以可验证工作结果为中心，系统定义工作智能体框架、五大能力族与模型-执行器联合优化评估路径。
Zishan Xu, Enjun Du, Mingqi Gao, Cheng Yang, Junhao Shen, Zirong Chen,...
Agent系统
工作形态分类
智能体综述
模型-执行器联合优化
评估基准
构建意图感知流式视频基准与模型，主动推断、追踪并适应不断演化的用户意图。
Chengzhi Liu, Yuxiang Lai, Yuzhe Yang, Yanqing Liu, Jiheng Hou, Yue Cao,...
主动交互
基准测试
多模态
智能体记忆
流式视频理解
首个可验证的人机闭环交互环境与基准：最强MLLM助手通过率仅41.7%，感知、记忆与通信是主要瓶颈
Qinsi Wang, Wei Wen, Chong Zhou, Saksham Suri, Zechun Liu, Lemeng Wu, Hai...
具身交互环境
可验证奖励
多模态大模型
第一人称AI助手
闭环评测基准
AMBIT 用可执行场景计划统一 FOA 空间音频生成与编辑，并以联合在线自蒸馏同步精炼规划与渲染。
Kam Man Wu, Yu Zhang, Pengjun Fang, Mingfei Chen, Weijia Chen, Zeyue Tian,...
Transfusion
一阶Ambisonics(FOA)
在线自蒸馏(OPSD)
整流流
空间音频
以尺度对齐的3D点云引导与几何对齐多视角记忆注意力，实现大角度相机轨迹下的角色一致视频生成
Lei Cao, Yu Liu, Wenhua Liao, Peng Zhang, Fei Wang, Hao Zhang, Jiajun Le,...
3D几何引导
多视角一致性
扩散模型
相机控制
视频生成
把自由形式工作流合成内化为主智能体的动作，仅训练主智能体即可学会何时及如何协作
Ruhao Liu, Qi Li, Shizun Wang, Xinchao Wang
LLM Agent
多智能体系统
工作流合成
智能体编排
监督微调
把轨迹生成重构为「造可学习的交互」：组合覆盖合成+决策接地监督
Yihao Hu, Zhihao Wen, Yitong Lin, Siyuan Lu, Pan Wang, Wei Wu, Jiang-Ming...
工具调用智能体
数据筛选
有状态多轮任务
监督微调
训练数据合成
五级职业任务阶梯基准：最强智能体仅通过47.7%关卡，反馈修正中位增益5.3pp
Haoyu Zhao, Sitian Tu, Yuxuan Huang, Huichi Zhou, Zhangyue Yin, Jiahao...
LLM智能体
基准测试
持续学习
智能体评测
经验学习
以95个机制任务与双层评分，把 agent harness 作为被测系统评估可靠性并归因失败
Zhiyong Cao, Hengjie Zhu, Yongxin Wang, Xuchen Li, Jintao Li, Shuxia Liu,...
Agent评测基准
Harness可靠性
双层评估框架
失败归因
执行轨迹分析
FORK 用单元级精确率与量表召回的 Fβ 奖励，抑制 rubric RL 的冗长与奖励作弊
Hyun Ryu, Jong-Heon Kim, Yiqing Xie, Seungone Kim, Carolyn Rose, Eunho Yang
LLM-as-a-judge
基于量表的强化学习
奖励作弊
精确率与召回率
非可验证任务
LLM在测试时从累积实验观测归纳因果假设并持续精炼科学原理，指导优化与预测
Dongki Kim, Sangwoo Park, Jinheon Baek, Soyeong Jeong, Sung Ju Hwang
AI for Science
LLM智能体
分子优化
测试时知识构建
科学发现
两级位姿图将分块前馈重建统一为全局一致的相机轨迹与三维几何，无需再训练
Zunnan Xu, Shangchen Zhou, Yihang Luo, Chen Change Loy
3D重建
SLAM
位姿图优化
前馈3D基础模型
回环检测
反向蒸馏加组内设计奖励的两阶段训练，让提示词增强器显式学会光照、构图、版式与细节设计。
Zekai Zhang, Yanran Zhang, Shengming Yin, Yan Shu, Zhening Liu, Bingxuan...
多模态大模型
强化学习
提示词增强
文生图
视觉设计
可执行基准模拟工具生态持续演化，检验智能体能否追踪移动的能力前沿，并提出生态管理器 STEWARD。
Shuofei Qiao, Xuanguang Pan, Yijun Chen, Wendi Feng, Bin Wu, Runnan Fang,...
MCP
基准构建
工具学习
技能进化
持续适应
首个把递归自我改进形式化为策略/偏置/更新函数三层演化的可信性综述，给出证据要求与纵向评估设计。
Jiayue Pu, Ang Gao, Jinyi Bai, Qipeng Wang, Tongyu Wen, Jiahao Zhao, Keyu...
AI安全与可信
LLM智能体
综述
评估方法
递归自我改进
把视角、动作、相机控制统一为注意力空间内的token，5B模型视角切换率达93.8%追平22B模型
Harold Haodong Chen, Rui Peng, Rongjin Guo, Lingteng Qiu, Kejie Qiu, Chao...
