MESA：长程智能体记忆不是全塞或单选，动态剪裁互补结构反超8.5%
针对这一困境，研究团队提出了 MESA （Multi-structure Evidence Selection framework for long-horizon Agent）。
知识系统AI Agent
AGI FRONTIER
AI前沿分享第9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
Mechanist：用AI自主解构AI机制，从跨模态潜意识偏好到DNA精准干预
来自新加坡国立大学、加州大学圣地亚哥分校、浙江大学、南方科技大学等机构的研究团队提出了 Mechanist ，这是首个将 AI 本身作为“科学仪器”，用于全自主探索、解释并干预大模型内部智能机制的 Agent 科学研究系统。
多模态&视觉行业应用
MAP-Graph：相关不等于可用！多智能体共享记忆拦截100%违规读取
针对这一结构性缺陷，这篇研究提出了 MAP-Graph （Provenance-Aware Shared Memory）。其核心思想可以概括为一句话： 检索不等于授权（Retrieval is not authoriz...
知识系统AI Agent
SALT：动作对齐语言，机器人控制成功率从42.7%提升至71.9%
为了解决这一隐蔽的表征瓶颈，本文提出了 SALT （Semantically ALigned action Tokenizer，语义对齐动作分词器）。它打破了传统动作分词器只顾拟合轨迹坐标的范式，通过引入一个冻结的视觉...
具身智能AI安全
KVDiagnosis：近6万次长文本实测，为何分数相近的KV压缩失效点完全不同？
KVDiagnosis：为了让长文本推理在有限的硬件上跑得通，工业界与学术界提出了五花八门、令人眼花缭乱的 KV Cache 压缩算法，涵盖 Token 驱逐、层/头动态分配、通道剪枝、低比特量化以及语义块合并等不同技...
AI评测模型优化
Janus：算法与评估器协同演化，少用59.1%昂贵评测突破科学发现
由百度、上海交通大学、西安交通大学与中关村学院等机构组成的联合研究团队，针对这一长期困扰 AI for Science 的根本瓶颈，提出了名为 Janus 的算法与评估器协同演化框架。
AI评测
上下文越长越好？JHU提出信息丰裕悖论：长窗口训练正在削弱大模型参数记忆
针对这一行业谜题，来自约翰斯·霍普金斯大学（Johns Hopkins University）的研究团队发表了一篇具有颠覆性质的论文，提出了 “信息丰裕悖论”（Information Abundance Paradox） 。
模型训练
GitSkills：首个开源Agent技能全景数据集，380万份SKILL.md揭示大模型生态野蛮生长
GitSkills：就在这套极简规范提出短短 9 个月后，来自英国伦敦大学学院（UCL）、德国霍恩海姆大学与意大利卡利亚里大学的联合研究团队展开了一次全面地毯式普查。结果令人震惊：仅仅在 GitHub 的公开仓库中，就...
AI Agent数据工程
GESTO：以人为中心的时空记忆网络，破解动态场景下的具身推理难题
为了打破空间几何与人类动态行为之间的隔阂，来自 Google Research、马普所（IMPRS-IS）、慕尼黑工大（TUM）、KTH 及斯图加特大学的研究团队联合提出了 GESTO （Grounded Event ...
具身智能知识系统
GeoForge：中科院等提出免微调自进化框架，遥感Agent准确率达77%
来自中国科学院与重庆大学的研究团队提出了 GeoForge ，这是一个 免微调（Training-free）、非参数化自进化的地球观测智能体框架 。该研究的核心转变在于：放弃代价高昂且难以持续迭代的模型权重微调，转而在...
AI Agent推理
DiG-bench：人类通关100%的未知规则游戏，大模型为何卡在主动探索？
来自英国牛津大学、美国普林斯顿大学、麻省理工学院、法国国家信息与自动化研究所（Inria）等多家顶级科研机构的研究团队，针对这一长期被忽视的盲区提出了全新基准： DiG-bench （Discovery in Games）。
基础模型
CTBench：华为等评估电信运维智能体，揭示大模型“答对答案却无证据”
针对这一脱节现状，来自华为技术有限公司与伦敦玛丽女王大学的研究团队提出了专门针对电信网络排障能力的智能体基准评测集 CTBench 。这项包含 234 个由一线电信专家深度构建与验证的任务评测揭示了一个耐人寻味且值得警...
