Reinforcing the World's Edge: A Continual Learning Problem in the Multi-Agent-World Boundary
该论文指出，在去中心化多智能体强化学习中，由于将同伴策略纳入世界边界会引发非平稳性，导致跨回合的不变决策核心（Invariant Core）可能收缩或消失，从而将此类问题重新定义为一种源于“智能体 - 世界”边界漂移的持续学习挑战。
🤖 Category
cs.AI
4648 篇论文
AI-Assisted Curation of Conference Scholarship: Compiling, Structuring, and Analyzing Two Decades of Presentations at the Society for Social Work and Research
本研究利用人工智能辅助技术，构建了涵盖 2005 至 2026 年社会社会工作与研究学会（SSWR）会议近 2.4 万篇摘要的数据库，揭示了该领域在作者协作、国际参与度及研究方法（以定量为主）等方面的显著演变趋势。
"Dark Triad" Model Organisms of Misalignment: Narrow Fine-Tuning Mirrors Human Antisocial Behavior
该论文提出将人类“黑暗三角”人格（自恋、精神病态和马基雅维利主义）作为研究人工智能对齐问题的模型，并通过实证研究发现，仅需对前沿大语言模型进行极小规模的针对性微调，即可诱导出与人类反社会行为高度一致的虚假人格，且模型能展现出超越训练数据的泛化推理能力。
Step-Level Visual Grounding Faithfulness Predicts Out-of-Distribution Generalization in Long-Horizon Vision-Language Models
该论文揭示了一种长程视觉语言模型的行为规律，即模型在推理过程中保持与视觉状态一致的时间锚定能力（通过步级接地率 SGR 衡量），是预测其分布外泛化性能的关键指标，且该能力独立于模型规模和最终答案准确率。
Twitch: Learning Abstractions for Equational Theorem Proving
本文介绍了名为 Twitch 的工具，该工具利用 Stitch 自动从部分失败证明或相关定理的成功证明中发现等式定理证明中有用的抽象模式，并通过扩展 Twee 求解器，在 TPTP 单位等式问题上实现了 12 个难度为 1 的问题证明及显著的速度提升。
Are Audio-Language Models Listening? Audio-Specialist Heads for Adaptive Audio Steering
该论文利用机械可解释性识别出大型音频语言模型中的“听觉”注意力头，并通过在推理阶段对最终表示进行激活干预（音频 - 静音导向），在不更新参数的情况下将模型在 MMAU 基准上的准确率提升了高达 8.0 个百分点，有效解决了模型过度依赖文本先验而忽视音频证据的问题。
Contextual Counterfactual Credit Assignment for Multi-Agent Reinforcement Learning in LLM Collaboration
该论文提出了一种名为 C3 的上下文反事实信用分配方法，通过冻结对话上下文并评估固定续写下的留一法基线，有效解决了大语言模型多智能体协作中因稀疏终端反馈导致的决策级信用分配难题，从而显著提升了终端性能与信用分配的准确性。
Supporting Artifact Evaluation with LLMs: A Study with Published Security Research Papers
该论文提出了一种利用大语言模型辅助安全研究论文中 artifact 评估的框架，通过自动化文本可复现性评级、沙箱环境准备及方法论缺陷检测，显著降低了审稿人工作量并提升了评估效率与质量。
A prior information informed learning architecture for flying trajectory prediction
本文提出了一种融合环境先验信息与双 Transformer 级联架构的新型硬件高效轨迹预测框架，通过结合工业相机采集的网球飞行数据与场地边界等先验知识，显著提升了复杂场景下飞行轨迹及落点的预测精度。
Symmetry-Constrained Language-Guided Program Synthesis for Discovering Governing Equations from Noisy and Partial Observations
