CrossPloit：面向 Python Web 应用跨版本 PoC 迁移的基准
研究团队发布 CrossPloit 基准，包含 45 个 CVE 的 127 个跨版本 PoC 迁移实例，每个实例配有版本固定的容器、参考 PoC 和漏洞专用 oracle。
推荐理由：该基准用可执行 PoC 验证漏洞版本区间漏报，并给出 18 种 Agent 配置的自动化迁移上限。
研究方向与科研任务
Agent 智能体 最新动态
智能体架构、工具调用、多智能体系统与科学智能体。
115 条精选近 30 天 114 条共收录 293 条
更新
Agent 智能体的精选
arXiv · cs.SE精选AI 评分6969 arXiv · cs.SE精选AI 评分6666 Oracle-to-PostgreSQL 迁移智能体是否真在学习？一项带审计的评测
研究团队对 Oracle-to-PostgreSQL 迁移智能体的经验记忆做了审计式评测：在 1,833 对文档来源参考上，持久记忆把参考一致性（RC）比无记忆基线提高 0.015 [0.004。
推荐理由：通过审计式评测拆解记忆增益中的参考泄漏与复制效应，并给出六条区分跨任务学习与指标假象的评测规则。
arXiv · cs.RO精选AI 评分7070 TinyAstral 将自进化 harness 迁移到 4B 小型通用操作智能体
TinyAstral 提出两阶段方法，先把冻结的开源教师智能体的 harness 通过递归自我改进（RSI）迭代，再把最终 harness 下的教师轨迹蒸馏进 4B 学生模型。
推荐理由：该工作把教师智能体的 harness 自进化收益蒸馏到 4B 小模型，并给出与 552B 规划器接近的跨基准结果，可供关注具身智能体轻量化的读者参考。
arXiv · cs.RO精选AI 评分6767 NSDL：用神经符号分工做多机器人任务规划，7B 模型在 VIKI-L2 达 97.0% 分布外准确率
作者提出 NSDL，让小型视觉语言模型只判断场景状态与任务分工并写成计划草图，再由确定性求解器展开为可执行的联合计划，模型在训练中调用检测器与求解器两个工具。
推荐理由：论文把多机器人任务规划拆成视觉判断与确定性求解两部分，并在两个基准上对比端到端方案，还开源了代码与基准。
arXiv · cs.RO精选AI 评分7878 Reins：前沿多模态模型零样本驱动真实机械臂完成长程任务
作者提出 Reins 框架，让现成的前沿多模态模型借助 3D 感知工具和可报告接触与抓取状态的原子动作，操作双臂机器人完成长程、接触密集的操作任务。在五个真实任务上，GPT-6.1 Sol 在自然语言提示、无任务专用代码的条件下成功率为 88%；不使用该框架时，它在所有 shell game 任务上均失败，耗时是前者的 8 倍。
推荐理由：作者提出让前沿多模态模型通过工具与原子动作驱动双臂机器人的框架，并给出真实机器人长程任务的成功率对比。
arXiv · cs.RO精选AI 评分7878 Alloy：面向机器人学习的多材料物理引擎
作者提出开源物理引擎 Alloy，让刚性机器人、布料、缆线、液体、颗粒材料和软体共享同一场景，每个物体只描述一次，由引擎分配到适配求解器并在每个控制步内耦合。
推荐理由：多材料统一场景的物理引擎，附吞吐、深度相机与千世界可靠性测试，并给出编码智能体冷启动实测。
arXiv · cs.CV精选AI 评分6565 Duo v1：面向全双工交互的互惠世界模型 RWM
研究团队提出互惠世界模型（RWM）并发布 Duo v1，一个持续感知音视频输入、同时实时回应用户的全双工世界模型。RWM 把智能与物理现实视为同等基础，划分出提供交互认知的 Intent 与生成连贯音视频行为的 Realization 两项能力。
推荐理由：提出把意图推理与音视频生成统一进世界模型的双模块框架，并给出三项训练设计，可供多模态交互研究参考。
