Cloudflare 发布文档抽取模型 Clairic，称比 LLM 更快更便宜
Cloudflare 发布 AI 模型 Clairic，用于从文档中抽取用户指定的字段，已在 Workers AI 上提供预览，开放权重将随后放出。用户给出订单号、发票总额等字段名，模型一次返回对应数值、正确格式与置信度，缺失时返回 null；它不逐 token 生成文本，也能做简单计算和估算。
#Agent
#Agent
今日 0 条The DecoderAI 评分7070 arXiv cs.AI / cs.LG 最新AI 评分6161 HarnessPro 用 Pareto 优化做递归 harness 自改进，兼顾性能与成本
HarnessPro 是一个不需要标注数据的 harness 自改进方法，目标是在提升 Agent 任务表现的同时降低执行成本。它用 LLM 生成的测试评估候选 harness，不依赖标准答案或官方测试；专用 Agent 诊断执行轨迹，按不同的性能成本优先级规划更新，再用归一化加权平方距离选出偏成本、均衡、偏性能三档，对应不同的部署预算。
arXiv cs.AI / cs.LG 最新AI 评分5151 arXiv 论文提出 TSI 层论框架，用上同调刻画多智能体任务的交互障碍
arXiv 论文提出 TSI 层论框架，把多智能体任务的兼容性障碍与系统能力分开刻画，交互复形与容量层的上同调非零即构成结构性签名。15,625 个一阶输入上，全智能体加性原语可精确求解决策与修复，最优成对系统决策 88.80%、仅比 88.79% 的多数类基线多对一个输入，修复率 26.63%。
arXiv cs.AI / cs.LG 最新AI 评分6363 论文提出博弈论框架，让 LLM 无需微调学会反制电话诈骗
该论文把诈骗者与反诈陪聊者的对话建模为双人博弈，用纳什均衡作为评估基准，让 LLM 通过上下文经验学习反制策略而无需微调。在 300 段模拟对话和三种 LLM 架构上，自适应策略选择比非自适应基线更接近纳什均衡，幅度从 28.9% 到 79.7%。作者同时公开代码和 300 段带逐轮策略标签与效用分数的标注数据集，论文已被 ECML PKDD 2026 接收。
arXiv cs.AI / cs.LG 最新AI 评分5959 RefCraft 基准含 300 个视觉参考网页开发任务，最强模型仅得 52.12 分
RefCraft 是一个包含 300 个真实多模态网页开发任务的基准，把自然语言指令与 1 到 5 张参考网页截图放在一起。智能体需要自己挑选并使用这些参考，渲染页面、做视觉检查并迭代修改，评分依靠可独立验证的 keypoints 以及程序化判分和 VLM 裁判。在九个前沿（M）LLM 上最强系统总分只有 52.12（满分 100），说明视觉参考条件下的智能体生成在真实网页开发场景中仍是难题。
arXiv cs.AI / cs.LG 最新精选AI 评分7373 论文提出 WildAWM 管线，用开源模型合成计算机使用智能体的可执行训练环境
论文提出 WildAWM，一个用开源模型合成可控环境与任务、用于训练通用计算机使用智能体（CUA）的流水线。它构建同时支持图形界面、MCP 服务和命令行的可执行环境，并用执行式质量门控配合多智能体采样、交叉评判一致性和反事实探针，保证任务可解、难度足够且验证器可靠。
推荐理由：做 computer-use agent 训练的团队可以复用这套合成管线，批量生成带验证器的长程可执行任务环境。
arXiv cs.AI / cs.LG 最新AI 评分4343 ProteinGeoBench：前沿结构生物学智能体擅长元数据查找，却在几何计算上迷失
ProteinGeoBench 用 131 个蛋白质结构任务评测前沿智能体，结果显示它们元数据检索流利、几何计算不可靠。四个前沿模型中有三个得分落在 0.785–0.816 之间，第四个为 0.707；数值任务只有 28 个，却占所有模型均失败任务的一半。评估配置同样影响排名，每任务只跑一次时 23.9% 的 bootstrap 重采样会把不同模型排到第一。
