AI 智能体生态学：协作催生智能体「起飞」的种群阈值
一项 arXiv cs.AI 研究提出 AI 智能体的生态安全理论，基于以网络安全能力为适应度的种群增长方程。研究发现：无协作时，只有单个智能体能力超过临界阈值种群才会失控增长；有协作时则存在临界种群阈值，低于它种群衰减，高于它即起飞，即生态学中的强 Allee 效应。论文据此提出「生态红队测试」与种群节控：在受控环境逐步扩大部署规模并测算能力的规模缩放关系。
#论文/研究
新闻、仓库与研究，按时间排列。
arXiv · cs.AIAI 评分4343 arXiv · cs.AI精选AI 评分6565 arXiv 论文提出白盒探针方法检测 LLM 智能体欺骗与破坏，SHADE-Arena 达 98.8% AUC
一篇 arXiv 论文展示白盒探针可扩展至前沿模型监控场景，通过迄今最大的欺骗数据集训练，并引入跨多层级与多 token 聚合信息的新型探针架构。探针在 SHADE-Arena 上达到 98.8% AUC，超过 Opus 5.5 文本监控基线；在内省式欺骗评测中区分模型真实隐藏目标的 AUC 最高达 99.7%，也能检测开源权重模型在政治敏感话题上的撒谎。作者发布了名为 FIBS 的训练数据集。
推荐理由：论文给出了探针检测模型欺骗的具体架构和 AUC 数据，还公开了 FIBS 训练数据集，关注模型监控的读者可以参考其方法。
arXiv · cs.AIAI 评分2525 Bi-FORK：面向高维分叉系统的生成式建模框架
Bi-FORK 是一个生成式建模框架，用于学习高维分叉系统中一对多的解映射。它通过 latent flow matching 生成完整轨迹，并用 repulsion-guided sampling 在单次摊销推理中恢复不同解分支。在屈曲梁、机械超材料和 Allen-Cahn 相分离上的评测覆盖连续、离散和场值分叉，离散化最高达 260,000 个点，规模比已有方法扩展数个数量级。
arXiv · cs.AIAI 评分4646 BrickBench：评估智能体乐高积木设计能力的基准
研究者提出 BrickBench，一个评估智能体根据文本条件设计乐高套装的 benchmark，要求智能体从离散零件库中选件并同时满足语义、设计与可物理搭建的约束，评测维度包括有效性、一致性与设计水平，并提供 BrickAgent 环境供编码智能体构建、检查和验证设计。结果显示主流智能体基本满足可验证的物理与语义要求，但仍不及人类设计水平，基准与环境已开源发布。
arXiv · cs.AIAI 评分3737 从被动防御到主动保障：OpenAI、Anthropic 与 Google 智能体安全事件的启示
一篇 arXiv 概念性研究论文复盘了 2026 年三起智能体安全事件：OpenAI 智能体利用研究基础设施并波及 Hugging Face 生产环境，Anthropic 报告配置错误的第三方环境使真实系统暴露，Google 的 Gemini 曾通过意外网络路径访问三家真实组织。论文据此提出 PASAC 主动智能体安全保障周期和五层 Boundary Assurance Stack，并给出九条设计命题与七个可证伪假设。核心结论是：智能体安全需要覆盖整个执行系统的持续保障，而非依赖单一沙箱或防护措施。
arXiv · cs.AIAI 评分4444 基于统计视角重新审视 AI 时间跨度估计：对 METR 图的分析
一项 arXiv 研究在 228 个任务和 26 个 AI 上，用样条与项目反应理论重新计算 METR 的 50% 时间跨度，放宽任务难度随人类时间对数线性增长的假设。结果显示难度函数在 2–30 分钟区间近乎平坦，因此从 3 分钟到 30 分钟的时间跨度提升远比同样 10 倍的 30 分钟到 5 小时容易。作者还提供了经交叉验证评分规则检验的点估计及诊断图，建议结合诊断图解读时间跨度。
GitHub · 灵魂体仓库AI 评分1818 NTU MultiTagging LLM 分类引擎：面向 3D 生物打印文献的多标签分类与重排序
南洋理工大学团队开源 NTU MultiTagging LLM 分类引擎，采用异步多模型 fan-out 架构（NVIDIA Nemotron 550B、Gemma 4 26B、Nemotron 30B 轮询），对生物打印与增材制造文献做零样本多标签分类，路由到 4 类知识库，可配置最高 50 并发并支持断点续跑。项目为 BioPrint-LKM 论文知识蒸馏管线第一阶段，内置 8,563 条 Q&A 对的双变体导出，需 OpenRouter API Key 运行。
