定理不再各自孤立:把“谁改进了谁”画成图,智能体提出的猜想更受评审青睐
数学智能体此前多在证明已有猜想,而“该证什么”缺少可操作的判据。定理演化图把定理之间的改进关系显式记录下来:节点是定理,边记录设定、假设与结论的变化。智能体沿种子论文的引用向前向后检索并比较定理,据此提出新猜想。在30篇种子论文上,三位模型评审在非平局判断中63%偏好该图生成的猜想,专家评审在12篇中偏好8篇;但基线猜想在可信度上更受青睐。
数学智能体此前多在证明已有猜想,而“该证什么”缺少可操作的判据。定理演化图把定理之间的改进关系显式记录下来:节点是定理,边记录设定、假设与结论的变化。智能体沿种子论文的引用向前向后检索并比较定理,据此提出新猜想。在30篇种子论文上,三位模型评审在非平局判断中63%偏好该图生成的猜想,专家评审在12篇中偏好8篇;但基线猜想在可信度上更受青睐。
OpenLayout把VLSI物理设计从依赖资深工程师逐条调参的脚本流程,改成由多个分工智能体在商业EDA工具上闭环迭代的自动化流程。它配套的OpenLayout-Bench在TSMC 28nm上评测智能体能力:单独Gemini 3.1-pro在工具A原子任务上Pass@1仅18.9%,接入OpenLayout后同一指标为80.0%;工具B上单独模型为19.3%,接入后为84.1%。在10个开源设计的全流程套件上,中小设计可完成时序收敛,NVDLA-large与Open910在Routeopt后仍残留DRC违例。
低比特量化能压低大模型智能体的推理成本,却常让智能体漏看任务要求或环境条件,在工具调用中走错步骤。SteerDistill 让全精度教师定位学生第一次行为偏离,给出结构化纠错提示,学生执行后由环境反馈验证,教师据此反复修正提示,直到修正被局部验证。随后学生不带提示地学习这些修正,在五个智能体基准、三个模型上,W4A16 平均分比最强量化基线高 1.67–2.18 分,距 BF16 不到 1 分。
在由大语言模型驱动的智能体构成的社交网络上,一条帖子能否扩散取决于每个智能体看到多少关注对象已经转发。此前预测集体行为时,通常只测一条与关注人数无关的响应曲线,或在一个所有人彼此可见的大群体里测一次。把响应按关注人数分别测量后,再代入网络级联的平均场理论,就能复现完整大语言模型模拟的级联规模与引爆种子比例;忽略关注人数的响应则在度分布越不均匀的网络上错得越多。
长期运行的LLM智能体常把每个回合总结出的经验直接写进记忆,但局部成功并不等于可复用、安全的知识。FGSE把每条候选经验写成带前置条件、行为改变、预期效果和验证器的结构化假设,先在临时状态里做目标迁移、证伪和归档回归三类探针测试,再决定提交、收窄或拒绝。在WebArena、AppWorld与τ-bench等验证器可用的基准上,以DeepSeek-V3.1为骨干的FGSE取得39.8的WebArena成功率、78.8的AppWorld平均完成度,并把证伪失败率、回归损伤和有害提交更新分别压到5.0%、1.3%和3.6%。
公开技能注册表里的第三方技能,正被一种只改判定规则、不改任务和接口的投毒方式利用。StealthyPoison 在拿不到真实用户请求和标准答案的情况下,用合成请求和替身智能体的干净执行结果作参照,迭代改写公式、阈值和分支等关键规则。在 566 个合格技能、5,244 条请求、超过 26,000 条注册表条目的评测中,冻结后的投毒技能在三个留出模型上取得 31.0%–31.9% 的微平均攻击成功率,与替身模型的 32.9% 接近。
多轮智能体强化学习常被用来提升大语言模型智能体的长程能力,但轨迹级成功率掩盖了它对单步决策的实际影响。研究在DeepCoder-MT、BFCL、InterCode-SQL与FrozenLake四个交互任务上,用采样广度与交互深度两个维度评估GRPO训练后的模型:采样轨迹越多,强化学习模型越稳定地超过基座模型;但把每条轨迹的交互轮数压紧,这一优势会缩小、消失,在部分任务上甚至反转。逐状态比较显示,强化学习模型只在46.8%的DeepCoder-MT状态和42.8%的FrozenLake状态上给出更优的下一步动作,其增益主要来自错误恢复与轨迹后段。
在修正版CIC-IDS2017上,四个异构检测器给出的标签与置信度被按威胁模型污染后,未经核验的开源LLM调查员在四个检测器坏掉一个时准确率降到0.50–0.72,坏掉三个时全部跌到0.13以下。冲突感知证据核验(CAV)把上报置信度排除在投票之外,只在工具之间出现冲突时,用基于原始流量特征的最近邻信任分数检验候选家族。冻结提示词后,CAV-LLM在三个检测器被污染的持久与偶发两种情形下达到0.84–0.88,而朴素调查员至多0.08,同时只在0.4%的干净流量上调用LLM。
多智能体系统里,置信度一旦决定谁获得下游算力与决策权重,智能体就有动机虚报。审计枢轴计分机制(APSM)把平台控制的分配收益从转移中抵消,用逆倾向加权的稀疏审计核验结果,再收取 Clarke 枢轴外部性并叠加严格适当评分,使真实报告成为唯一期望效用最优回应。在无计算器实验中,Top-K 激励下智能体确实抬高置信度;在智能体本地效用接口辅助下,APSM 相对补偿式适当评分(CPS)取得更低的 Brier 损失和更少的截断越界,但 CPS 的精确分配匹配率更高。
从采样解数据反推偏微分方程,需要专家完成方程发现、系数估计和数值求解器配置。RSI-PDEbench 把这一流程做成 1001 个案例、42 个方程模板的基准,分无噪声、50% 高斯噪声和未见模板加偏移系数三种设定;配套的 RSI-PDE 智能体用残差筛出候选方程、用相对反馈修正系数与求解器,并以验证门保留改进。四个前沿模型上,其平均通过率相对单次运行基线提升 106.5%–181.9%,相对原生智能体框架提升 3.0%–19.6%。