arXiv cs.AI / cs.LG 最新精选AI 评分6666 同一次仿真不同证据，检索工具输出让 LLM Agent 损失准确率
一项 arXiv 研究用 USGS 地球化学模拟器 PHREEQC 检验工具输出检索对 LLM Agent 准确率的影响，报告长达 846.8k 字符，测试为 158 道执行验证多选题。
推荐理由：做 Agent 上下文管理的团队可以按它的实验方法自查准确率在哪一步流失，再决定是否内联或指认权威输出。
arXiv cs.AI / cs.LG 最新AI 评分5353 AnyGoal 提出世界模型组合泛化基准，现有模型在目标偏移任务上普遍失败
arXiv 论文 AnyGoal 研究世界模型在专家轨迹之外能否泛化，并配套发布一套目标偏移任务基准和开源库。每个任务中单个状态因子与动作都仍在训练支撑范围内，但它们的组合在专家轨迹里出现稀少，用来检验模型能否把熟悉的因素重组为有效动力学。
arXiv cs.AI / cs.LG 最新AI 评分6060 Agima 训练框架让智能体先想象行动后果再决策
研究者提出 Agentic Imagination（Agima）训练框架，用单个 omni 模型先提出动作、生成动作结果的图像，再在这些想象出的未来上推理，决定实际执行哪一步。
arXiv cs.AI / cs.LG 最新AI 评分5959 arXiv 论文提出 PhysRSI-eval，用五轴指标刻画 LLM 策略的物理递归自我改进
这篇 arXiv 技术报告提出 PhysRSI-eval，用首次尝试表现、效率、成功率、预算和失败后的改进五个轴量化物理递归自我改进。作者在固定交互预算下用 18 个操作任务评测多个 VLM，据此提出物理木桶假说，认为不同能力约束改进的不同环节。五轴指标可区分公开榜单平均分接近的系统，高分未必对应更早或更高效的改进；工作区干预实验还显示移除历史会降低后期成功率。
Hacker News · Show HNAI 评分3232 Show HN：AML CYCLE 2，面向智能体长期记忆的评测基准
AML CYCLE 2 是面向智能体长期记忆的评测基准，已在 Show HN 展示。它用于评估智能体在长期记忆方面的表现，当前页面显示 1 分、0 条评论。
TechCrunch · AIAI 评分5656 Microsoft 推出 Guardian Agents 监控企业 AI 智能体，称前沿模型不可信
Microsoft 推出 Guardian Agents，用于监控企业使用的 AI 智能体，属于 6 月发布的 Project Perception。Microsoft Defender 同时新增智能体检测，可识别 Claude Code、Codex、OpenClaw 等最多 60 类员工带入的智能体，并提供数据访问限制、权限动态调整和高风险操作人工审批。
Hacker News · 高分新帖精选AI 评分7878 MiniMax 发布 M3.1 Flash，推理提速近 3 倍、使用成本降低 70%
MiniMax 正式发布 M3.1 Flash，官方称其在线推理速度提升近 3 倍、使用成本降低 70%，面向智能体任务、编码、Computer Use 和网络安全。
推荐理由：做 Agent 与编码自动化的团队可把长链工具调用任务迁到 MiniMax API 的 M3.1 Flash，按每百万 token 输入 $0.15 估算成本。
TechCrunch · AIAI 评分7171 Nvidia 发布 Nemotron 3.5 Super VL 与两款 Bolt 开源权重模型
Nvidia 发布面向企业智能体和端侧计算的开放权重模型，包括 120B 参数的 Nemotron 3.5 Super VL，以及 Nemotron 3.5 Bolt 74B-A9B、Bolt E4B 两款轻量模型。
Hacker News · 高分新帖AI 评分7171 HybridAgents：在潜空间推理、通过文本行动的混合推理智能体