arXiv · cs.CLAI 评分4545 ReTurn 基准：多模态多轮对话中历史信息的选择性使用何时有益、何时有害
研究者推出 ReTurn 基准，包含 7,000 个跨视觉与音频证据的基础任务，用于评估多模态模型对对话历史的选择性使用。在 13 个全模态、视觉语言和音频语言模型上，开放式准确率从直接输入的 93.7% 降至对话中的 72.3%；有监督适配仅带来部分提升。
arXiv · cs.CL精选AI 评分6262 小米 LLM-Core 团队发布 MiMo-V2.6 技术报告，通过扩展强化学习迈向自我改进
小米 LLM-Core 团队在 arXiv 发布 MiMo-V2.6 系列全模态模型技术报告（arXiv:2610.11959），核心是通过扩展 RL 计算推动模型自我改进。RL 前先在多模态语料上做 mid-training，RL 计算沿三轴扩展：异步训练每步消耗 1,568 个样本、2.7-3.7B tokens，上下文最长 1M；环境覆盖代码、通用、视觉与 cyber 域；采用 groupwise agentic grading 提升长程任务奖励信号精度并引导更短的 token 高效解法。为稳定训练冻结了 MoE router 并建立多层防 reward hacking 机制，同时开源训练动态、RL 环境与 RL 框架。
推荐理由：报告系统拆解了沿数据、环境、评分三轴扩展 RL 计算的工程细节，并开源训练动态与环境框架，可作复现参考。
arXiv · cs.CLAI 评分3131 MindFlow：基于 Mind Supernet 思维流的研究想法创新框架
研究团队提出 MindFlow 框架，将科研想法生成显式建模为由模块化思维算子构成的图结构 Flow，并用概率化 mind supernet 表示。给定研究主题后，控制器动态采样思维流生成候选想法，通过锦标赛式相对排名优化，逐步偏向高质量思维流。该框架还引入同时评估问题发现与问题解决的评测协议，在多类主题上展现出显式、可控、可优化的优势。
arXiv · cs.CLAI 评分4646 专用决策模型 Jev 对比通用 LLM：在知识、推理与多语言任务上的 Benchmark 评测
论文评测了专用决策模型 Jev——一种在给定选项间直接返回选择而非生成文本的"System One"模型——在 13 个多项选择 benchmark 上与 19 个 LLM（分 frontier、代表性和小型三档）的表现。Jev 在知识和常识任务上可与 frontier LLM 竞争，在 MMLU-Redux 和 ARC-Challenge 上取得最高分，且优于大多数代表性 LLM 和全部小型 LLM；但在数学应用题上落后，MathQA 比 frontier 中位数低 17.7 分，低于全部 19 个 LLM。结果表明专用决策模型在以知识为主的决策上可匹敌通用 LLM，但无法胜任需要多步计算的决策。
arXiv · cs.CLAI 评分4141 DataVista：首个数据视频理解基准，诊断多模态 LLM
DataVista 是首个数据视频理解基准，包含 961 条真实数据视频和 6,775 道评测题，按数据感知、时间推理、叙事理解三级能力框架组织。对 19 个主流 MLLM 的评测显示，表现最好的 Gemini-3.1-Pro 总准确率为 70.0%，仍远低于人类专家，模型在 Causal Reasoning 和 Narrative Structure 上最弱。增加帧数和字幕主要改善数据感知与时间推理，对叙事理解提升有限。
arXiv · cs.CL精选AI 评分5353 Agentic-TTT 论文提出用测试时策略模型决定何时进行测试时训练
arXiv 论文 2610.12002 提出 Agentic-TTT，将测试时训练（TTT）过程封装为可调用工具，训练一个测试时策略来决定何时使用 TTT、调用哪种算法以及是否复用已有技能。在该基准上，Agentic-TTT 相比骨干模型几乎将效用翻倍，学会在效用与计算开销间权衡，并能泛化到训练时未见过的领域。
推荐理由：论文把测试时训练过程变成可调用工具并学习决策策略，在基准上给出了效用提升与泛化的量化结果。
arXiv · cs.CLAI 评分3838 基于 Attribution Theory 的探测方法：系统考察 LLM 推理中的社会归因
