Skip to content
所有分類

daily

1090 篇文章

AI Agent Arxiv Digest — 2026-08-11

Muscle Memory 提出「編譯式記憶」取代檢索式記憶,在 90 個場景中贏下 88.9% 的個人化對決;MoRSE 用 role-subtask 條件化 LoRA 專家讓多 Agent 在程式碼生成上顯著超越純 prompt 分工;ASCon 建立統一故障歸因模型,在三種歸因目標上分別提升 5.83%、10.63%、14.73%

AI Agent Arxiv Digest — 2026-08-10

Evo-Bench 評測九款模型自主改進鷹架的能力,GPT-5.6 Sol 拿下 +16.6 分但 Office 任務幾乎不動;MEGA 用三層 Wisdom Graph 讓 Agent 優化基礎設施自我進化,知識積累與優化合為同一過程;SHE 把鷹架拆成四個可演化元件,從失敗軌跡學習安全邊界,ASR 降低 3.1 倍且跨模型可遷移

AI Agent Arxiv Digest — 2026-08-09

OneDayAgent 用任務分解+執行記憶+全域驗修三步鷹架在 AgentIF-OneDay 拿下 0.821 新 SOTA,同一鷹架跨五個後端穩定運作;The Horizon Gap 綜述 1,547 篇論文發現長程 Agent 六大失敗類別共享同一結構模式——純結果訊號隨步數增長而失效,領域正在製造更密的過程訊號來補;Evo-Bench 首次測量 Agent 自動進化鷹架的能力,GPT-5.6 Sol 最高拿 +16.6 分,但 Office 任務仍需人工流程

AI Agent Arxiv Digest — 2026-08-08

Memory Reward Inflation 發現自我改善 Agent 的記憶獎勵會自我膨脹,錯誤經驗越用越自信,LUCID 演算法在 BIRD 上將準確率從 54.0% 提升到 56.9%;RoMeRL 用固定維度的語意座標壓縮記憶狀態空間,Cold-Q 比率降 80%、LLM 呼叫減 21.1%;ToolLIFT 將工具軌跡抽象成功能層級工作流圖,在三個 OOD 基準上一致超越現有方法

AI Agent Arxiv Digest — 2026-08-07

ToolLIFT 把工具軌跡提升到功能層工作流圖,在三個 OOD 基準上持續超越 SOTA;SkillTV-Bench 用 681 案例證明技能感知的裁判技能讓 Agent 評判準確率提升 14.8 個百分點;TRIO-20 用預設等價研究發現 GPT-5.6 在 840 條軌跡中零越權呼叫,但推理力度提高讓規則探查率上升了 14.3 個百分點

AI Agent Arxiv Digest — 2026-08-06

VerMem 用七個原子記憶操作加雙驗證器在五個基準上平均領先最強基線 5-8 分;SafeCommit 把不安全行動率從 41.2% 壓到 2.6% 且維持 97.4% 任務完成率;ToolLIFT 把工具軌跡抽象成函數級工作流圖,OOD 基準上比最強基線高 3-5 分

AI Agent Arxiv Digest — 2026-08-05

ToolLIFT 把工具軌跡抽象成函數級工作流圖,OOD 準確率平均提升 4+ 百分點;HyperAgent 用工具-Schema 超圖建構缺口驅動的支援子圖,在 AppWorld 上比 ReAct 高 14.3 百分點且 token 用量更低;多語言多 Agent 規劃診斷發現低資源語言的規劃失敗佔比隨語言資源下降而升高,TART 修正法平均提升 5.6 百分點

AI Agent Arxiv Digest — 2026-08-04

今天三篇各從不同角度審視 AI Agent 的能力與極限:AutoMem 告訴你「記憶管理」是可以自動學習的獨立技能,光優化記憶就讓 32B 開源模型達到頂級商用模型水準;Shadow Evaluation 用真實 NeurIPS 投稿測試頂尖 Agent 能否做開放式 AI 研究——答案是否定的,Agent 能工程但不會研究;Adaptive Adversaries 揭示現有安全評測嚴重低估威脅:加上自適應多輪攻擊者,攻擊成功率從 0–1% 跳到 14%。三篇合起來是一堂清醒課:知道 Agent 能自動變強在哪、不能在哪、以及你的安全測試可能根本不夠。

AI Agent Arxiv Digest — 2026-08-03

今天三篇論文分別從多 Agent 的「組織設計」、「安全隔離」與「使用者授權」三個維度切入平台建設難題。IMACS 把 multi-agent 系統拆成三個可獨立替換的層(組織、協調、協作演算法),讓框架設計者能像換積木一樣調整 Agent 角色或協作策略;APPA 用「分支上下文」打破 IFC(資訊流控制)的可用性瓶頸,在 4 個模型上把 prompt injection 外洩率從 31–50% 壓低至 0–7%;UW 的調查在 21 個 Agent 授權方案中發現,絕大多數系統只提供「開發者定義的全局策略」,使用者個人化授權幾乎付之闕如。三篇合在一起,勾勒出 agent 平台從原型走向生產

AI Agent Arxiv Digest — 2026-08-02

今天三篇各從不同角度逼視「Agent 在真實環境裡出事了怎麼辦」:ProACT 問的是多人協作中 Agent 應何時開口(Agent UX 設計問題);第二篇用真實 GitHub 資料揭露 Coding Agent 和自己開的 PR 互衝(平台 ops 痛點);第三篇從安全視角整理 Cyber-capable Agent 五大漏洞類別,以今年七月的 HuggingFace/OpenAI 事件為 case study。三篇合起來是一堂「Agent 上線後,你沒想到的麻煩都在這裡」速成課。

