AI Agent

Beacon:让多模态大模型学会“看题用工具”,在13个基准上实现真收益

针对这一核心痛点,最新研究提出了多模态推理模型 Beacon 。该研究不仅系统性量化了智能体调用工具的“自适应性”与“真实净收益”,更通过一套包含“必要性感知自适应奖励”与“提示引导能力拓展”的强化学习框架,彻底改变了智能体盲目调用外挂的现状。

CRAFTS:不做端到端代码生成,七角色协同让化工模拟成功率达91.5%

近日提出的 CRAFTS 框架给出了截然不同的解题思路:它彻底摒弃了用单一大模型一步到位编写仿真代码的幻想,而是深度复现了资深化工工程师的分阶段工作流。该框架将建模任务解耦给七个各司其职的角色智能体,并在它们之间设置了不可逾越的确定性工程物理关卡,将松散的自然语言与图像推理收敛为强类型的中间表...

EMBL AI Librarian:告别外置向量库,引文F1提升超16分

面对两端的不平衡,EMBL AI Librarian 提出了一个根本性的架构转向: 不再耗资自建专有向量库,而是把文献数据库本身视作受控的实时外部工具,由一个通用的大语言模型来充当“AI 图书管理员”,在自然语言问题与传统复杂检索接口之间架设一层精细的知识代理层。

FAVA:把Agent权限管控制成可验证图,决策合规率达90.5%!

面对这一困局,研究人员提出了 FAVA (Formal Authorization for Verified Agents)框架。这项工作的核心思想非常明确: 彻底剥离大模型的“语义理解”与“安全决策”,只让大模型解析意图与约束,而将最终的授权交由数学上严格可验证的形式化求解器。

LedgerMind:给多模态推理立结构化账本,破解虚假锚定与过度思考

针对这一痛点,最新研究提出了 LedgerMind ,其核心理念是将多模态智能体的交互轨迹形式化为一个“带溯源约束的状态机”(Provenance-Constrained State Machine)。LedgerMind 不依赖任何微调或参数训练,而是通过运行时机制对多模态推理全流程建立严格...

多智能体辩论MAD最新系统综述!三维框架解构141项核心研究

作者在全景梳理之后,对当前多智能体辩论评测的严谨性提出了极为尖锐的质疑。根据这篇系统综述的统计,辩论在数学推理、常识问答和代码补全等具有客观真实标签(Ground Truth)的任务中,确实表现出了相对稳定的性能增益;然而一旦踏入法律推演、开放式长文本评估、安全风险对齐或多轮协商等非确定性领域。

SIREN:港科大等提出端到端气象预警Agent,实战性能提升近30%

针对 SIREN-Bench 暴露出的业务短板,研究团队提出了 SIREN 框架。该框架的底层逻辑在于:拒绝纯文本口嗨,拒绝缺乏事实依据的盲目推理。整个框架由两大部分构成:高度可交互的执行环境(Agentic Environment )和基于历史经验的智能体驾驭系统(Agent Harness)。

READ:告别Top-K黑盒检索,无嵌入Agent将财报问答提升至58.8%

为此,研究团队提出了一种无须嵌入模型、不依赖向量数据库的全新方案—— READ (Reliable Embedding-free Agentic Document-search)。该方案让大模型 Agent 借助标准化协议,直接利用确定性工具在原始文档中进行结构化导航与按需阅读。

Hybrid-OPD:多领域在策略蒸馏破解对齐税,逻辑推理提升13分

腾讯混元团队在其针对元宝搜索 Agent 的技术报告中系统剖析了该瓶颈,并提出了名为 Hybrid-OPD 的联合训练框架。该方案依托 Hunyuan3 底座,巧妙地将面向自主搜索的智能体强化学习与多领域专家在策略蒸馏(On-Policy Distillation)融为一体。

EcoAgent-Bench:完成任务不等于懂省钱,大模型Agent经济一致性最高仅7.3%

EcoAgent-Bench 并非人工捏造成本玩具题,而是严格基于 GAIA、HotpotQA 和 MuSiQue 等真实数据集改造而来,总计构建了 304 个固化评测任务。每一个任务都不仅包含用户的原始指令,还内置了一个对智能体可见的定价工具环境、严格的预算额度 ,以及评测器可见的基准真值轨迹。

EviSD:仅调节10%动作Token,特权证据自蒸馏破解多轮搜索信用分配

针对这一痛点,最新研究提出了一种名为 EviSD (Evidence-Conditioned Self-Distillation,证据条件自蒸馏)的创新框架。该框架的精妙之处在于:它既不引入昂贵的外部判别模型(Critic),也不在推理阶段增加任何额外开销,更没有推翻原本的强化学习方向。

Gated-BEPO:用置信门控贝尔曼估值重构信用分配,成功率提升14.5%

来自北京航空航天大学、高通公司与中关村实验室的研究团队针对这一痛点,提出了 Gated-BEPO (置信门控贝尔曼策略优化)。该方法在不依赖庞大且难以训练的额外 Critic 网络的前提下,巧妙利用同批次采样的多条交互轨迹构建“经验状态图”(Empirical Rollout Graph)。

PMMC:告别在线硬搜,长周期多模态记忆预编译提升3.2分

为了打破这一僵局,本文提出了一种全新的解决思路: 前瞻性多模态记忆预编译 (Prospective Multimodal Memory Compilation,简称 PMMC )。其核心理念是将原本在提问时才匆忙进行的记忆组织与证据链检索规划,前置到记忆的沉淀整合阶段(Consolidatio...

Web Agent动态路由陷阱:5种策略实测告负,越需要路由反而越学不会

Web:残酷的实验结果显示: 没有一种策略能够稳定地优于“无脑固定在最便宜模式”或“固定在综合表现最好的单一模式” 。哪怕在极少数配置下某项策略在数值上微弱跑赢固定基线,经过多重假设检验校正以及噪声带宽比对后,也均落入了不可信的偶然区间。