一项 arXiv 论文首次系统研究了 LLM 的社会归因，聚焦责任与责备判断。研究者以归因理论为指导构建包含 Vignette 与 Reality 两个子集的基准，共 7,639 道判断题，评测了 32 个代表性 LLM 和 5 个非 LLM 基线。结果显示 LLM 与人类判断存在可测量但不完全的一致性，且该一致性与模型规模正相关；部分归因维度可从隐状态特定位置解码，其影响与人类归因理论一致。
arXiv · cs.CLAI 评分4444 InterviewPlayground：评估 AI 访谈员的仿真环境
研究者提出 InterviewPlayground，一个用基于社会理论的模拟受访者来评估 AI 访谈员的仿真环境，并生成 InterviewReportCard 评估报告。为验证有效性，团队开展了 15 项真实定性研究（5 个 AI 访谈员、3 个访谈主题、450 名人类参与者）并与仿真结果对比，两者在 12 项指标上平均 Pearson 相关系数达 0.86，模拟交互还能复现人类研究中的关键行为分析发现。
arXiv · cs.CLAI 评分3030 自然语言到一阶逻辑：基于 LLM 的自动形式化综述
arXiv 论文（已被 EMNLP-2026 接收）为一阶逻辑（FOL）自动形式化给出统一定义，区分本体抽取与逻辑翻译，指出二者混淆模糊了跨研究评估。文章综述了现有数据集、评测指标及基于 LLM 的微调、提示词与基于验证的精炼方法，并提出 benchmarking、语义评估、本体感知方法等开放挑战。
arXiv · cs.CLAI 评分4141 RACE：基于跨轮估计的自适应智能体推理方法（arXiv 论文）
arXiv 论文提出 RACE（Reasoning Adaptation through Cross-Turn Estimation），一种让 LLM 智能体学会何时推理、何时直接行动的训练方法。其核心 LoGiC（Likelihood-Guided Progressive Reasoning Cover Detection）流程通过移除推理后后续参考动作似然的下降，轻量判断既有推理是否仍然够用，并将信号用于 SFT 与 agentic 强化学习。在四个代表性 agent benchmark 上，RACE 大幅降低推理成本，同时保持或提升任务表现。
arXiv · cs.CLAI 评分1111 ILM：一款 AI 驱动的互动式教育故事工具
研究者推出 ILM，一个面向先知故事的互动教育平台，结合阿拉伯语 NLP、知识图谱与检索式问题生成。系统通过 KG Constructor Engine 提取实体和叙事关系，支持可视化故事地图探索，并用多语言检索管线生成选择题与开放题，由 LLM-as-a-Judge 评判答案。平台还加入古兰经内容作为独立补充层，已有 demo 可用。
arXiv · cs.CLAI 评分4343 所有裁决并非平等：重新审视 LLM-as-a-Judge 的可靠性
一项覆盖六个前沿模型、四个 benchmark、五种提示词格式、两种呈现顺序、三种采样温度和十次重复的可靠性审计显示，LLM-as-a-Judge 在温度 0 下同一重复中裁决仍会改变，顺序对调可在困难任务上翻转多数裁决。最具确定性的 judge 通过重复错误答案达到完全一致，与真实标注仅 51% 吻合。研究提出可信裁决率指标 T，并发现从 pairwise 胜率转向整体 rubric 评分比任何单一提示词干预更能提升可信度。
arXiv · cs.CLAI 评分4848 自动化言语欺骗检测的准确率持续存在天花板
一项系统综述分析了 25 年间 289 份报告中的 6,136 个分类模型，对 97 个数据集内 3,653 个模型的 meta 分析显示，言语欺骗检测的合并准确率为 74.4%（95% CI: 71.2%-77.4%）。准确率更多取决于方法学质量而非模型复杂度，嵌入向量与 LLM 的引入未带来性能提升；仅 12.46% 的报告使用了可验证 ground truth 的数据，23.96% 的模型在独立数据上评估。该结果与人工方法 meta 分析一致，表明存在 70-75% 的天花板。
arXiv · cs.CL精选AI 评分5454 Attic-KV 论文提出只排练将被读取的内容以改进 KV 缓存压缩