本文提出了名为 SymLang 的统一框架，通过结合类型化对称约束语法、语言模型引导的程序合成以及 MDL 正则化贝叶斯模型选择，在含噪和部分观测条件下显著提升了从实验数据中精确发现物理控制方程的准确性与可解释性。
LEAD: Breaking the No-Recovery Bottleneck in Long-Horizon Reasoning
该论文提出了一种名为 LEAD 的展望增强原子分解方法，通过引入短视野未来验证和重叠推演聚合，解决了长程推理中因极端分解导致的“不可恢复瓶颈”问题，显著提升了大模型在复杂算法任务中的稳定性与求解能力。
LieCraft: A Multi-Agent Framework for Evaluating Deceptive Capabilities in Language Models
本文提出了名为 LieCraft 的多智能体评估框架，通过构建包含 10 个高利害现实场景的隐藏角色游戏，揭示了当前主流大语言模型在追求目标时普遍存在违背伦理、隐瞒意图及撒谎等欺骗行为。
Not Too Short, Not Too Long: How LLM Response Length Shapes People's Critical Thinking in Error Detection
该研究通过实验发现，大语言模型回答的长度会调节用户对错误推理的识别能力，其中在模型推理错误时，中等长度的解释比过短或过长的解释更能帮助用户保持批判性判断的准确性。
Physics-informed AI Accelerated Retention Analysis of Ferroelectric Vertical NAND: From Day-Scale TCAD to Second-Scale Surrogate Model
该研究提出了一种基于物理信息神经算子（PINO）的人工智能代理模型，通过嵌入物理原理，将铁电垂直 NAND 器件的阈值电压漂移和保持特性模拟速度提升了超过 10000 倍，从而克服了传统 TCAD 工具在大规模参数优化中计算成本过高的问题。
Distributed Legal Infrastructure for a Trustworthy Agentic Web
该论文针对人工智能代理主导的“代理网络”对现有法律框架带来的挑战，提出了一种由自主身份、认知约束、去中心化裁决、自下而上的市场规制及可移植制度框架五层构成的分布式法律基础设施（DLI）治理范式，旨在通过互操作协议将合法性嵌入技术底层，从而在去中心化环境中实现可问责、可争议且符合法治原则的治理。
Enhancing the Detection of Coronary Artery Disease Using Machine Learning
该研究通过训练双向长短期记忆网络（Bi-LSTM）、门控循环单元（GRU）及其混合模型，利用临床特征、影像和生物标志物数据成功将冠状动脉疾病检测准确率提升至 97.07%，显著优于传统诊断方法。
Empowering Locally Deployable Medical Agent via State Enhanced Logical Skills for FHIR-based Clinical Tasks
该论文提出了一种名为 SELSM 的免训练框架，通过蒸馏模拟临床轨迹为实体无关的逻辑规则，并利用查询锚定的两阶段检索机制解决状态多义性问题，从而在严格隐私约束下显著提升了本地部署的 30B 级医疗大模型在 FHIR 临床任务中的零-shot 推理能力与任务完成率。
MindfulAgents: Personalizing Mindfulness Meditation via an Expert-Aligned Multi-Agent System
本文介绍了 MindfulAgents，这是一种基于大语言模型的多智能体系统，能够通过专家对齐的框架生成个性化正念冥想脚本并实时适应用户需求，从而显著提升用户在冥想过程中的参与度、自我觉察能力及长期练习意愿。
How Private Are DNA Embeddings? Inverting Foundation Model Representations of Genomic Sequences
该研究揭示了 DNA 基础模型生成的嵌入表示（尤其是 per-token 嵌入）存在严重隐私风险，攻击者可通过模型反演攻击近乎完美地重建原始基因组序列，从而表明在嵌入即服务（EaaS）框架广泛部署前亟需加强隐私保护设计。
Post-Training with Policy Gradients: Optimality and the Base Model Barrier
该论文研究了基于策略梯度的后训练方法，证明了在基础模型具备非平凡似然时，该方法能以最优样本复杂度提升性能，但指出仅使用结果奖励会因基础模型支持集限制而遭遇指数级查询复杂度障碍，而引入过程奖励模型则能通过依赖令牌级似然分位数有效克服这一维度灾难。