不是暴力裁剪Prompt！SkillZip用契约结构实现Agent技能无评测压缩
针对这一困境，研究团队提出了 SkillZip 。该方法完全摒弃了对下游评测任务、环境轨迹和奖励反馈的依赖，将技能视作一种结构严密的“类型化操作契约”（Typed Contract）。
AI AgentAI评测
AGI FRONTIER
AI前沿分享第4页
深度解读 AI 论文，追踪 Agent、推理、多模态与具身智能的最新进展。
PAPER INSIGHTS
更多论文解读
哈工大提出SEE：构建UI转移图，合成平均14.8步移动Agent长轨迹
针对真实复杂界面与超长交互轨迹的数据匮乏困境，哈工大（Harbin Institute of Technology）的研究团队提出了名为 SEE （Structure-aware Exploring & Exploit...
AI Agent
Rollplex：重叠视频前缀与推理，打破多模态RL串行墙提速1.3倍
Rollplex：然而，当工程师们直接把为纯文本 LLM 设计的强化学习运行时架构（如 OpenRLHF、verl、ROLL 等）套用在 VLM 上时，会立刻撞上一堵无形的系统性能墙。
推理多模态&视觉
锁定70年未解常数十分位：普林斯顿等揭秘长程AI数学研究新范式
他们构建了一个异步人机协作的 AI 科研系统，针对自 1953 年由现代代数几何奠基人亚历山大·格罗滕迪克（Alexander Grothendieck）提出以来悬置了 70 余年的经典问题——格罗滕迪克常数（Grot...
基础模型
能预判做错却选不对协作：4181道竞赛题揭示多智能体路由困境
研究表明，大模型在判断“自己是否做错了”这件事上展现出了极高的敏锐度；但在进一步判断“该用哪种协作协议挽救错误才最划算”时，现有的所有路由策略几乎全线受挫。这一不对称现象，给盲目迷信多智能体架构的工业落地敲响了警钟。
AI Agent推理
LOFA：兼顾成交与对话纠偏，京东提出电商Agent在线反馈学习框架
针对这一瓶颈，京东（JD.com）联合中国人民大学提出了名为 LOFA （Learning from Online user Feedback for shopping Agents）的自适应学习框架。
AI Agent
LatticeMind：把冲突消解写入记忆，多智能体决策准确率达到0.97
来自北京邮电大学、上海人工智能实验室、伊利诺伊大学厄巴纳-香槟分校（UIUC）、牛津大学以及中国科学技术大学的研究团队提出了全新视角： 矛盾处理不应该是一个下游的“答案聚合”问题，而必须是一个底层的“记忆写入”问题。基...
知识系统AI Agent
Meta最新发现：大模型多指令崩溃，不是因为互相冲突，而是简单的概率相乘
Meta：这项研究提出了名为“约束饱和评测”（Constraint Saturation Evaluation，简称 CSE）的程序化基准，对包括 GPT、Claude、Gemini、Llama 等 8 大家族共 15...
基础模型
NVIDIA发布JarvisBench：解耦执行与协调，多Agent任务最高提升28.2分
针对这一结构性矛盾，来自 NVIDIA 的研究团队提出了全新理念：必须将“任务执行”与“注意力协调”彻底解耦。他们构想了一个类似《钢铁侠》中 Jarvis 的常驻注意力协调层（Always-on Attention-c...
AI Agent
从表面模仿到意图控制：北航提出UserIDA，用户模拟意图准确率达86.6%
来自北京航空航天大学的研究团队在论文中指出了这一核心痛点，并提出了全新的框架 UserIDA （User Intent-Directive Alignment，用户意图指令对齐）。该工作提出，可控的用户模拟应当将“下一...
基础模型
GALA+：以服务拓扑约束智能体推理，微服务根因定位AC@1提升超25个百分点
多伦多大学（University of Toronto）的研究团队针对上述痛点，提出了专为微服务根因定位与事件响应设计的图增强多智能体框架 GALA+ 。该框架的核心哲学十分务实： 用系统物理依赖图作为 Agent 推...
AI Agent推理
EvoGUI：从轨迹挖掘状态转移探针，28个主流VLM最高得分仅60.4
来自清华大学等机构的研究团队提出了名为 EvoGUI 的诊断型评测框架及其评测集 EvoGUI-Bench 。该研究的核心切入点是： GUI 交互本质上是状态演进敏感（Evolution-Aware）的，Agent 必...