arXiv 论文提出 HybridAgents 混合推理智能体，在统一生成过程中动态切换潜空间推理与文本交互。轻量模块 HybridLink 负责两种模式的转换，连续工作记忆在多次交互中保留无损的混合上下文，潜空间中的思考过程可直接检查，同时保留调用工具的能力。
Hacker News · 高分新帖AI 评分7373 DeepSeek 上线 Search 与 Fetch API，每千次成功请求 0.75 美元
DeepSeek 开放 Search 与 Fetch 两个 JSON API，Search 由自研搜索引擎按查询返回结构化网页结果，Fetch 抓取单个网页并以 Markdown 返回正文，供 Agent 和 RAG 应用获取实时网页内容。
arXiv cs.AI / cs.LG 最新AI 评分5252 推理的单个像素：一句有来源支撑的真话就足以误导 LLM 智能体
arXiv 论文提出单关系攻击（ORA），先定位证据与结论之间的一个隐含前提，再用一句有来源支撑的话把这个前提改写，就能把 LLM 智能体引向错误结论。在生物医学推理和漏洞检测任务上测试 18 个模型，best-of-10 攻击对闭源模型平均翻转 54.9% 原本正确的答案，对开源权重模型为 80.0%。
arXiv cs.AI / cs.LG 最新AI 评分6262 SpriteStage：用渐进式场景编程与回放生成长篇动画
arXiv 论文提出 SpriteStage，一个渐进式场景编程框架，用逐场景生成加引擎重编排来制作长篇动画。每场戏从已验收的世界检查点和叙事快照出发，在共享空间舞台上执行，再依据运行时与视觉反馈修订动作或剧情节点，验收结果成为下一场的起始状态。
arXiv cs.AI / cs.LG 最新AI 评分5858 UVA 方法教代码 Agent 提问时不泄露私有代码
论文提出 utility-verified abstraction（UVA），训练本地代码 Agent 在向云端强模型咨询时用角色和类型描述私有实体，同时保留专家所需的技术细节。
arXiv cs.AI / cs.LG 最新AI 评分5555 RQA 让智能体无需共享奖励也能学会合作
Francesco Morri 提出 Reciprocal Q-Augmentation（RQA），用隐变量对手模型估计自身动作对其他智能体的影响，并据此增强 Q 函数，使智能体仅凭自己的 Q 函数就能同时学到合作与背叛策略。
arXiv cs.AI / cs.LG 最新AI 评分5858 DialogMem 基准：评测 3D 环境中对话与物体绑定的具身记忆
DialogMem 是一个两阶段基准，让智能体用时间对齐的 RGB-D 观测流与对话构建记忆，再用于实例级物体导航和问答。它包含 27 个真实 3D 场景的 142 个 episode、14,193 条 QA 对和 11,890 条导航指令。
arXiv cs.AI / cs.LG 最新AI 评分5353 ReTRACE：面向逆合成规划的反馈引导 LLM 智能体
ReTRACE 是面向逆合成规划的 LLM 智能体，把大语言模型放进整合分子工具、互补单步预测引擎、可采购原料库、路线记忆与多准则路线评估器的化学环境中。它用程序化检查加对抗式 LLM 评审组成的新指标判断路线，并在搜索过程中依据评估器反馈诊断弱路线并回溯修改。
arXiv cs.AI / cs.LG 最新AI 评分5454 研究提出 SEER-Repro 基准与 LLM 智能体，复现 77.4% 的癌症登记研究结论
论文提出 SEER-Repro 基准，包含 20 篇基于美国 SEER 癌症登记数据库的已发表论文，以及复现其结论所需的数据与资源。作者构建的 LLM 智能体复现了 2,190 条原子结论中的 77.4%，并给出可执行基线。另一条智能体分析流水线会识别每项结论背后的分析选择、提出可辩护的替代方案并重跑分析，在完全复现的结论中标记出 9.5% 存在潜在影响的分析选择，交给专家复核。
