跳到正文

#Agent

今日 6 条
今天10月21日周三
  4. Hacker News · Show HN57

    Penmentor 开源上线 让 Claude Code 在屏幕上批改手写数学

    Penmentor 是一个 MIT 许可的开源工具，在 xournal++ 里按一个键就把它当前的手写数学页交给已登录的 AI 命令行 agent 批改。模型用彩色笔圈出第一处真实错误、给正确行打勾、对沿用错误结果的后续行划线，以提示而非答案的方式引导下一步，框选区域还能生成 manim 交互动画。

10月20日周二
  6. Hacker News · Show HN57

    Sorcerer 发布开源 macOS 应用，围绕假设问题模拟 AI 智能体社区

    Sorcerer 是一款开源、原生 SwiftUI 的 macOS 应用，围绕一个 what if 假设生成由 AI 智能体组成的社区并逐轮推演。每个角色带有人设、目标、关系和记忆，会发帖、表态、采取行动并参与投票，还能在任意轮次分叉对比不同走向，输出每个结论都可点击跳转到原帖的报告。

  14. Hacker News · Show HN40

    Show HN：Amber-8 把本地语言模型当传感器，用 80 年代栈机保持确定性执行

    Amber-8 是一个小型确定性栈机，把本地语言模型当作模数转换器，将杂乱主观文本转成栈上的数字、选项与 0-1 置信度，分支仍由确定性代码执行。它只提供 ask、pck、scl 三条模型指令，模型不写代码也不决定分支，示例程序编译后的字节码均在 2 KB 以内。

  19. arXiv cs.AI / cs.LG 最新61

    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。

  20. arXiv cs.AI / cs.LG 最新51

    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%。

  21. arXiv cs.AI / cs.LG 最新63

    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。

  22. arXiv cs.AI / cs.LG 最新59

    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。

  23. arXiv cs.AI / cs.LG 最新73

    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。

  24. arXiv cs.AI / cs.LG 最新43

    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。

  25. arXiv cs.AI / cs.LG 最新66

    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。

  28. arXiv cs.AI / cs.LG 最新52

    WeAct 将动态权重切换纳入智能体动作空间

    WeAct 提出在冻结主干上训练多个能力专用的 LoRA 适配器，并把适配器选择加入智能体的动作空间，通过模型原生工具调用接口按需组合能力。在八个深度研究基准上，Qwen3-32B 配合 WeAct 相比全量微调平均准确率提升 6.2%，相比最强的静态 LoRA 合并方法提升 27.5%，且算力消耗更少。作者还展示了模块化持续适配，新增代码计算适配器、更新写作适配器时主干与其他适配器均保持不变。

  29. arXiv cs.AI / cs.LG 最新59

    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。