论文研究工具型语言智能体的"选择性撤回"能力：在证据变化或授权撤销时暂停受影响动作、保留有效工作。用 Qwen2.5-3B 的四个 LoRA 检查点在合成环境 NAQD-Env 上做监督微调对比，发现微调后决策一致性与撤回召回率显著优于基线，但存在规则级失败（如错误撤回、禁止组合收窄不足）。贡献在于提出检测聚合指标掩盖的规则级退化的方法。

#agent #llm

已过时译

大模型arXiv cs.AI4 天前

Recursive Reward Improvement via Adversarial Meta-Prompt Evolution

提出 RRI（递归奖励改进）方法，用对抗性元提示演化监督模型自写评分标准：先让对手模型写出钻空子的答案，再让同一模型写诚实答案，通过最多两步修复使诚实答案胜出，并将发现的漏洞反馈到后续任务生成。在 HealthBench Professional 上较基线提升 10.9-12.4 分，且无需外部模型，显著改善开放式专家任务的自改进效果。

#llm #self-improvement

已过时译

大模型arXiv cs.AI4 天前

MSP: Modality Self-Play for Training Multimodal LLMs Without Paired Cross-Modal Data

提出 MSP 模态自博弈训练框架，用代理文本描述作为语义桥梁，让多模态大模型无需成对跨模态数据即可实现零样本模态组合与推理，在多模态基准上达到领先或竞争性表现，降低了对昂贵对齐数据的依赖。

#multimodal #llm

已过时译

AgentarXiv cs.AI4 天前

StepSafe: Learning Timely Intervention with Context-Aware Safety Reasoning

StepSafe 提出 ASPO 训练框架，将智能体安全护栏从轨迹级事后评估转为步级实时干预，通过前缀阶段对齐与自适应反馈自蒸馏，让模型判断风险何时累积到足以介入。在五个智能体安全基准上，4B 模型取得开源护栏最优的 Youden's J 53.0，兼顾安全与效用。

#agent #safety

已过时译

大模型arXiv cs.AI4 天前

LEV: Thinking Fast and Deep with Looped Decision Models

LEV 是一种循环决策模型，通过重复运行层而非生成 token 来加深推理，单次前向即可对选项打分。同一权重下精度随循环深度提升，2.6B 模型在 JevBench 上从深度1的63.2%升至深度4的76.2%，并用小型停止器按需分配深度，节省15%-24%算力。

#llm #reasoning

已过时译

AgentarXiv cs.AI4 天前

SkillNEO: Non-Elitist Evolutionary Optimization of Agent Skills

SkillNEO 提出非精英式进化优化方法，用于 LLM 智能体的技能迭代：允许低分版本继续被编辑，通过对比相关版本在同一任务上的表现，识别需保留的有效步骤与待修复的失败点，并可回溯修订旧版本。在 86 个 SkillsBench 任务上，将 GPT-5.4 Mini 平均奖励从 49.1% 提升至 66.4%，且生成的技能可迁移提升更强模型。

#agent #llm

已过时译

大模型arXiv cs.AI4 天前

Confidence-Calibrated Inference Expansion for Evaluator-Guided Test-Time Reasoning

该论文将评估器引导的推理建模为计算感知的三动作控制器（信任答案、回退、继续扩展），通过预测答案成功率与基于 rollout 的续推成功率来打分，并显式计入算力成本。方法学习并校准动作级置信度，在宽度扩展与修订任务上提升效用，同时将在线算力分别降低约 30% 和 16%。

#llm #reasoning

已过时译

大模型arXiv cs.AI4 天前

Open-world AI: a Tale of Three Requirements

论文提出开放世界AI的三项要求：推理时学习、丰富表征、预测性解耦，并预测需要一致的内学习器与长上下文。在8B语言模型上验证：满足要求的模型随相关任务数据积累而提升，其余则退化，规模与层交错无法修复。

#open-world #llm

已过时译

AgentarXiv cs.AI4 天前

ARIA: Runtime Inspection and Amendment for Multi-Agent Systems

ARIA 提出面向 LLM 多智能体系统的运行时检查与修正框架，将执行验证过的修复转化为可复用监督数据，训练小模型在任务执行中途识别错误并介入修正，避免事后诊断或反复重跑。构建了首个大规模失败轨迹与验证修复配对数据集（3953 对），可跨框架与宿主模型泛化。

#multi-agent #llm

已过时译

大模型arXiv cs.AI4 天前

L2G-SR: Learning to Guide LLM-based Symbolic Regression

L2G-SR 提出用学习到的结构验证器引导基于 LLM 的符号回归搜索，利用树编辑距离构建结构监督信号，弥补纯数值误差偏好近似解而非正确结构的问题。在 LLM-SRBench 上取得数值拟合、方程级准确率和 TED 的最优结果，展示了结构引导对 LLM 符号回归的价值。

#llm #symbolic-regression

已过时译

AgentarXiv cs.AI4 天前

IneqAgent: Agentic Inequality Proving in Lean with Symbolic Computation

IneqAgent 是一个在 Lean4 中证明不等式的智能体框架，将 LLM 推理与符号计算结合，用引理级蒙特卡洛树搜索协调引理构造、目标改写与后端选择，并通过平方和、Bernstein、逐次差分代换等后端生成精确证书。在四个基准上以 DeepSeek-V4-Flash 解决 186 题中的 175 题（94.09%），推理成本更低，还验证了 Dittert 猜想的四、五维加强形式。

#agent #llm

已过时译

大模型arXiv cs.AI4 天前

When Correctness Feedback Erases Evidence: Phase-Separated Completeness Auditing in Verus

论文发现：在 Verus/Rust 形式化验证中，正确性反馈会抑制规范完整性审计所需的证据。无反馈独立发现产生的认证见证率（59.0%）远超纠正反馈循环（27.1%），且该优势跨模型家族成立。保留这些见证可显著提升规范修复成功率（81.3% vs 62.5%），提示审计与修复目标相悖，应先保留并认证失败证据再修复。

#formal-verification #llm

已过时译

AgentarXiv cs.AI4 天前

The World Won't Wait: Evaluating and Teaching Agents Under a Live Clock

论文提出 RealtimeBench 基准，含 180 个任务、六类游戏，在推理持续进行时评估 LLM 智能体，发现慢而强的模型在游戏暂停时占优、实时运行下反被快模型超越。作者提出 TORSI 双时间尺度离线递归自改进：慢教师离线分析失败并生成可复用指令，快学生在线执行，两轮将 Jev 平均分从 13.51 提升至 24.19，并可迁移到其他模型。

#agent #llm

已过时译

部署与算力Hacker News (front page)4 天前