arXiv cs.AI / cs.LG 最新AI 评分5656 GLOBE 提出面向生成式搜索商品优化的结构化智能体记忆框架
GLOBE 是一个把电商商品优化经验存成可演化行为手册的智能体框架，由 Editor 应用字段级行为并接收排名反馈，Reflector 再把反馈转成行为更新。Moderator 负责剔除冗余提案、Curator 提交采纳的改动，持续有害的行为会被停用。
arXiv cs.AI / cs.LG 最新AI 评分6161 MobileInject：面向 MLLM 移动智能体的跨模态注入安全评测基准
论文提出 MobileInject，一个评估 MLLM 移动智能体多模态注入与推理到行动安全风险的评测基准，覆盖 11 个场景、9 类安全风险和 108 个可执行风险实例。它引入跨模态一致性注入，并给出多角色协作欺骗与推理伪装注入两种增强攻击方法，配套推理安全诊断框架做细粒度失败分析。系统实验显示移动智能体普遍易受多模态注入影响，不少失败源于早期阶段的推理被劫持。
arXiv cs.AI / cs.LG 最新AI 评分5353 论文提出JointCoreBench基准与JointCore方法，用于LLM智能体记忆充分集选择
论文提出JointCoreBench基准和JointCore记忆选择基线，用于在冗余或联合必要证据下为LLM智能体挑出能保持全量记忆行为的低成本子集。基准包含九类交互、六个工作流域和精确充分集oracle；在6912个精确条件上，按成本排序的JointCore在100.0%的情况下恢复最小成本充分集，子集评估次数从30.00降到11.13，节省87.8%活跃记忆。
arXiv cs.AI / cs.LG 最新AI 评分3535 光网络故障排查中的智能体 AI 如何通过数据引用防止数据幻觉
面向光通信网络自动故障排查的智能体 AI 系统通过将数据引用集成到智能体架构中，防止数据幻觉，并提升根因识别与推理的可解释性和可信度。该系统作为 demo 在 ECOC 2026 展示。
arXiv cs.AI / cs.LG 最新AI 评分5555 FLARE：面向馈线恢复的语言模型智能体物理约束评测基准
FLARE 是一个面向配电馈线故障隔离后恢复的物理约束基准，包含五种观测设置下的 800 个 AC 可行案例，允许智能体在固定运行限制内取证、评估开关并执行恢复动作。
arXiv cs.AI / cs.LG 最新AI 评分5757 arXiv 论文提出 token 预算理论，可预测多智能体辩论的最优智能体数量
这篇 arXiv 论文把阅读上下文与推理生成共用一个固定 token 窗口的权衡形式化为 token 预算理论，将准确率建模为扣除阅读开销后剩余推理预算的函数，并用允许相关误差的 Condorcet 陪审团模型聚合投票。
arXiv cs.AI / cs.LG 最新AI 评分4949 KnowGPO：面向搜索智能体的知识分组策略优化
论文提出面向搜索智能体的强化学习框架 KnowGPO，按轨迹已获得的任务相关知识而非表面观测对齐，并以原子知识条件的状态分组进行组内比较。连续步骤间的增量知识增益被用作环境锚定的过程奖励；在 Xbench、BrowseComp-ZH 和 GAIA 上，KnowGPO 比 GRPO、GiGPO、IGPO 提升 3.8 至 4.2 分。其 8B 模型可媲美或超过多数 32B 开源系统，代码已公开。
arXiv cs.AI / cs.LG 最新AI 评分6363 arXiv 论文提出 MPT 市场化后训练框架，让去中心化智能体群体学会自组织
论文提出市场化后训练（MPT），让去中心化智能体群体在训练中同时学习动作策略与自组织协同。智能体通过竞价表达参与意愿，竞价决定谁行动并分配局部训练积分，全程不需要中央协调者。在具身制作、机器人导航和深度研究三项任务上，MPT 优于单体式后训练，推理时群体规模越大性能越好、智能体掉线造成的损失也更小。代码与训练好的模型已公开。
arXiv cs.AI / cs.LG 最新AI 评分5757 研究提出 steering agent 在线纠偏，抑制 LLM 智能体与多智能体系统的目标漂移