交互式世界模型
位置编码
条件控制
注意力机制
流匹配
同一技能让强模型涨31.1分、最弱模型跌8.8分，元技能改写让弱模型从失败证据中稳定自进化
Zhihao Yang, Haojin Wang, Juncheng Wu, Kuan Zhang, Yukun Chen, Run Luo,...
Agent Skills
Harness自我进化
LLM智能体
技能适配
构建双时间线长视频取证基准，揭示AV-LLM感知特征藏取证信号，NFSR实现模态分离定位
Yuesheng Huang, Hoi Fan Au, Jiaqi Hou, Ruicheng Zhang, Jiarui He, Haocheng...
分布外泛化
基准数据集
多模态大模型
深度伪造取证
音视频时序定位
LLM智能体团队自主运营研究闭环，20天造出酒馆战棋模拟器并训练出天梯顶尖AI
Changlian Ma, Limin Wang
LLM智能体
强化学习
游戏AI
炉石传说
自我改进
稳定化Actor-Critic训练配方，提供token级优势与难度感知选题，将RLVR扩展至397B
Shuo Shen, Guangran Cheng, Chengqi Lyu, Xiangsen Wang, Yanan Sun, Wenwei Zhang
Actor-Critic
MoE大模型
PPO/GAE
RLVR
价值函数预训练
编码智能体零样本画图：结构保真超原生文生图，代码可作为可执行的视觉思维语言
Hengguang Zhou, Yuanhao Ban, Jiaqi Feng, Xiaohuan Pei, Justin Cui, Cho-Jui Hsieh
SVG
智能体
视觉推理
视觉生成
评测基准
用动态演化的子目标参考图把轨迹级优势塑形成步级信号，修复GRPO均匀信用分配
Bowen Ding, Mingda Wan, Yuhan Chen, Jiyao Yuan, Qi Zhu, Futing Wang, Heyuan...
GRPO
优势塑形
信用分配
多轮智能体RL
子目标参考图
受控实验表明视觉记忆提升召回与外观连续性，却降低精确率并固化过时外观
Yuzhuo Chen, Huafeng Shi, Xinyu Wang, Yulong Xu, Yucheng Wang, Haoqin Hong,...
因果评估
检索增强
视觉记忆
评测基准
长视频生成
诊断训练与采样引擎间NVFP4数值执行差异，实现稳定高吞吐低比特RL
Zhen Li, Mingfa Feng, Yiming Zhang, Yang Yu, Changhai Zhou, Pengxiang Li,...
MoE
低精度训练
强化学习
系统优化
量化
单次教练调用把多次尝试记录合成为自包含指引，同款模型免训练平均提升约9个百分点
Jiarong Liang, Yubo Wang, Zijie Liu, Yuxuan Zhang, Ping Nie, Wenhu Chen
LLM智能体
成本效率
推理时扩展
智能体评测
生成式聚合
诊断扩散视频模型的几何状态遗忘，并用 delta-token 对齐修复相机运动一致性
Kai Zhu, Yintianrun Zhang, Shuwei Jiang, Ruolin Zuo, Yixin Chen, Duomin...
世界模型
具身智能
可解释性
因果分析
扩散模型
OPTIC 跨层共享量化码，将 PLE 压缩约百倍仍保留 97.8% 性能
Jiacheng Liu, Yaxin Luo, Xiaohan Zhao, Peng Sun, Xinyi Shang, Jiacheng Cui,...
Gemma
LLM推理优化
向量量化
嵌入压缩
模型压缩
首个区分「可推断」与「仅能询问」信息的移动代理个性化基准，暴露执行强、个性化弱的巨大差距
Yuting Ning, Ruijia Cheng, Sushobhan Ghosh, Peitong Duan, HungShi Lin,...
Benchmark
Clarification
Computer-Use Agents
Human-Agent Interaction
Personalization
30个仿真定量实验要求智能体动手操作仪器来求知，最强前沿智能体T0成功率仅43.3%
Hongcheng Gao, Zelin Zheng, Alex Zhou, Jay Zhu, Shijia Ge, Yazhe Wang,...
具身智能
前沿模型评估
基准评测
机器人操作
科学发现
多领域后训练数据策划基准：评测智能体能否让模型在五域同时持续进步
Haojin Wang, Yangzhen Wu, Zeyi Chen, Jian Xie, Jiaying Ye, Lili Meng, Shuyun...
LLM智能体
后训练
基准评测
数据策划
递归自我改进
用3D接地潜动作把异构视频变成共享监督，无需原生动作标签预训练出4B级VLA操作策略
Haoyu Zhao, Xingyue Zhao, Zhian Su, Bohan Hou, Yinzhou Tang, Fengyi Wang,...
