总参数、约 2.5B 激活）
Recursive 在 Hugging Face 开放其面向编码智能体的 MoE 模型 Flint 权重，总参数 39.8B、每 token 激活约 2.5B，Apache 2.0 许可。官方评测中 Terminal-Bench 2.1 得分 54.9%、SWE-bench Pro v2 为 89.7%、SWE-bench Verified 为 74.2%；仓库含 BF16 checkpoint 和 SGLang 部署套件，支持 262,144 token 上下文与 OpenAI 兼容工具调用，单个 B300 或 H200 GPU 即可运行一个副本。
推荐理由：官方模型卡完整给出架构规格、评测设置和单卡部署方法，读者可以据此判断这个编码智能体模型的实际部署成本。
arXiv · cs.AI精选AI 评分5454 Stratified Sparse Attention 论文提出确定性检索结合分数引导采样以缩小极端稀疏下与稠密注意力的差距
Sahil Joshi 等在 arXiv 发布论文，提出 Stratified Sparse Attention（SSA），将确定性检索与分数引导采样结合以缩小稀疏注意力与稠密注意力在极端稀疏下的差距。在 RULER、LongBench、LOFT、AIME 及 3B 至 27B 五个模型上，SSA 均优于基线；RULER-HARD 用 Ministral-3-8B 在 50 倍注意力稀疏下，32K 和 128K 准确率从 81.8% 提至 84.2%、从 63.8% 提至 69.3%，分别恢复稠密注意力性能的 94% 和 85%。优化 CUDA 内核后，1M 上下文解码速度相对 FlashInfer 最高加速 2.96 倍，代码已开源。
推荐理由：论文给出 SSA 在 RULER 等基准和 50 倍稀疏度下的精度与解码加速数据，方法可复用，代码已开源。
arXiv · cs.AIAI 评分1313 MOTION：基于演化用户-位置图社区一致性的人类移动生成框架
研究者提出 MOTION，一个用于社区一致性人类移动生成的多智能体框架，将移动生成形式化为动态用户-位置图生成。该框架由用户 agent、位置 agent 和全局管理 agent 组成，先用 Leiden 算法检测历史移动中的社区并提取社区条件交互先验，再由用户 agent 规划移动、位置 agent 从社区视角推断到达、管理器协调两视角并定向反思修正。在两个真实数据集上，MOTION 在个体轨迹、人口与流量分布、社区与图结构等指标上比基线至少高出 4.05%，代码已开源。
arXiv · cs.AIAI 评分3434 论文主张：AI 涌现的判定应以信息分解为理论基础
一篇入选 NeurIPS 2026 Spotlight 的论文提出，用信息分解作为统一形式框架来操作化 AI 系统中关于涌现与协同的评估。该框架区分组件独有的信息、多组件共享的冗余信息和只有组合才能获得的协同信息，并给出可证伪标准：系统行为只有在携带关于任务结果的协同信息时才可称涌现。论文将这一视角应用于注意力头、自主智能体和人机团队。
arXiv · cs.AIAI 评分5151 Carlo Ciliberto 提出 Proof-Carrying Contracts 框架，用机器可验证证明约束 AI 智能体行为
Carlo Ciliberto 在 arXiv 发布论文，提出 Proof-Carrying Contracts（PC2）框架，要求智能体在执行操作前提交机器可验证的证明，说明该操作在其模型允许的所有情况下都保留约定约束。名为 Airlock 的执行系统负责检验证明并控制访问，论文证明了约束在执行全程每个时刻都成立，即使智能体是对抗性的，并提供可复用能力模块用于构建合约。
arXiv · cs.AIAI 评分2828 OptScientist：自动发现优化定律的新框架
研究者提出 OptScientist，一个从数据中自动发现符号化优化定律的框架，由符号优化问题推断模型和结合文献先验的 LLM 智能体系统组成。在含 99 个物理优化问题的新基准 OptFeynman 上，它对超过 80% 的问题恢复出真实定律，显著优于机器学习、符号方法和 LLM 基线。在人类风险决策与央行货币政策数据上，其发现的定律在留出预测性能上与主流基线相当，且参数更少、token 消耗显著更低。
