Mistral AI 发布 Voxtral 3 语音智能体模型家族
Mistral AI 发布 Voxtral 3，一套面向实时语音智能体的模型家族，包含转写模型 Voxtral Small Transcribe 3、语音合成模型 Voxtral Mini TTS 3 和基于 LiveKit 的语音智能体 SDK，把听、思考、工具调用和说话合并为单一流式管线。
#Agent
#Agent
今日 2 条The DecoderAI 评分7373 Hacker News · 高分新帖精选AI 评分8282 Mistral 发布 Voxtral 3 语音模型家族与语音 Agent SDK
Mistral 发布 Voxtral 3 语音模型家族，包含 Small 和 Mini Transcribe 转写模型、Mini TTS 语音合成模型，以及基于 LiveKit 的语音 Agent SDK。
推荐理由：做客服语音机器人的团队可以用这条流式管线替换自建的转写加合成拼接，先把实时通话接起来跑一轮实测。
The DecoderAI 评分7070 Cloudflare 发布文档抽取模型 Clairic，称比 LLM 更快更便宜
Cloudflare 发布 AI 模型 Clairic，用于从文档中抽取用户指定的字段，已在 Workers AI 上提供预览，开放权重将随后放出。用户给出订单号、发票总额等字段名，模型一次返回对应数值、正确格式与置信度，缺失时返回 null；它不逐 token 生成文本，也能做简单计算和估算。
arXiv cs.AI / cs.LG 最新AI 评分6161 HarnessPro 用 Pareto 优化做递归 harness 自改进，兼顾性能与成本
HarnessPro 是一个不需要标注数据的 harness 自改进方法，目标是在提升 Agent 任务表现的同时降低执行成本。它用 LLM 生成的测试评估候选 harness，不依赖标准答案或官方测试；专用 Agent 诊断执行轨迹，按不同的性能成本优先级规划更新，再用归一化加权平方距离选出偏成本、均衡、偏性能三档，对应不同的部署预算。
arXiv cs.AI / cs.LG 最新AI 评分5151 arXiv 论文提出 TSI 层论框架，用上同调刻画多智能体任务的交互障碍
arXiv 论文提出 TSI 层论框架，把多智能体任务的兼容性障碍与系统能力分开刻画，交互复形与容量层的上同调非零即构成结构性签名。15,625 个一阶输入上，全智能体加性原语可精确求解决策与修复，最优成对系统决策 88.80%、仅比 88.79% 的多数类基线多对一个输入，修复率 26.63%。
arXiv cs.AI / cs.LG 最新AI 评分6363 论文提出博弈论框架，让 LLM 无需微调学会反制电话诈骗
该论文把诈骗者与反诈陪聊者的对话建模为双人博弈，用纳什均衡作为评估基准，让 LLM 通过上下文经验学习反制策略而无需微调。在 300 段模拟对话和三种 LLM 架构上，自适应策略选择比非自适应基线更接近纳什均衡，幅度从 28.9% 到 79.7%。作者同时公开代码和 300 段带逐轮策略标签与效用分数的标注数据集，论文已被 ECML PKDD 2026 接收。
arXiv cs.AI / cs.LG 最新AI 评分5959 RefCraft 基准含 300 个视觉参考网页开发任务，最强模型仅得 52.12 分
RefCraft 是一个包含 300 个真实多模态网页开发任务的基准，把自然语言指令与 1 到 5 张参考网页截图放在一起。智能体需要自己挑选并使用这些参考，渲染页面、做视觉检查并迭代修改，评分依靠可独立验证的 keypoints 以及程序化判分和 VLM 裁判。在九个前沿（M）LLM 上最强系统总分只有 52.12（满分 100），说明视觉参考条件下的智能体生成在真实网页开发场景中仍是难题。
arXiv cs.AI / cs.LG 最新精选AI 评分7373 论文提出 WildAWM 管线，用开源模型合成计算机使用智能体的可执行训练环境
