Agent 智能体

技术方向 · 让模型自主规划、调用工具、完成多步任务的技术方向 · 共 4244 条

只展示置信度达到公开门槛且每篇排名前三的主题标签，降低泛化误贴。

10月5日周一 · 18 条

15:48

正文结构化主题已通过公开置信门槛

Hugging Face New and Trending Models一手来源模型发布

OpenAI 发布开源权重模型 gpt-oss-20b

OpenAI 发布开源权重模型系列 gpt-oss，包含 gpt-oss-120b 和 gpt-oss-20b 两个版本，采用 Apache 2.0 许可。gpt-oss-20b 拥有 21B 参数、3.6B 激活参数，可在 16GB 内存内运行，支持可配置推理强度、完整思维链、函数调用、网页浏览和 Python 代码执行等能力。模型使用 harmony 响

14:53

正文结构化主题已通过公开置信门槛

Hugging Face Daily Papers一手来源研究

MotorMind：用通用视觉语言模型实现零样本机器人操作

该论文提出 MotorMind，一种机器人操作框架，将通用视觉语言模型（VLM）提出的中层动作连接到确定性机器人控制与反馈，并具备异步监控和后台记忆更新。无需任务特定策略训练、编码智能体或 SAM3 等额外 grounding 工具，MotorMind 在 LIBERO-PRO 基础套件上达到 66.7% 成功率，扰动下为 53.8%，而此前零样本方法分别最

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.CV一手来源研究

EditHero：长程部件级3D编辑与Vibe建模基准

Alaya Lab 联合东京大学等机构提出 EditHero，一个面向长程部件级 3D 编辑与 vibe modeling 的基准。该基准通过数据引擎在分割后的宿主物体上执行 add、remove、replace、retexture 四种操作并记录 JSON，经人工审核后包含 457 条编辑链、2755 次编辑、252 个物体，每条链最多 30 轮。作者在自

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.SE一手来源研究

复合AI系统可靠性：150起生产事故的故障分类与韧性模式目录

该研究分析了来自开源复合AI项目及匿名企业部署的150份生产事故报告，构建了涵盖检索、生成、工具、编排和集成五类共23种故障模式的分类体系。针对每类故障，作者提出韧性模式并通过受控故障注入实验测量效果：断路器减少89%级联传播，输出质量门在用户受影响前捕获73%的静默退化，组件隔离减少64%爆炸半径。采用三种以上韧性模式的系统相比无结构监控基线将平均恢复时间

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.MA一手来源研究

MACTS-EM：带涌现记忆的多智能体协作时间序列预测

该论文提出 MACTS-EM 框架，将时间序列预测重构为多智能体协作过程，包含领域专用预测智能体、元认知层、涌现记忆机制、多模态上下文整合与对抗鲁棒性组件。在金融市场、气候、能源消耗和疫情传播等场景评估中，其预测准确率提升 8–12%，零样本迁移能力提升 22–27%，机制切换期间韧性提升 16–21%，分布偏移后恢复速度提升 15–18%。作者认为协作式智

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.MA一手来源研究

MIRROR：面向LLM多智能体通信的多路径仲裁完整性

论文提出 MIRROR，一种面向 LLM 多智能体系统（LLM-MAS）通信层的完整性原语，用于防御 Agent-in-the-Middle（AiTM）攻击。MIRROR 将同一规范化载荷复制到多条逻辑路由，仅当严格多数路由报告相同摘要时才接受消息，其安全性完全依赖诚实路由占多数的假设，而非无密钥哈希本身。在 MMLU、HumanEval、MBPP 及 Me

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.SE一手来源研究

WebUIProof：用UI-Agent执行框架评测WebUI代码生成

研究者提出 WebUIProof，一个面向 WebUI 代码生成的执行导向基准，用结构化规格和可执行交互测试替代自由提示与静态检查，覆盖通用 WebUI 与 3D 交互模拟两类任务，共 219 个任务和约 3000 条交互测试。其 UI-agent 执行框架在无头浏览器中通过 plan-act-observe 循环定位 DOM、执行点击/输入等操作并验证断言

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.CL一手来源研究

找到着法不等于赢棋：XiangqiBench 闭环评估 LLM 智能体

研究者提出 XiangqiBench，一个可执行的中国象棋基准，用于闭环评估 LLM 智能体：从 119 个有引擎或仅将军搜索支持的战术残局出发，智能体需执红方对抗引擎防守方并完成将死。研究记录了 12 个前沿 LLM 在两种观察协议下的 8,568 条多轮轨迹，发现三种看似胜任的信号均高估闭环成功率：转换差距（26.1% 走对参考首步但仅 13.9% 获胜

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.SE一手来源研究

SimuVerity：面向工程级 Simulink 模型生成的智能体基准

研究者提出 SimuVerity，一个包含 101 个文本到可执行 Simulink 模型生成任务的基准，覆盖十个工程领域，每个任务配有可执行系统画像和四类原生仿真场景。其分层评估器先检查交付、可执行性与工程合格性，再从准确度、输出质量、机理保真、控制与因果完整性、工况鲁棒性和动态响应六个维度打分。对六个智能体系统的评测中最高总分仅 42.86，交付率、可执

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.MA一手来源研究

FinNextAssist：面向专业金融深度研究助手

研究者提出 FinNextAssist，一个面向专业金融分析的端到端深度研究框架，将研究流程拆分为任务规划、证据编译、推理引擎和报告组装四个阶段，并引入 TabAgent 与 HeteroAgent 两个轻量子代理分别处理跨市场金融表格理解和跨模态异构金融数据解读。论文指出金融领域深度研究代理需满足权威异构数据源整合、专用分析工具以及领域子代理三项要求。在

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.MA一手来源研究

基于LLM智能体的评估器在环MCTS用于蛋白质设计中的基序支架构建

研究提出 ELMS（Evidence-based LLM-guided Monte Carlo Search），一种将评估器置于循环中的蒙特卡洛树搜索框架，用于蛋白质设计中的 motif scaffolding。ELMS 将已评估的支架作为持久搜索状态，由 Critic Agent 诊断局部结构失败、Policy Agent 选择操作算子、motif-loc

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.CL一手来源研究

CUE：面向多轮基准测试的校准用户嵌入

该论文提出 Calibrated User Embeddings (CUE) 框架，用于多轮交互基准测试中的用户模拟器校准。研究发现现有模拟器虽在表面风格上接近人类，但缺乏结果校准，即无法复现真实用户与同一智能体交互时的成功率和失败模式。CUE 通过编码真实会话并采样连续表示，再解码为 persona 命令来引导 LLM 模拟用户，无需训练即可在多个任务上更

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.CV一手来源研究

DeskForge：面向计算机使用代理的桌面环境密集监督

研究者提出 DeskForge，一个可控的 Linux 桌面环境，通过组合真实应用并系统变化应用状态、内容、窗口布局、外观和分辨率，融合截图、无障碍树和窗口几何信息生成密集元素标注。基于此构建了包含 120 万条桌面观测、1.597 亿元素实例的 DeskForge-1M 数据集，并在 20 万条 grounding 样本上微调四个视觉语言模型。结果显示所有