arXiv · cs.AI精选AI 评分5252 35B MoE 智能体模型 Sage-A1.5 发布技术报告
Wenjie Lou 等人发布 Sage-A1.5 技术报告，这是一个基于 A1 的 35B Mixture-of-Experts 智能体模型，通过自适应能力组合推进长程问题求解。报告提出三项改进：通过任务委派与子智能体隔离上下文并行协作的智能体编排，包含进度检查、证据验证与反思式策略修订的智能体验证，以及超越回答预设问题的开放科学探索能力；模型 checkpoints 已开放。
推荐理由：报告说明了子智能体并行协作、验证与开放科学探索三项改进的设计，适合关注长程智能体任务执行方法的读者。
arXiv · cs.AI精选AI 评分6262 Agent S4 论文提出演化式智能体界面，在 OSWorld V2 达 21.3% 开源 SOTA
论文提出 Agent S4，一种自主计算机使用智能体，从任务经验中构建可演化的智能体界面：元智能体在无成功标签的合成任务轨迹上构建并修订界面与用法知识仓库，再通过基于种群的进化按未见验证任务的表现筛选。在 OSWorld V2 上，Agent S4 搭配 Qwen3.8-27B 与演化界面仓库取得 21.3% binary score，为固定界面同模型的 3.8 倍，高于 GPT-5.5（13.0%）和 Claude Opus 4.8（20.6%），成本约为后两者的 4.3% 和 1.5%；在 ScienceBoard 上同模型成功率从 41.4% 提升至 58.6%。代码已开源。
推荐理由：论文提出让智能体自主演化操作界面，用无标签轨迹和种群进化构建接口库，并给出 OSWorld V2 与成本对比数据。
arXiv · cs.AIAI 评分2525 新诊断框架衡量 AI 生成辩论中价值表达的丰富度与组织方式
一项被 EMNLP 2026 录用的研究提出诊断性指标框架，基于 Schwartz 基本价值理论，从价值表达和价值组织两个维度比较人类参考辩论与 AI 生成辩论。结果显示 LLM 生成的辩论价值表达广泛，激活的价值维度常不少于人类辩论，但组织方式不同，语句层面价值更弥散。
arXiv · cs.AIAI 评分2121 Semantic Observability：面向自主系统诊断的多智能体语义可观测性框架
论文提出 Semantic Observability，一个自主多智能体框架，将分布式微服务的异构日志统一为可查询的属性图数据库。系统通过 Directed Cyclic Graphs（DCGs）编排有状态多智能体，结合因果图算法与时序回溯定位异常影响范围，再由 LLM 推理引擎生成代码级根因分析（RCA）与修复建议。作者从概念上论证该框架可降低 MTTR、压缩 LLM token 消耗并抑制结构性幻觉，并在 LogHub 和 Train-Ticket 基准上指定了开源验证框架。
arXiv · cs.AIAI 评分3131 GBClaw：面向原子尺度晶界研究与机理发现的智能体 AI 框架
研究者提出 GBClaw，一个用于研究一般晶界结构与变形的智能体 AI 框架，将 LLM 与编排器、专用 agent、领域工具、仿真接口和分层记忆整合为模块化架构。该框架应用于镍中 14 个一般非对称倾转晶界，表征了界面缺陷结构并识别出多种变形模式，发现有/无次级晶界失配位错时边界滑移的剪切强度差异显著。
arXiv · cs.CLAI 评分4646 从抽象到行动：用 DSL 解析并执行自然语言抽象指令
一项 arXiv 研究提出用领域专用语言（DSL）作为表示层，帮助语言模型将抽象自然语言指令展开为具体动作。在 Hexagons 任务上，基于人工策划 DSL 的代码生成比直接推理最高提升 10 个绝对 F1 点、达到人类水平，且提升集中在高抽象层级；Text2CAD 基准也验证了这一模式。但模型自行归纳的 DSL 仅能恢复部分增益，跨运行不一致且逊于人工策划版本。
arXiv · cs.CL精选AI 评分5353 Masahiro Kaneko 提出 LLM Agent 持久记忆中的自我强化隐私泄露循环