论文提出 WildAWM，一个用开源模型合成可控环境与任务、用于训练通用计算机使用智能体（CUA）的流水线。它构建同时支持图形界面、MCP 服务和命令行的可执行环境，并用执行式质量门控配合多智能体采样、交叉评判一致性和反事实探针，保证任务可解、难度足够且验证器可靠。
推荐理由：做 computer-use agent 训练的团队可以复用这套合成管线，批量生成带验证器的长程可执行任务环境。
arXiv cs.AI / cs.LG 最新AI 评分4343 ProteinGeoBench：前沿结构生物学智能体擅长元数据查找，却在几何计算上迷失
ProteinGeoBench 用 131 个蛋白质结构任务评测前沿智能体，结果显示它们元数据检索流利、几何计算不可靠。四个前沿模型中有三个得分落在 0.785–0.816 之间，第四个为 0.707；数值任务只有 28 个，却占所有模型均失败任务的一半。评估配置同样影响排名，每任务只跑一次时 23.9% 的 bootstrap 重采样会把不同模型排到第一。
arXiv cs.AI / cs.LG 最新精选AI 评分6666 同一次仿真不同证据，检索工具输出让 LLM Agent 损失准确率
一项 arXiv 研究用 USGS 地球化学模拟器 PHREEQC 检验工具输出检索对 LLM Agent 准确率的影响，报告长达 846.8k 字符，测试为 158 道执行验证多选题。
推荐理由：做 Agent 上下文管理的团队可以按它的实验方法自查准确率在哪一步流失，再决定是否内联或指认权威输出。
arXiv cs.AI / cs.LG 最新AI 评分5353 AnyGoal 提出世界模型组合泛化基准，现有模型在目标偏移任务上普遍失败
arXiv 论文 AnyGoal 研究世界模型在专家轨迹之外能否泛化，并配套发布一套目标偏移任务基准和开源库。每个任务中单个状态因子与动作都仍在训练支撑范围内，但它们的组合在专家轨迹里出现稀少，用来检验模型能否把熟悉的因素重组为有效动力学。
arXiv cs.AI / cs.LG 最新AI 评分6060 Agima 训练框架让智能体先想象行动后果再决策
研究者提出 Agentic Imagination（Agima）训练框架，用单个 omni 模型先提出动作、生成动作结果的图像，再在这些想象出的未来上推理，决定实际执行哪一步。
arXiv cs.AI / cs.LG 最新AI 评分5959 arXiv 论文提出 PhysRSI-eval，用五轴指标刻画 LLM 策略的物理递归自我改进
这篇 arXiv 技术报告提出 PhysRSI-eval，用首次尝试表现、效率、成功率、预算和失败后的改进五个轴量化物理递归自我改进。作者在固定交互预算下用 18 个操作任务评测多个 VLM，据此提出物理木桶假说，认为不同能力约束改进的不同环节。五轴指标可区分公开榜单平均分接近的系统，高分未必对应更早或更高效的改进；工作区干预实验还显示移除历史会降低后期成功率。
Hacker News · Show HNAI 评分3232 Show HN：AML CYCLE 2，面向智能体长期记忆的评测基准
AML CYCLE 2 是面向智能体长期记忆的评测基准，已在 Show HN 展示。它用于评估智能体在长期记忆方面的表现，当前页面显示 1 分、0 条评论。
TechCrunch · AIAI 评分5656 Microsoft 推出 Guardian Agents 监控企业 AI 智能体，称前沿模型不可信
Microsoft 推出 Guardian Agents，用于监控企业使用的 AI 智能体，属于 6 月发布的 Project Perception。Microsoft Defender 同时新增智能体检测，可识别 Claude Code、Codex、OpenClaw 等最多 60 类员工带入的智能体，并提供数据访问限制、权限动态调整和高风险操作人工审批。