AI评测
EgoCITE：解耦上下文与时序意图，长时第一视角记忆准确率提升14.2%且成本降低36倍
为此，研究团队提出了 EgoCITE 框架，通过上下文增强索引与时间感知检索机制，在 EgoLifeQA、EgoMem 和 EgoR1-Bench 三大基准上取得了 4.4% 至 14.2% 的显著准确率提升，同时相比...
RAG知识系统
DocsChisel：复旦提出自适应工具文档优化，让智能体成功率提升95%
为此，研究团队提出了自适应工具文档优化框架 DocsChisel 。该框架通过分析智能体在实际任务中的失败执行轨迹，在字段级别自适应地对工具文档进行“增、删、改”，从而打破“静态文档通吃所有场景”的固有假设。
AI Agent模型优化
CDB：给循环大模型装上“变速箱”，逼近99%理论加速极限
来自帝国理工学院、慕尼黑工业大学和波茨坦大学等机构的研究团队，首次提出了全流程落地的 连续深度批处理（Continuous Depth Batching, CDB） 系统。
AI理论
Decode-Time Grammars：根除代码幽灵引用，SQL执行匹配率达100%
针对这一根本局限，来自中国科学院计算技术研究所（ICT, CAS）与利兹大学的研究团队提出了 Decode-Time Grammars（解码期语法） ，并实现了端到端系统 gproj 。
基础模型
AITE：英伟达用大模型自主设计无线通信算法，时延降低至1/3.6
近期，来自英伟达（NVIDIA）的研究团队提出了名为 AITE （The AI Telco Engineer）的自动化框架。该框架基于大语言模型（LLM）驱动的进化搜索范式，摆脱了单纯依赖人类直觉或神经网络黑盒的传统开...
基础模型
AdvDex：用对抗学习统一动作空间，10万条人手示教零样本驱动灵巧手
针对这一系列痛点，来自复旦大学、帕西尼感知科技（Paxini Tech）、上海创新研究院、上海交通大学以及浙江大学的研究团队提出了一个统一的视觉-语言-动作（Vision-Language-Action, VLA）框架...
具身智能AI安全
TRIM：削减多达32.9%代码水份，轨迹反事实搜索半数成本逼近最小补丁
为了解决这种长期侵蚀代码库可维护性的隐性冗余，研究人员提出了名为 TRIM （Trajectory-guided Redundancy Identification and Minimization）的算法框架。
AI Agent
ToolGuardian：声明式逻辑锁死Agent工具风险，准入拦截F1达0.86
针对这一困境，研究团队提出了 ToolGuardian 。该框架将 Agent 工具安全重构为一个双阶段的声明式策略问题：在工具进入系统前进行严格的 前置准入审查 （Pre-admission Vetting）。
AI AgentAI安全
给Agent加技能真有用？近6000次实验揭秘“回归税”：59%的新增收益被抹平！
要想走出“加技能反而更不稳定”的怪圈，系统设计者必须改变评测与架构的底层思维。一方面，任何 Agent 评测都必须废除只看净通过率的单一指标，转而全面推行“收益-倒退”配对分解报告。评估一个技能库的优劣，不仅要看它帮谁...
AI Agent
消除转置偏差！2D方块量化破解FP4训练，与BF16差距小于1.3%
为了从根本上拔除这一病灶，研究团队提出了一套基于二维方块（2D Square Block）的 FP4 量化训练框架。通过保证几何结构在转置下的内在不变性，该方法使得张量在反向传播中完美保留前向的缩放因子，彻底消除了前反...
模型训练模型优化
SoG-R1：将图谱多跳搜索内化进8B模型，无需Judge实现CWQ精度新高
来自加拿大高级研究所、麦吉尔大学和 Mila 魁北克人工智能研究所等机构的研究者提出了 Search-on-Graph-R1 （简称 SoG-R1 ）。该方法摒弃了对外部庞大模型和辅助判断模块的依赖，通过“SPARQL...
强化学习推理
SciHazard：高拒答不等于真安全，科研Agent让高危风险提升32.3%
来自上海人工智能实验室（Shanghai Artificial Intelligence Laboratory）的研究团队近期推出了专门针对科学安全风险的全新基准 SciHazard ，并提出了一套解耦式的危害评估框架...
AI安全AI评测