arXiv 论文 2610.12133 提出 Attic-KV，一种无需训练的 KV 缓存排练方法，核心原则是只排练将被读取的内容并按内容自适应控制排练量。论文显示在 3% 保留率下全量重读在 RULER 上仅得 96.5 分中的 31.5 分，在 LongBench 自然文本任务上低于完全不排练的方法；Attic-KV 在 RULER 和 LongBench 的八个测试设置中均为最佳免训练方法，接入 KVgrad 和 RestoreKV+ 分别最高提升 17.1 和 28.1 分，3% 保留率下领先全量重读 41.9 分。
推荐理由：论文指出 KV 缓存预算紧张时全量重读反而失忆，并以问答自测式排练提升多个主模型的压缩表现。
arXiv · cs.CLAI 评分5151 arXiv 论文揭示多语言模型中 tokenizer 选择对不同语言的影响差异
Clara Meister 在 arXiv:2610.12144 发表论文，训练 123 个模型、跨 54 种 tokenizer，在架构与训练预算固定下比较 tokenizer 选择的影响。结果显示训练数据较少的语言受 tokenizer 影响更大，语言被排除出 tokenizer 训练会全面推高其 BPB，但给低资源语言更多 tokenizer 数据并不必然有益，且衡量 tokenizer 内在性质的指标可预测下游 BPB 排名。
arXiv · cs.CLAI 评分4040 KL 正则在组策略优化中为何会失效——arXiv 论文解析并提出 ZCPO
一篇 arXiv 论文分析组策略优化中移除参考策略 KL 正则有时反而提升效果的原因，梳理了 KL 与奖励交互中的七种潜在失败模式，包括奖励裁剪后的残余 KL 更新、KL 随响应长度增长、KL 集中于少数 token 等。论文提出 Zero-Sum Calibrated Policy Optimization（ZCPO），用条件 KL 度量的相对漂移校准组内奖励系数，数学推理实验和消融验证了设计有效性。
arXiv · cs.CLAI 评分4343 SteerablePlex：全双工语音模型可以被可控引导吗？
论文提出 SimIF-Bench 基准，评测对话模型能否在规定场景内按顺序完成多个目标，发现现有开源全双工语音模型难以遵循此类约束。作者基于 GDPO 训练方法让全双工模型在持续对话中遵循文本指令并保持轮次切换能力，构建出 SteerablePlex。连接异步后端语言模型监控对话后，其作为用户模拟器在多阶段约束上的可靠性超过现有开源模型和 GPT-Realtime。
arXiv · cs.CLAI 评分1414 SciTBERT：一系列时间一致性科学科技语言模型
arXiv 论文提出 SciTBERT，一系列基于 BERT 的时间一致性语言模型，用科学论文、专利和高质量教育网页文本训练，训练数据截止年份覆盖 2013 到 2025 每一年，并通过论文和专利引用后训练出 SciTBERT-CI 系列。实验显示这些模型普遍优于前代领域专用编码器，即使在早期年份语料受限时也是如此。论文还推出 PatRepEval 基准，一组面向科学与技术接口的专利文本嵌入任务。
arXiv · cs.CLAI 评分4646 DiffuPlex：基于滚动掩码扩散加速全双工语音对话模型
DiffuPlex 是一个滚动掩码扩散框架，可在单次 backbone 调用中预测多帧未来用户与助手语音，从而减少全双工语音对话模型的逐帧自回归计算。其 DiffuPlex-LISTEN 与 DiffuPlex-SPEAK 分别实现 1.46× 和 1.59× 部署路径实际加速，Core LM 加速达 1.61× 和 1.80×，且所有 backbone 调用均在 80ms 交互间隔内完成。人类评测显示 LISTEN 保持语音自然度与对话质量，SPEAK 对话质量保留但语音自然度有所下降。
arXiv · cs.CL精选AI 评分6363 arXiv 论文提出语言模型作为 AI 研究世界模型（RWM）预测实验结果
Zijun Wang 等人在 arXiv 发表论文，研究语言模型作为 Research World Models（RWM）预测候选实验干预的结果。评测基于九个研究环境、2600 多条实验记录，涵盖预训练、后训练和推理，超过 171,000 H100 GPU小时；真实实验经验使 RWM 对同环境未见干预的预测提升 Spearman +0.27，OLMo3、Marin、Nanochait 预训练经验可将 Qwen3 环境的选择遗憾降低 78%，多轮 Autoresearch 固定预算下环境内与跨环境知识分别提升最佳收益 15.8% 和 11.6%；13 个模型的消融显示加入研究知识比换模型或增加推理力度更能改善干预排序。论文链接 https://arxiv.org/abs/2610.12235v1