Hacker News · 高分新帖精选AI 评分7878 MiniMax 发布 M3.1 Flash，推理提速近 3 倍、使用成本降低 70%
MiniMax 正式发布 M3.1 Flash，官方称其在线推理速度提升近 3 倍、使用成本降低 70%，面向智能体任务、编码、Computer Use 和网络安全。
推荐理由：做 Agent 与编码自动化的团队可把长链工具调用任务迁到 MiniMax API 的 M3.1 Flash，按每百万 token 输入 $0.15 估算成本。
TechCrunch · AIAI 评分7171 Nvidia 发布 Nemotron 3.5 Super VL 与两款 Bolt 开源权重模型
Nvidia 发布面向企业智能体和端侧计算的开放权重模型，包括 120B 参数的 Nemotron 3.5 Super VL，以及 Nemotron 3.5 Bolt 74B-A9B、Bolt E4B 两款轻量模型。
Hacker News · 高分新帖AI 评分7171 HybridAgents：在潜空间推理、通过文本行动的混合推理智能体
arXiv 论文提出 HybridAgents 混合推理智能体，在统一生成过程中动态切换潜空间推理与文本交互。轻量模块 HybridLink 负责两种模式的转换，连续工作记忆在多次交互中保留无损的混合上下文，潜空间中的思考过程可直接检查，同时保留调用工具的能力。
Hacker News · 高分新帖AI 评分7373 DeepSeek 上线 Search 与 Fetch API，每千次成功请求 0.75 美元
DeepSeek 开放 Search 与 Fetch 两个 JSON API，Search 由自研搜索引擎按查询返回结构化网页结果，Fetch 抓取单个网页并以 Markdown 返回正文，供 Agent 和 RAG 应用获取实时网页内容。
arXiv cs.AI / cs.LG 最新AI 评分5252 推理的单个像素：一句有来源支撑的真话就足以误导 LLM 智能体
arXiv 论文提出单关系攻击（ORA），先定位证据与结论之间的一个隐含前提，再用一句有来源支撑的话把这个前提改写，就能把 LLM 智能体引向错误结论。在生物医学推理和漏洞检测任务上测试 18 个模型，best-of-10 攻击对闭源模型平均翻转 54.9% 原本正确的答案，对开源权重模型为 80.0%。
arXiv cs.AI / cs.LG 最新AI 评分6262 SpriteStage：用渐进式场景编程与回放生成长篇动画
arXiv 论文提出 SpriteStage，一个渐进式场景编程框架，用逐场景生成加引擎重编排来制作长篇动画。每场戏从已验收的世界检查点和叙事快照出发，在共享空间舞台上执行，再依据运行时与视觉反馈修订动作或剧情节点，验收结果成为下一场的起始状态。
arXiv cs.AI / cs.LG 最新AI 评分5858 UVA 方法教代码 Agent 提问时不泄露私有代码
论文提出 utility-verified abstraction（UVA），训练本地代码 Agent 在向云端强模型咨询时用角色和类型描述私有实体，同时保留专家所需的技术细节。
arXiv cs.AI / cs.LG 最新AI 评分5555 RQA 让智能体无需共享奖励也能学会合作
Francesco Morri 提出 Reciprocal Q-Augmentation（RQA），用隐变量对手模型估计自身动作对其他智能体的影响，并据此增强 Q 函数，使智能体仅凭自己的 Q 函数就能同时学到合作与背叛策略。
arXiv cs.AI / cs.LG 最新AI 评分5858 DialogMem 基准：评测 3D 环境中对话与物体绑定的具身记忆
DialogMem 是一个两阶段基准，让智能体用时间对齐的 RGB-D 观测流与对话构建记忆，再用于实例级物体导航和问答。它包含 27 个真实 3D 场景的 142 个 episode、14,193 条 QA 对和 11,890 条导航指令。