arXiv 论文提出一种 steering agent，在任务执行过程中实时监督 LLM 智能体与多智能体系统，发现目标漂移时把系统拉回原定目标。它用低成本快路径判断何时干预、高成本慢路径决定如何干预，两条路径通过强化学习联合训练，结合成对排序目标与 GRPO。
arXiv cs.AI / cs.LG 最新AI 评分4848 Codex 编码智能体如何跨环境改进：scaffolding 的作用
研究在 ARC-AGI-3、AGI Maze 和 Terminal-Bench 上评测基于 Codex 的编码智能体，仅改一条提示词指令即提升前两者平均得分。但该智能体仍低于 ARC-AGI-3 专用参考方案，即便搭配 GPT-5.6-sol；把重置决策交给脚本控制器可追回部分优势。
arXiv cs.AI / cs.LG 最新AI 评分4444 多智能体强化学习中的理性策略合成：面向 PLTL_f 时序目标
针对动态未知的随机多智能体系统，该研究以 PLTL_f 描述每个智能体的概率时序目标，并把 Nash 均衡等解概念作为联合策略约束，以求解理性合成问题。表格型 Nash-Q 学习获得条件收敛保证，同时给出满足性的有限样本置信界，并用近似最佳响应检验策略稳定性。方法在 8 个一般和并发随机博弈上完成了实证验证。
arXiv cs.AI / cs.LG 最新AI 评分6363 LEASH：按潜在不确定性升级并监督 computer-use agent 的免训练框架
LEASH 是一个免训练框架，让弱模型默认执行 computer-use 任务，仅在其潜在不确定性升高时才把控制权交给强模型，交接后继续监督。它复用动作生成时已有的激活值，与历史成功和失败轨迹比对来判断不确定性，无需额外前向或专门训练监控器。
arXiv cs.AI / cs.LG 最新AI 评分5656 X-RIC 提出融合智能体推理的 O-RAN 智能控制器框架与 BARX 评测基准
X-RIC 是把智能体 AI 引入 O-RAN 智能控制器的框架，并配套提出 BARX 评测基准，论文已被 IEEE MASS 2026 接收。它用领域启发式做自动行为克隆以提升样本效率，用基于 Transformer 的 Telecom Language Model 提供可解释的上下文抽象，并在 Near-RT RIC 控制环路内闭环协同自适应。
arXiv cs.AI / cs.LG 最新AI 评分5656 arXiv 论文提出用模型分歧指导弱模型到强模型的路由
这篇 arXiv 论文提出一种不依赖真值监督的弱到强路由方法，用弱模型与强模型之间的分歧作为判据，决定何时把弱模型的回答交给更强模型处理。作者先刻画了在允许弱模型本地多次推理情况下的最优路由策略，再据此推导出基于模型间比较的近似方法，且强模型越接近真值分布，近似越准确。
NVIDIA Blog精选AI 评分7575 NVIDIA 与 Microsoft 发布 RTX Spark 笔记本，并预览 Windows 版 DGX Station
NVIDIA 与 Microsoft 在旧金山活动上宣布，RTX Spark 把完整 NVIDIA AI 栈装进 Windows 笔记本和紧凑台式机，笔记本当日开启预售、10 月 16 日上市，台式机 11 月开卖。
推荐理由：需要离线跑智能体的团队可以在 RTX Spark 笔记本上本地运行 125B 模型，复用 CUDA 栈无需重写代码。
Hugging Face Blog精选AI 评分7474 H 公司发布 Holo4 智能体模型系列，含 27B 稠密版与 35B-A3B MoE 版
H 公司发布 Holo4 系列智能体模型，含 27B 稠密版与 35B-A3B MoE 版，已在 H Models API 上线并在 Hugging Face 开放权重。
推荐理由：业务团队可以用 H Models API 上的 Holo4 27B 跑桌面与 API 混合流程，先替代重复的点击录入。