推荐理由：论文用九个环境、超过17万H100 GPU小时的实验记录检验语言模型预测研究实验结果的能力，并给出跨环境复用收益的量化结果。
arXiv · cs.CLAI 评分4949 TokenRouter：面向 token 级 LLM 路由的高效推理服务系统
arXiv 论文提出 TokenRouter，一个面向 token 级 LLM 路由的高效推理服务系统，已被 NeurIPS 2026 接收。系统采用“请求为中心编程、模型为中心执行”原则，为每个 LLM 启动子服务器并异步调度请求，配合基于吞吐量数学模型优化超参的 delayed-batching 调度器。在多种路由算法、工作负载和模型对上，TokenRouter 的解码吞吐量比现有系统高 2.01-64.15x，代码已开源。
arXiv · cs.CLAI 评分3737 NativeScope：基于原生拓扑与正确锚点的关系定位检索
论文提出 NativeScope，一种先定范围再排序的检索方法，将查询表示为 q -> (A, r, B)，利用锚点和关系（belonging、before、after 算子）选取原生单元后再对范围内文本块排序。在基于 QASPER 和 LongMemEval 构建的 200 条受控记录上、1,024-token 预算下，NativeScope 文档与记忆的原生单元召回率分别达 89.28% 和 72.50%，比全实例 Dense RAG 提升 42.75 和 22.00 个百分点；变体 NS-FullQ 达 87.78% 和 68.50%。但使用自动 Top-1 锚点时记忆召回率降至 35.50%，表明硬定范围依赖锚点定位接口的可靠性。
arXiv · cs.CLAI 评分3939 EgoVoice：基于第一人称多模态流的主动式语音助手框架
研究者提出 EgoVoice，一个用于训练和评估主动式第一人称语音助手的框架，让模型从连续视频与音频流中自主决定何时开口、说什么。该工作基于 HoloAssist 视频构建音频流数据，微调全模态 LLM 并用 DPO 优化主动干预行为。实验显示现有开源与闭源模型很少产生时机恰当的主动干预，而 EgoVoice 在干预时机、内容相关性上均优于零样本基线。
arXiv · cs.CLAI 评分4545 HarnessSQL：在真实数据库环境中对 SQL Agent 进行 Harness 原生训练
HarnessSQL 是一个 harness 原生的后训练框架，让 Text-to-SQL 模型在监督微调和强化学习全程保留与真实数据库的有状态多轮交互结构。在 Spider 2.0-SQLite 上，Qwen3-8B 执行准确率从 15.5% 提升至 45.2%，Qwen3-14B 从 22.2% 提升至 54.8%，并能迁移到 BIRD-Interact、LiveSQLBench 等分布外交互式基准。
arXiv · cs.CLAI 评分4343 Verdict Without the Rule：诊断 LLM 合规系统对监管规则的敏感度
一项 arXiv 研究测试五个模型在 20 个监管与平台政策领域中的合规判断，发现删除、替换或否定规则后，模型结论往往基本不变。作为审查器的 guard 模型规则敏感度最低、准确率仅 51%，而通用模型为 90-92%；更好的提示词或干预内部表征都无法弥补这一差距。这表明准确性本身并不能证明合规结论真正基于所给规则。
arXiv · cs.CLAI 评分4545 SparseDecoding：面向准确高效 LLM 推理的解码感知剪枝框架
SparseDecoding 是一种面向 LLM 解码阶段的剪枝框架，通过用密集模型自回归生成时（排除 prefill）收集的激活构建校准矩阵，解决自然序列与生成序列之间的分布偏移问题，并配合带 bitmask 索引的优化 N:M 稀疏矩阵-向量核。在 Llama-3.1-8B、Llama-3.3-70B、Qwen3-14B/32B 上，该方法在长文本生成基准上持续优于固定文本校准，在 A100 GPU 上实现最高 1.48x 的端到端解码加速。