arXiv cs.AI / cs.LG 最新AI 评分5353 ReTRACE：面向逆合成规划的反馈引导 LLM 智能体
ReTRACE 是面向逆合成规划的 LLM 智能体，把大语言模型放进整合分子工具、互补单步预测引擎、可采购原料库、路线记忆与多准则路线评估器的化学环境中。它用程序化检查加对抗式 LLM 评审组成的新指标判断路线，并在搜索过程中依据评估器反馈诊断弱路线并回溯修改。
arXiv cs.AI / cs.LG 最新AI 评分5454 研究提出 SEER-Repro 基准与 LLM 智能体，复现 77.4% 的癌症登记研究结论
论文提出 SEER-Repro 基准，包含 20 篇基于美国 SEER 癌症登记数据库的已发表论文，以及复现其结论所需的数据与资源。作者构建的 LLM 智能体复现了 2,190 条原子结论中的 77.4%，并给出可执行基线。另一条智能体分析流水线会识别每项结论背后的分析选择、提出可辩护的替代方案并重跑分析，在完全复现的结论中标记出 9.5% 存在潜在影响的分析选择，交给专家复核。
arXiv cs.AI / cs.LG 最新AI 评分5656 GLOBE 提出面向生成式搜索商品优化的结构化智能体记忆框架
GLOBE 是一个把电商商品优化经验存成可演化行为手册的智能体框架，由 Editor 应用字段级行为并接收排名反馈，Reflector 再把反馈转成行为更新。Moderator 负责剔除冗余提案、Curator 提交采纳的改动，持续有害的行为会被停用。
arXiv cs.AI / cs.LG 最新AI 评分6161 MobileInject：面向 MLLM 移动智能体的跨模态注入安全评测基准
论文提出 MobileInject，一个评估 MLLM 移动智能体多模态注入与推理到行动安全风险的评测基准，覆盖 11 个场景、9 类安全风险和 108 个可执行风险实例。它引入跨模态一致性注入，并给出多角色协作欺骗与推理伪装注入两种增强攻击方法，配套推理安全诊断框架做细粒度失败分析。系统实验显示移动智能体普遍易受多模态注入影响，不少失败源于早期阶段的推理被劫持。
arXiv cs.AI / cs.LG 最新AI 评分5353 论文提出JointCoreBench基准与JointCore方法，用于LLM智能体记忆充分集选择
论文提出JointCoreBench基准和JointCore记忆选择基线，用于在冗余或联合必要证据下为LLM智能体挑出能保持全量记忆行为的低成本子集。基准包含九类交互、六个工作流域和精确充分集oracle；在6912个精确条件上，按成本排序的JointCore在100.0%的情况下恢复最小成本充分集，子集评估次数从30.00降到11.13，节省87.8%活跃记忆。
arXiv cs.AI / cs.LG 最新AI 评分3535 光网络故障排查中的智能体 AI 如何通过数据引用防止数据幻觉
面向光通信网络自动故障排查的智能体 AI 系统通过将数据引用集成到智能体架构中，防止数据幻觉，并提升根因识别与推理的可解释性和可信度。该系统作为 demo 在 ECOC 2026 展示。
arXiv cs.AI / cs.LG 最新AI 评分5555 FLARE：面向馈线恢复的语言模型智能体物理约束评测基准
FLARE 是一个面向配电馈线故障隔离后恢复的物理约束基准，包含五种观测设置下的 800 个 AC 可行案例，允许智能体在固定运行限制内取证、评估开关并执行恢复动作。
arXiv cs.AI / cs.LG 最新AI 评分5757 arXiv 论文提出 token 预算理论，可预测多智能体辩论的最优智能体数量
这篇 arXiv 论文把阅读上下文与推理生成共用一个固定 token 窗口的权衡形式化为 token 预算理论，将准确率建模为扣除阅读开销后剩余推理预算的函数，并用允许相关误差的 Condorcet 陪审团模型聚合投票。
arXiv cs.AI / cs.LG 最新AI 评分4949 KnowGPO：面向搜索智能体的知识分组策略优化