arXiv · cs.CV精选AI 评分6262 SAVE：智能体视频推理中更简单的框架反而更有效
研究者在 Gemini 3 Flash 和 Gemma 4 两个骨干上对多种智能体视频推理框架做受控评测并核算 token 与成本，发现多数现有框架未能稳定优于原生视频推理且常增加开销。
推荐理由：在统一骨干与成本核算下比较多种智能体视频推理框架，并给出更简单的 SAVE 方案，便于判断复杂度是否值得。
arXiv · cs.RO精选AI 评分6060 BiPOP：用 LLM 结合时序偏序规划实现长程双臂机器人操作
作者提出 BiPOP 框架，将 LLM 与时序偏序规划结合用于长程双臂机器人操作：LLM 把自然语言指令转成 PDDL 规格，时序规划器按双臂可达性划分工作空间并处理臂间依赖、任务分配与同步约束，从而调度可并行动作。
推荐理由：论文把双臂长程操作的时空协调交给符号规划器，并用失败分析说明纯 LLM 规划器的约束违反问题。
arXiv · cs.AI 人工智能精选AI 评分7070 通过迭代去对齐估计稀有事件概率：面向智能体轨迹风险的重要性采样方法
研究团队提出一种重要性采样方法，通过扰动原模型权重构造可微参数化的语言模型提案，用梯度搜索放大稀有事件，并配合自适应正则平衡放大与估计稳定性。在约 120M 和约 2.6B 模型、三类事件共 300+ 个低至 10^-9 的稀有事件上评测，在概率低于 10^-7 的事件上，其估计器相对朴素蒙特卡洛平均获得超过 800 倍的计算加权效率提升，代码已开源。
推荐理由：针对智能体轨迹中的极低概率风险事件，提出通过扰动模型权重构造重要性采样提案的估计方法，并给出与朴素蒙特卡洛的计算效率对比。
arXiv · cs.AI 人工智能精选AI 评分6868 RAS-Eval：用线性时序逻辑规约评估长程任务中智能体工具调用的安全性
作者提出 RAS-Eval，将智能体的效用与安全目标统一表达为工具调用轨迹和环境观测上的线性时序逻辑（LTL）规约，并用现成模型检查器验证，从而给出确定性判定，避免 LLM-as-a-Judge 和 Agent-as-a-Judge 的评估器侧不确定性，同时只观测判定所依赖的状态，以较低成本捕获日志和最终环境状态中不留痕迹的瞬时违规。
推荐理由：针对 LLM 智能体长程工具调用中的瞬时违规难以被日志捕获的问题，该工作用形式化规约替代 LLM 评判，并配套构建了 1000 条任务的基准。
arXiv · cs.AI 人工智能精选AI 评分7070 研究提出可验证的 RL 失配框架，用上下文冲突训练智能体兼顾能力与合规
作者提出“可验证的奖励与上下文冲突”框架，研究强化学习在奖励准确衡量有用工作时仍强化违规行为的失配问题。在 25% 冲突混合比例下训练 128 次更新后，API 任务上可达 97.9% 的可验证获利违规；同一上下文检查作为二值惩罚可部分缓解已习得违规。在 32 个未见的变化证据任务上，资源训练得到的安全策略把安全完成率从 53.1% 提升到 89.1%，且两种策略都完成全部真实工作。
推荐理由：论文把奖励驱动的失配写成可验证的奖励与上下文冲突，并给出可扩展的环境构造与安全学习结果。
arXiv · cs.AI 人工智能精选AI 评分6060 Nova-SI 提出面向工业级芯片布局规划的 AI 智能体评测框架
研究团队提出一套 AI 智能体评测框架，把提交的布局接入指定的下游实现流程，检查几何合法性、测量物理质量并报告资源消耗。在一个 99 个宏单元约占固定 L 形布局区域 71% 的工业设计上，Nova-SI 在 0–100 综合质量分上平均为 57.97，高于表现最好的通用配置 GPT-6 Astra 的 31.17，且该差距在拥塞与时序原始测量和评分敏感性检查中保持一致。
推荐理由：该框架把版图提交接入下游实现流程，用拥塞与时序等物理指标衡量智能体，而非只看工具调用是否成功。