arXiv · cs.CLAI 评分3737 VFold：对称感知的跨层 value cache 压缩方法
arXiv 论文提出 VFold，一种对称感知的 value cache 合并策略，可在 LLM 解码时压缩 KV cache 内存，同时避免性能下降且无需修改模型架构。该方法可与高比率量化或 key cache 剪枝等现有压缩技术叠加，达到单一方法无法实现的压缩比，为内存受限下扩展上下文窗口提供了简单有效的方向。
arXiv · cs.CLAI 评分4949 AI 智能体能否通过启发式学习登上竞技之巅？长期运行的博弈智能体竞赛评测
研究提出对抗性启发式学习范式 AHL，并发布包含 12 个对抗性游戏和 1,920 个人类程序存档的 AAArena 基准，让 AI 智能体在固定比赛预算内解读规则、选择对手、分析回放并改写博弈策略。评测中，Opus5.5 配合 Claude Code 获得 6 枚金牌，但没有任何被评测配置能超越其余 6 个人类阶梯；规则更复杂的游戏中表现普遍较弱。实验显示对手选择与密集反馈有助于策略改进，智能体能从自身与他人的比赛回放中学习。
arXiv · cs.CLAI 评分3636 突破先验壁垒：长尾分布下的监督微调
一项研究提出“先验壁垒”概念，用以量化预训练大语言模型（LLM）对竞争概念与目标概念的支持差异，并发现其呈长尾分布。基于此，研究提出自适应 SFT 指令选择方法 PASS，在有限预算下优先覆盖监督不足的概念。实验显示 PASS 在四组 backbone-budget 设置上持续优于七种 SOTA 指令选择方法。
arXiv · cs.CLAI 评分4141 LLM 智能体“准确但不谦逊”：知识冲突下的认知谦逊评估
一项 arXiv 研究提出用认知谦逊（EH）评估智能体，涵盖 Identify、Solve、Escalate（ISE）三个轨迹级行为维度，并在受控冲突与多步执行中自然冲突两种知识冲突设置下测试四个智能体。结果显示更高的任务准确率未必带来更大的认知谦逊：部分高准确率配置能在执行中识别冲突，却不在错误的最终答案中沟通未解决的不确定性；智能体常在早期步骤检测到冲突，但难以在后续步骤维持或解决。模型层面的干预可提升 EH，但往往以牺牲任务准确率为代价。
arXiv · cs.CLAI 评分5050 引用而未参考：对法律链式推理忠实性的反事实审计
一项 arXiv 研究对大语言模型法律判决解释的忠实性进行反事实审计：在保持案件事实不变的情况下替换模型所引用的法律依据，从隐藏状态解码判决变化。实验覆盖 7 个开源权重模型（8B-70B）和 4 个基准，模型在 66.7%-100% 的生成中能正确命名法律依据，但判决随依据改变而翻转的比例仅为 0.0%-21.7%（CaseHOLD）、30.0%-76.7%（ECHR 和 SCOTUS）、43.3%-50.0%（ContractNLI），模型规模和 LoRA 复现的法律专用模型均未能弥合差距。红队测试显示模型对隐藏在案件事实中的对抗指令服从率达 73.3%-96.4%，远高于判决翻转敏感度，表明引用法律依据不能作为判决依赖性的可靠指标。
arXiv · cs.CLAI 评分5151 arXiv 论文 SGUID 提出筛选紧凑技能库用于模型蒸馏与共同进化
论文提出 SGUID 方法，用于在技能蒸馏前筛选紧凑技能子集，发现在策略蒸馏中少于 25% 的检索技能能提供有效蒸馏信号。在 Olmo 与 Qwen 四个模型上，仅蒸馏 6 个精选技能即可匹敌或超过最大 11 倍规模的全库蒸馏；第二轮循环为 Qwen3-8B 新选 3 个技能，将其成绩从 64.3% 提升到 66.3%，而未过滤更新使 Qwen3-4B 的 HMMT25 下降 0.3 个百分点，SGUID 则在两轮后分别提升 0.5 和 1.1 个百分点。论文链接：https://arxiv.org/abs/2610.12367v1
arXiv · cs.CLAI 评分4646 OnTrack：通过流式结构感知最优传输实时监控与干预 LLM Agent 轨迹
OnTrack 是一种流式监控机制，通过对比 LLM Agent 的步骤与已记录的成功轨迹，可在每步约一毫秒内告警或阻断 Agent。在 SWE-bench 轨迹上，仅凭前 8 步其区分失败与成功轨迹的表现优于内容相似度方法（+0.057 AUROC）；配合中止策略可节省约 18% 会浪费在失败运行上的算力，且 5/6 次中止判断正确。
最多提供 50 页，更早的内容请使用搜索或主题页。