Masahiro Kaneko 在 arXiv 论文（arXiv:2610.28315）中发现，LLM Agent 在对话中读取持久记忆会引发自我强化的隐私泄露循环。多会话仿真中，带 24 项个人属性的模拟用户与支持类 Agent 对话，四个支持模型里读取记忆既提升回复质量也提高属性被正确推断的比例，且差距随会话扩大，因为记忆条件回复把旧值作为预设带入，用户确认或不纠正使其变成记录值。指示 Agent 不陈述或预设属性可将泄露降到接近无记忆水平并保留大部分质量增益，而过滤或匿名化用户输入或存储内容会损失较多质量。
推荐理由：这篇研究用多会话仿真揭示了带持久记忆的 LLM Agent 中自我强化的隐私泄露循环，并给出在回复端抑制泄露的可行做法。
arXiv · cs.CLAI 评分2929 DeclineCraft：一个联合衡量检索与参数知识的 RAG 弃答基准
研究者推出 DeclineCraft，一个以语料截止后 Minecraft 新特性问题为不可答题、联合衡量检索与参数知识的 RAG 弃答基准，并评估 27 个 LLM 的正确弃答率（CAR）。实验显示：单次检索在 38/40 配置中显著提高 CAR；迭代 RAG 反而在 30/40 配置中降低 CAR（均值 46.4%），答案准确率基本不变（68.5% 至 69.3%）；模型越大回答越准（Spearman ρ = +0.60），但模型规模与发布时间均与 CAR 无显著关联。
arXiv · cs.CL精选AI 评分5757 arXiv 论文提出面向智能体的缓存工程方案与 AKV 推理引擎
论文提出 cache engineering 方案，让 LLM 智能体通过 drop 和 repos 操作直接控制活跃 KV cache，无需修改轨迹或重新 prefill。配套的 AKV 推理引擎提供无状态接口并内部管理缓存复用；工具响应滚动 drop 策略相比阈值触发的摘要方法平均提升基准分 1.7 分、降低成本 27.7%，AKV 实现最高 1.2x 输出吞吐和 1.5x P95 延迟加速。
推荐理由：论文提出让智能体直接操作 KV cache 的缓存工程方案，附带与常规摘要策略的成本和延迟对比数据。
arXiv · cs.CL精选AI 评分5454 R2S：修复教师打分器以改进智能体在线策略蒸馏
arXiv 论文提出 Rollout-to-Scorer Distillation（R2S），指出智能体在线策略蒸馏失败源于 next-token 评分的短视而非复合误差，教师看不到回合结局导致拖延动作通过评分，称之为 rollout-scorer gap。R2S 先从高分歧状态运行教师接管、用共识或 LLM judge 等无奖励检查筛选状态微调教师打分器，再冻结为唯一评分器做标准 OPD，修复与训练全程无需任务奖励。在 3 个环境、2 个教师、4 个学生的全部十二个组合中超过三种 SOTA 方法，平均领先最优基线 12.8 个成功点。
推荐理由：论文指出教师评分短视导致智能体蒸馏失效的根因，给出的无奖励修复方法在十二组实验中均有提升。
arXiv · cs.AIAI 评分3131 S$^2$-MAS：可模拟 5 亿家庭 Persona 智能体的社会规模多智能体仿真框架
研究团队推出社会规模多智能体仿真框架 S$^2$-MAS，基于真实调查数据构建 5 亿合成家庭 persona。其 FinL-mlx 决策模型经 SFT + RLCD 在 293 万样本上训练，在消费金融决策场景中达到 74.55% 准确率和 38.37% question-macro F1，超过 Jev 1.13 和 GLM-5.3-Flash。框架评估了 8 类金融任务族、模拟 1200 万家庭智能体，揭示提高购买目标与授信额度会提升消费且不同年龄与收入群体反应各异。
arXiv · cs.AI精选AI 评分5656 RITE 基准评测电商智能体对静默工具错误的端到端韧性