论文提出面向搜索智能体的强化学习框架 KnowGPO，按轨迹已获得的任务相关知识而非表面观测对齐，并以原子知识条件的状态分组进行组内比较。连续步骤间的增量知识增益被用作环境锚定的过程奖励；在 Xbench、BrowseComp-ZH 和 GAIA 上，KnowGPO 比 GRPO、GiGPO、IGPO 提升 3.8 至 4.2 分。其 8B 模型可媲美或超过多数 32B 开源系统，代码已公开。
arXiv cs.AI / cs.LG 最新AI 评分6363 arXiv 论文提出 MPT 市场化后训练框架，让去中心化智能体群体学会自组织
论文提出市场化后训练（MPT），让去中心化智能体群体在训练中同时学习动作策略与自组织协同。智能体通过竞价表达参与意愿，竞价决定谁行动并分配局部训练积分，全程不需要中央协调者。在具身制作、机器人导航和深度研究三项任务上，MPT 优于单体式后训练，推理时群体规模越大性能越好、智能体掉线造成的损失也更小。代码与训练好的模型已公开。
arXiv cs.AI / cs.LG 最新AI 评分5757 研究提出 steering agent 在线纠偏，抑制 LLM 智能体与多智能体系统的目标漂移
arXiv 论文提出一种 steering agent，在任务执行过程中实时监督 LLM 智能体与多智能体系统，发现目标漂移时把系统拉回原定目标。它用低成本快路径判断何时干预、高成本慢路径决定如何干预，两条路径通过强化学习联合训练，结合成对排序目标与 GRPO。
arXiv cs.AI / cs.LG 最新AI 评分4848 Codex 编码智能体如何跨环境改进：scaffolding 的作用
研究在 ARC-AGI-3、AGI Maze 和 Terminal-Bench 上评测基于 Codex 的编码智能体，仅改一条提示词指令即提升前两者平均得分。但该智能体仍低于 ARC-AGI-3 专用参考方案，即便搭配 GPT-5.6-sol；把重置决策交给脚本控制器可追回部分优势。
arXiv cs.AI / cs.LG 最新AI 评分4444 多智能体强化学习中的理性策略合成：面向 PLTL_f 时序目标
针对动态未知的随机多智能体系统，该研究以 PLTL_f 描述每个智能体的概率时序目标，并把 Nash 均衡等解概念作为联合策略约束，以求解理性合成问题。表格型 Nash-Q 学习获得条件收敛保证，同时给出满足性的有限样本置信界，并用近似最佳响应检验策略稳定性。方法在 8 个一般和并发随机博弈上完成了实证验证。
arXiv cs.AI / cs.LG 最新AI 评分6363 LEASH：按潜在不确定性升级并监督 computer-use agent 的免训练框架
LEASH 是一个免训练框架，让弱模型默认执行 computer-use 任务，仅在其潜在不确定性升高时才把控制权交给强模型，交接后继续监督。它复用动作生成时已有的激活值，与历史成功和失败轨迹比对来判断不确定性，无需额外前向或专门训练监控器。
arXiv cs.AI / cs.LG 最新AI 评分5656 X-RIC 提出融合智能体推理的 O-RAN 智能控制器框架与 BARX 评测基准
X-RIC 是把智能体 AI 引入 O-RAN 智能控制器的框架，并配套提出 BARX 评测基准，论文已被 IEEE MASS 2026 接收。它用领域启发式做自动行为克隆以提升样本效率，用基于 Transformer 的 Telecom Language Model 提供可解释的上下文抽象，并在 Near-RT RIC 控制环路内闭环协同自适应。
arXiv cs.AI / cs.LG 最新AI 评分5656 arXiv 论文提出用模型分歧指导弱模型到强模型的路由
这篇 arXiv 论文提出一种不依赖真值监督的弱到强路由方法，用弱模型与强模型之间的分歧作为判据，决定何时把弱模型的回答交给更强模型处理。作者先刻画了在允许弱模型本地多次推理情况下的最优路由策略，再据此推导出基于模型间比较的近似方法，且强模型越接近真值分布，近似越准确。