AI Agent Arxiv Digest — 2026-08-01

今天三篇論文從不同角度逼問「AI Agent 在現實任務中的真實極限」:ORCA-bench 把 LLM Agent 丟進 SRE on-call 的生產環境做根因分析,最強模型也只答對 40%;AgentS4D 揭露工作區 Agent 的安全黑箱——66% 的「成功執行」背後仍觸發了危險行為,任務完成不等於安全;Context Files 研究則以 288 次對照實驗發現,開發者普遍維護的 [AGENTS.md](http://AGENTS.md) / [CLAUDE.md](http://CLAUDE.md) 對 coding agent 的正確率幾乎沒有可量測的提升。三篇合讀,讓你對「A

AI Agent Arxiv Digest — 2026-07-31

今天三篇論文都在問同一個核心問題:**現在的 AI Agent 真的能用嗎?** 答案出奇地一致——還差得遠。[HANDBOOK.md](http://HANDBOOK.md) 揭露把最強前沿模型丟進虛擬公司後,企業政策合規通過率最高只有 **36.2%**;LangGraph 論文給出三份可落地的有狀態工作流食譜,並附上「什麼時候不要用 LangGraph」的決策指南;MM-ToolSandBox 則首次量化了「看圖+叫工具」這個多模態組合技的困難程度——12 個主流模型中最強的成功率也不到一半。三個維度:合規評估、框架設計、視覺工具,串起一張「Agent 離真正落地還有多遠」的完整地圖。

AI Agent Arxiv Digest — 2026-07-30

今天三篇圍繞「讓 Agent 更可靠、更好部署、更客觀評估」三個核心問題:TRACE-ROUTER 指出多步驟 Agent 流程不能套用「每次呼叫都重新選模型」的路由策略,改用任務級別路由搭配強化學習持續優化;OmniaBench 建立橫跨消費者、企業、工程三大場景的 1,431 題評測集,頂尖模型(Claude Sonnet-5)得分仍不到六成;自我校準 Agent 框架則示範如何用 ARIMA 時序預測幫 Agent 在無人監督下偵測並修正預測漂移。

AI Agent Arxiv Digest — 2026-07-29

今天三篇論文共同聚焦在「生產級多代理人系統的基礎設施可靠性」:第一篇比較 MCP 與 A2A 兩個協定如何分工、不是競爭而是互補;第二篇實測工具升版後 12 個頂尖模型的能力退化,發現前沿模型也會掉分 13-14%;第三篇揭示把安全模型串成 pipeline 之後整體反而不安全,因為防護其實是靠雲端供應商的伺服器端過濾器在撐。三篇合起來回答了「怎麼接工具」、「工具升版會不會壞」、「串起來安不安全」三個平台工程師最實際的問題。

AI Agent Arxiv Digest — 2026-07-28

今天三篇論文從三個角度直擊 Agent 平台核心挑戰:**AgentCompass** 提出可組合的開源評測基礎設施,終結 agent 評測各自為政的碎片化亂象;**Agents in the Wild** 是少見的生產落地報告,從藥物研發與金融系統的真實部署歸納出可複用的設計模式;**Nanbeige4.2-3B** 則証明 3B 小模型配上 Looped Transformer 與大規模 agentic RL,在 agent 任務上可以壓過 9B 甚至 12B 的競爭對手——對邊端部署或成本敏感場景有直接啟示。

AI Agent Arxiv Digest — 2026-07-27

AI Agent Arxiv Digest — 2026-07-26

今天三篇論文從三個角度精準刺中 AI coding agent 的能力邊界:**ICAE-Bench** 挑戰「模糊需求下的互動式開發」場景,揭示當前 benchmark 跟不上 vibe-coding 時代;**EvoAgentBench** 揭露 agent 自我進化能力轉移的陷阱,主流方法竟造成 −12.3 分的負遷移;**PERFOPT-Bench** 則開闢「效能優化作為 agentic task」新賽道,並發現 framework 選擇往往比模型選擇更關鍵。三篇合讀的重點:生產環境的 agent 評估遠比現有工具複雜,業界亟需更貼近真實場景的評估體系。

AI Agent Arxiv Digest — 2026-07-25

今天三篇從三個互補角度探索「讓 Agent 更可靠地解決複雜任務」。NVIDIA 提出把 Agent 寫成普通的 Python class,讓開發、測試、追蹤都像一般軟體一樣進行;BAAI 的 AREX 展示了能遞迴驗證並改良自身研究結論的深度研究 Agent,在 BrowseComp、HLE 等基準上超越同量級模型;第三篇爬梳 1,250 篇論文,為「AI 自我改良」這個混亂詞彙建立清楚的分類地圖,幫你分辨哪些技術已可落地、哪些還在研究階段。

AI Agent Arxiv Digest — 2026-07-24

今天三篇分別從生態、失敗、記憶三個角度切入:哪些開源 Agent 框架真正值得長期下注(不只看 star 數)、Agent 在哪六類問題上反覆翻車、以及如何讓 Agent 的長期記憶跨越多個人物做串聯推理。三篇合在一起,像是給 Agent 平台開發者的「框架選型依據 + 失敗防護清單 + 記憶系統升級方向」。

AI Agent Arxiv Digest — 2026-07-23

今天三篇的共同主題是:**我們測 agent 的方式,本身就有問題**。第一篇直接審計主流工具呼叫 benchmark,發現近兩成的分數是評錯的;第二篇用重播分析告訴你哪些 benchmark 不用跑完就能得出可靠結論(SWE-bench 是反例);第三篇推出首個將「執行任務」與「生成操作教學」合二為一的多模態 web agent benchmark,截圖輸入、雙目標評測,最強模型也只完成不到四成。三篇合讀能讓你對 agent 評測的現況有完整的危機感與應對方向。