3D场景流
VLA
机器人操作
流匹配
潜动作学习
智能体在读取用户反馈前封存声明清单与置信度，大幅减少错误撤回且不漏真实纠错。
Nghi D. Q. Bui
LLM智能体
多轮交互
测试时方法
置信度校准
谄媚效应
依赖感知稀疏解码加DDRA编码，把随机抽帧的解码重建压到每目标至多3帧
Zetian Song, Qize Yu, Yue Chen, Bohan Zhou, Bowen Ping, Yuqi Ye, Haocheng...
数据加载
机器人学习
机器学习系统
视频存储
视频编解码
首个专利审查智能体框架：百万级语料上免标注合成检索轨迹，训练出4B强基线
Qiyao Wang, Xinyi Chen, Hongbo Wang, Jiayuan Lu, Jianhang Li, Minghuan Tan,...
LLM后训练
专利审查
基准评测
智能体搜索
轨迹合成
冻结验收规则、变换初始需求并跟踪执行后果，三链路评测可复用 Web 验证器。
Jingjie Ning, Xueqi Li, Yi Lu, Yibo Kong
Agent Evaluation
Executable Verification
LLM-as-a-Judge
Verifier Benchmark
Web Agents
把条件计算从MLP扩展到注意力，NESTOR以嵌套稀疏超越MoE，算力效率提升1.13–1.29倍
Tianzhe Chu, Druv Pai, Yi Ma
持续学习
架构设计
混合专家 MoE
稀疏注意力
缩放定律
提出RSS分数，识别提示变换下稀疏特征中可复现的表征再分配并量化其对下游读出的影响
Ziye Mei, Haotian Ma
可复现性
安全分类器审计
提示鲁棒性
机制可解释性
稀疏自编码器
系统比较17种验证设计，发现独立critic审查是性价比最高的test-time scaling轴
Zhengxin Zhang, Erkang Zhu, Yin Lin, Claire Cardie, Bolin Ding, Jingren Zhou
Agent Harness
实证研究
测试时扩展
编码智能体
验证与审查
逐项评分仅在重排序器初始化下胜过联合读取，68M紧凑编码器即可超越435M零样本NLI分类器
Tardelli Ronan Coelho Stekel
多选决策
校准与延迟
知识蒸馏
紧凑编码器
零样本分类
模型能跑不等于能干活：开源小模型做编码代理需闯服务、工具、会话、验证四关，且委派并不省钱
Vaibhav Jain
KV缓存
委派经济学
实证系统报告
工具调用
开源权重模型
用555个可执行契约任务，联合评测智能体的结果、轨迹、成本与合规
Monojit Banerjee, Zhujun Lan, Defu Cao
CRM
企业级Agent
基准测试
工具调用
智能体评测
把技能优化流程本身写成技能，让优化器在双循环中既优化任务技能也优化自己。
Wangcheng Tao, Zhanglu Yan, Han Wu, Weng-Fai Wong
Agent Skills
GPU 核优化
元技能自进化
智能体技能
递归自我改进 RSI
幻觉检测分数是检测器与基准的联合属性：本文提出三轴分析框架与 Span Coverage F1
Julia Belikova, Elisei Rykov
span级定位
元研究
大语言模型
幻觉检测
评估指标
首个通过受控分叉模拟程序性幻觉的基准，用流程感知指标度量对话偏离既定流程的程度
Sergio Burdisso, Esaú Villatoro-Tello, Dairazalia Sánchez-Cortés, Yanis...
LLM智能体
基准数据集
对话智能体评估
对话流相似度
程序性幻觉
开源27B视觉语言裁判，单次前向判定机器人操作成败并输出校准概率
Josef Liyanjun Chen
参数高效微调
成功检测
机器人学习
模型校准
视觉语言模型
用能量引导优化隐状态后再生成的能量基础模型，26项任务上超越GPT且扩展更高效
Yuan Pu, Yudong Lu, Ting Wang, Zhicong Hong, Qinuo Li, Xuansheng Wu, Na Zou,...
Scaling Law
大规模预训练
开源模型
能量模型
语言模型
无需训练模型，给LLM装上几何控制外设即可在长程机器人任务上超越VLA与世界动作模型。
Bince Qu, Wei Chen, Bo Zhang
LLM智能体
VLA
世界动作模型
关键点跟踪
具身智能
世界模型仅在预判到陷阱时介入，大幅提升黑盒LLM智能体的任务成功率
Jiongxiao Wang, Han Ding, Youzhi Luo, Yawei Wang, Yun Zhou, Linbo Liu, Panpan Xu
GRPO强化学习
世界模型
推理时引导
陷阱预判
黑盒LLM智能体
证明同等提示与格式下约束解码不降反升性能，并提出格式/有效性/推理三类约束分类
Ngoc Trinh Hung Nguyen, Alonso Silva, Armen Aghasaryan, Mehwish Alam
LLM推理
受约束解码
因果消融
格式控制
理论分析
把并行框解码从四坐标水平框扩展为六槽旋转框，并用诊断协议验证增益来源
Chang Woo Song, Yeong Jun Koh
多模态大模型
并行解码
旋转框定位
视觉定位
遥感