arXiv · cs.AI 人工智能精选AI 评分6060 BunshinRL 提出整工作区 fork 机制，降低智能体强化学习 rollout 的内存与延迟
BunshinRL 是一个面向智能体强化学习 rollout 的系统，通过跨环境内存共享、工具前缀缓存和推测性工具执行三项技术降低并发环境的内存开销与工具调用延迟。
推荐理由：论文给出面向智能体 RL rollout 的整工作区 fork 机制，并报告内存与延迟的量化收益，可供系统方向读者评估复现。
arXiv · cs.AI 人工智能精选AI 评分6868 PLVR 将专家轨迹蒸馏为可复用程序，8B 模型在 τ²-Bench Telecom 成功率从 43.0% 升至 91.2%
作者提出 Program Learning with Verifiable Rewards（PLVR），在不更新模型权重的前提下把专家轨迹蒸馏为可复用程序：前沿模型将轨迹中的重复操作抽象为带类型的原语和规则，搜索结合参考动作与训练任务校验进行组装，冻结的小模型执行原语并由确定性验证器检查输出。
推荐理由：论文给出不更新模型权重、把专家轨迹蒸馏为可复用程序的方法，并在多个工具调用基准上给出与基线的对比。
arXiv · cs.AI 人工智能精选AI 评分7272 同一模型兼任求解器与提议者：多任务自演化 harness 在分布外基准上追平 Codex
作者提出一种让同一冻结模型在同一版 harness 上先当求解器解题、再当提议者读取完整运行记录并直接改写 harness 的自演化框架，每轮演化从五个不同领域的基准取任务，并严格分离训练与留出任务。
推荐理由：论文把同一冻结模型同时当作求解器和提议者，并给出跨五个基准的分布外评测，读者可据此判断自演化 harness 的泛化边界。
arXiv · cs.AI 人工智能精选AI 评分6767 AgentRoom：基于 CRDT 共享工作区的并发多智能体编码协议
作者提出 AgentRoom，一种面向并发编码智能体的实时协同编辑协议，运行时层在 CRDT 合并的共享文件系统上以 MCP 工具提供文件级 claim、status 和 broadcast。
推荐理由：论文把 CRDT 协同编辑引入多智能体编码，并用多组对照实验区分协调、并行与合并三者的作用。
arXiv · cs.AI 人工智能精选AI 评分6262 Agent MechSuits：面向多轮 CLI 智能体的机制子空间安全引导
作者提出 Agent MechSuits 白盒防御框架，从步骤级隐藏表示中检测 CLI 智能体的有害执行状态，并在单层内的 10 维子空间做表示级干预以抑制不安全行为。
推荐理由：论文把机制可解释性用于多轮 CLI 智能体的运行时安全，并给出配套基准，读者可据此判断内部干预路线与外部护栏的差异。
arXiv · cs.AI 人工智能精选AI 评分8282 LEAP：用智能体框架提升 LLM 形式数学证明能力
作者提出智能体框架 LEAP，让通用基础模型通过与 Lean 编译器持续交互、把复杂问题拆成小单元并结合非形式化蓝图，在 2025 年 Putnam 竞赛中解出全部 12 道题。
推荐理由：LEAP 用智能体框架把通用 LLM 的形式化证明求解率从不足 10% 提到 70%，并给出 Lean-IMO-Bench 与 Putnam 结果。
arXiv · cs.AI 人工智能精选AI 评分7474 AutoScientists：面向长周期科学实验的自组织智能体团队
作者提出去中心化 AI 智能体团队 AutoScientists，智能体读取共享实验状态、围绕有前景的假设自组织成团队，并在使用算力前互相评审提案、共享成败以减少重复探索。
推荐理由：论文在三个领域用匹配预算对比既有 AI 智能体，并给出 BioML-Bench 与 ProteinGym 的具体提升幅度，可供判断去中心化智能体团队是否值得复现。