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 4232 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22日周四 · 20 条

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.AI一手来源研究

SpecEvo：多LLM推测进化实现低成本科学发现

研究团队提出 SpecEvo 多 LLM 进化框架，通过轻量模型并行探索、顾问模型整合搜索证据、前沿模型在稀疏检查点进行策略干预的「推测-整合」流程，在 176 个科学发现任务上匹配或超越前沿模型基线，API 成本最高降低 80%，并在方程发现任务上提升评估效率、较最强 CO-Bench 基线提升 3.8%。

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

谁验证构建者？面向智能体生成软件的独立保障

该论文指出，当编码智能体同时负责实现软件和编写测试时，通过的测试套件不再构成独立证据，因为测试会成为优化目标，代码、测试和预期输出可能共享同一误解。作者提出将构建平面与保障平面分离的框架，引入验证契约，并分两阶段验证：先做不接触实现的规格优先验证，再做实现感知验证（变异分析、属性测试、模糊测试），最终生成保障报告并将发布决策留给人类。在三个有状态服务上的预注

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.AI一手来源研究

Agent4Sci：前沿智能体能否在真实科学场景中攀登科学高峰？

研究团队提出 Agent4Sci，一个覆盖 11 个科学领域、20 个基准、25 项任务的长期测试平台，用于衡量前沿编程智能体在真实科学机器学习任务上能否超越已发表最优模型。实验显示 Claude Opus、Codex、Gemini CLI 等智能体在所有基准上均取得提升（Claude Opus 平均相对提升 10.4%），但增益主要来自常规 ML 工程技巧

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

VerifierBench：评估LLM智能体生成可执行验证器的基准

该论文提出 VerifierBench，一个用于评估 LLM 智能体生成可执行验证器能力的基准，包含来自六个智能体基准的 222 个任务和 4,993 个隐藏测试用例，并配套六项检查的 Verifier4Verifier 审计流程。在 19 个模型的测试中，归一化平衡准确率仅为 10.6 至 62.1，生成验证器拒绝无效解的能力明显强于接受有效解的能力，大量

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

操纵与否：LLM 交互中的意见动力学

Temple University 的研究者提出一个受控的 LLM–LLM 辩论框架，让两个语言模型角色围绕气候变化归因话题进行 20 轮对话，其中一方被赋予立场并可能被指示去说服对方。研究使用 GPT-6 Luna 和 Gemini 2.5 Flash Lite 组成四种模型配对，同时追踪双方自报立场和对话内行为。结果显示，同模型配对平均缩小意见差距，跨模

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.AI一手来源研究

SSR：通过逐级规模竞速实现智能体 harness 演化

论文提出 Successive Scale Racing（SSR）框架，用于智能体 harness 的自动演化。作者发现，现有方法在扩大演化任务池时性能反而下降，原因是优化过程中证据选择不佳；SSR 通过按质量与覆盖度排序证据组合，并在小算力预算下对候选 harness 进行渐进式竞速筛选来解决该问题。在 SWE-Bench Pro Verified、Dee

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

Fig：自动化多智能体行为诱导器

论文提出 Fig（Finding Interactions in Games），一个面向多智能体系统的自动化行为诱导系统。它接收自然语言描述的目标行为，将其分解为子行为，生成或选择社交博弈游戏，并对游戏引擎、对手、指令和上下文执行单项或组合干预，以诱导合作、欺骗、背叛等行为。在六种测试行为上，模型平均在 45.2% 的回合中尝试目标行为，相比匹配的对照游戏，

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

LLM社会模拟的蝴蝶效应：从架构敏感性到稳健性审计

该论文研究 LLM 社会模拟中的“蝴蝶效应”：局部实现选择（如人格表示、游戏框架、记忆表示）的扰动会通过智能体交互传播，改变集体结果。作者在重复囚徒困境和社交媒体回音室两类模拟中测试四个 LLM 家族，发现仅改变匹配人格的表示即可使 GPT-5.2 的双人合作率变化若干百分点，且多智能体交互会放大或衰减这种敏感性。论文提出 TRAILS 分类框架和 Soci

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

有人在执行卡特尔吗？强化学习在市场中对LLM智能体的教导

该论文提出一种审计方法，通过在市场的反事实副本中强制一名成员作弊，来检验LLM定价与交易智能体是否真正在执行卡特尔（即对背叛行为实施惩罚）。研究发现，经强化学习训练的小型LLM只学到训练对手所奖励的行为，且仅限于它们容易尝试的行为：在自我对弈中学到忽略对手的固定规则，面对惩罚型对手学会被威慑，面对作弊型对手学会跟随降价但从不发起代价高昂的价格战。Q学习器仅在

当日发布

正文结构化主题已通过公开置信门槛

arXiv cs.AI一手来源研究

游戏中的缩放：面向多样虚拟世界具身智能体的持续预训练

该研究对虚拟世界中的具身智能体持续预训练（CPT）进行了受控网格实验，覆盖 0.8B 至 27B 四种模型规模、50 至 1600 小时六档数据预算，以及从仅 Minecraft 到多游戏混合的五种数据配比，共 120 组配置。结果显示：数据量提升语料内表现，多样性改善向相关世界的迁移但对远距离世界增益有限，大模型提升数据效率但在单一世界训练下对远距离世界泛