AI Agent
NCP-Bench：长程交互下GPT-5.2存活率仅42%，大模型为何守不住故事设定？
为此，他们提出了 叙事承诺保持 （Narrative Commitment Preservation，简称 NCP）的形式化框架，并构建了包含 100 个基于经典电影情节的环境基准 NCP-Bench 。评测结果揭示了...
AI AgentAI评测
QueryProof：7B规则Agent击败32B，单次正确成本降低71%
研究提出了一个名为 WarehouseReliabilityBench（WRB）的全新评测基准，并设计了一个名为 QueryProof 的 7B 级别分析 Agent。
AI Agent
SpeedRunner：代码化技能学习，推理成本最高降8倍
该研究提出了一种名为 SpeedRunner 的代码化技能归纳框架，通过将轨迹分析本身定义为编码任务，使智能体能够在纯在线（Online）交互中自动提炼、重构高阶可执行代码技能。实验表明，SpeedRunner 在保持...
AI Agent推理
BDH-CQ：摆脱思维链Token，150M小模型以0.07美分刷爆ARC能效比
这一结果直接穿透了此前由各类前沿大模型与递归求解器构建的成本-精度帕累托前沿（Pareto Frontier），在基准测试的经济性与计算效率上立下了新的标杆。理解 BDH-CQ 的核心，在于厘清它如何打破“上下文适应”...
推理
ARAC-Bench：顶会审稿视角评测Auto-Research，最高分仅67.9
针对这一核心断层，来自浙江大学等机构的研究者提出了 ARAC-Bench （Auto-Research's Alignment and Completeness Benchmark）。该基准不再单纯以“最终答案是否匹配...
AI安全AI评测
4D-WAM：给自动驾驶世界模型注入4D几何监督，高难榜单提升3.7分
针对这一根本性断层，来自美的集团、中国科学技术大学、西安交通大学与引望智能的研究团队提出了 4D-WAM 。该工作首次将前沿的几何基础模型作为训练期的离线几何导师，为联合预测的未来视频施加 4D 一致性约束；同时揭示了...
具身智能
MissionBench：大模型掌舵无人机，人类达84%而最强AI仅35%
从地面到天空，具身智能的技术演进并非仅仅多了一个 轴的高度维度，它实质上对大模型的视点自适应选择、连续位姿动态控制和多阶段任务闭环提出了前所未有的严苛要求。MissionBench 的出现，如同一面清晰的棱镜。
AI AgentAI评测
XL-DocBench：当上下文拉长到2303页，百万Token大模型为何最高只拿44分？
为此，XL-DocBench 提出了一套“树引导的由粗到细构建框架”（Tree-Guided Coarse-to-Fine Construction Protocol），在模型自动化提议与人工专业核验之间建立起清晰的分...
基础模型
代码越混乱AI越易受控？Capital One揭秘工作区拓扑攻击：架构竟让注入成功率相差两倍！
为了拨开这层迷雾，研究团队在图 2 所示的评测流中提出了一个极具穿透力的分解公式，将最终的攻击成功率解耦为两个独立子指标的乘积： {% raw %} {% endraw %} 公式中的 代表 可达率（Reachabil...
AI Agent
VRR-Stop：如何防止Agent越修越错？仅需0.72轮让真实正确率提升60.6%
为此，作者提出了专为噪声循环设计的停止框架 VRR-Stop 以及无参数估计保底策略 VRR-Guard。在 GSM8K 压力测试下，VRR-Stop 相比固定五轮修复将最终真实有效性提升了 60.6 个百分点，平均仅...
AI Agent
ICSD：不是信任就该学！Agent强化学习蒸馏将目标冲突率降至37.8%
为此，他们提出了 ICSD（Influence Calibration for Self-Distillation） 。在 7B 模型上，ICSD 将 ALFWorld 成功率提升至 96.1%，WebShop 得分提...
AI Agent强化学习
SlotGuard：告别暴力打码，Agent凭据泄露归零且成功率不崩的新架构
伊利诺伊大学厄巴纳-香槟分校（UIUC）的研究团队提出的 SlotGuard ，试图从根源上打破“要隐私就丧失能力”的零和博弈。该方案在本地运行时与云端模型之间构建了一道极轻量的拦截边界：它既不依赖云端合规承诺，也不搞...
AI Agent