Wenshuo Zhang 等发布 RITE 基准，评估工具调用型 LLM 智能体在静默工具错误下的端到端韧性，基准基于人工编写的工业工作流与生产日志输入构建。包含 9 个电商工作流、167 个匹配单元，共 501 条静默错误、正确值与显式失败实例。实测 10 个近期 LLM 后发现，静默错误大致使任务成功率减半，且比显式失败更难应对；错误识别、使用验证路径、整合证据构成连续瓶颈。作者还提出轻量 State Checker 干预来测试能否提升韧性。
推荐理由：论文用真实工业工作流构建静默工具错误的端到端评测，给出了 10 个模型的量化对比和可复用的干预思路。
arXiv · cs.AIAI 评分4949 Gradus：从环境潜在课程中发现并恢复 Agent 训练经验
Gradus 是一个无需种子任务的训练课程生成方法，把固定环境视为潜在课程，提取受保护的行为算子并组合成难度递增的任务，且通过执行反馈联合校准任务与解法，使验证成为恢复信号而非末端过滤。使用 Opus 4.5 提案者，该方法将 30B 模型在 τ²-Bench 上从 59% 提升至 89%、CAR-Bench 上从 47% 提升至 83%；换用开源 Qwen3-235B 提案者则分别达到 76% 和 62%。
arXiv · cs.AIAI 评分2121 RELAY：通过规则复用与智能体修复扩展历史构建复原
一项研究针对 14,159 个 OSS-Fuzz 案例分析了历史软件构建的环境退化问题，发现 69.7% 的案例无法完成重建与验证，且多数失败呈现少量重复出现的症状。研究提出 RELAY 框架，用 LLM 从代表性失败中推导并验证确定性修复规则，规则可无需模型调用直接复用，未解决案例再交由逐案智能体处理。评估显示混合方法比单独使用规则或智能体都能恢复更多构建，且成本低于纯智能体方案。
arXiv · cs.AIAI 评分4343 迈向面向 6G 物理层的 Agentic AI：从算法发现到已验证的基带芯片
研究者提出一种 agentic 工作流，让 LLM coding agent 在商用基带 SoC 上实现算法、优化到 agent 自己编写的向量汇编，并在芯片上验证。该流程在 6G4All 平台上的 AI 发现的 OTFS 检测器组合上展示，产出 12 个可在硅片上周期精确运行的内核，优化版本每帧 18k-405k cycles（30-660 μs）；其中依据芯片实测成本生成的新检测器比移植版少 13.9% cycles 且误码率相当。
arXiv · cs.AIAI 评分4040 LatBridge：潜在通信多智能体系统中高效稳定的模型替换方法
arXiv 论文提出 LatBridge，通过共享 Bridge 与共享潜在通信协议下的独立接口，让多智能体系统在替换 agent 模型后复用未变接口、选择匹配的低秩接口并仅训练缺失部分，所有模型保持冻结。在八个小型模型配置上，basic 模式平均准确率达 MATH 14.8%、ALFWorld 下一步动作预测 27.3%。accelerated 模式无需自回归生成即可构建目标输入。
arXiv · cs.AIAI 评分4444 在托管模型上实现隐私保护推理：针对冻结 Qwen3.8-27B 的学习型输入嵌入变换
该 arXiv 论文提出在客户端本地将文本转为向量，并经 55.6M 参数的训练网络变换后，再交给托管方运行冻结的 Qwen3.8-27B 模型，托管方始终收不到文本或 token id。在 1,490 道训练外的 MMLU 问题上，该变换仅损失 1.5 个百分点准确率（80.7% vs. 82.3%），同时 30.1% 的内容 token 经最近邻查找已无法还原为原始 token。
arXiv · cs.AIAI 评分3737 COMPASS：基于能力画像与自适应搜索、选择及工具使用的 LLM 智能体路由
arXiv 论文提出 COMPASS，一种智能体式 LLM 路由方法，由 LLM 依据路由配方通过工具收集性能与成本证据，无需路由专用训练即可选择模型。在 LLMRouterBench 上以 $139.57 达到 69.85% 准确率（对比 RLCascadeRouter 的 69.14%、$180.22）；在 DeepSWE 五折交叉验证下以 $215 达到 78.1%，优于最佳单模型的 74.1%、$500。该方法可通过读取新评测记录适配扩展的模型池，无需更改路由器权重或提示词。