AI行业资讯

SwarmResearch是一种新型编排-子智能体架构，通过Shepherd Agent全局导航与Search Agent本地探索，解决长期运行编码智能体易陷入局部最优的问题。在15项开放优化任务中，13项超越现有LLM引导进化与多智能体方法，通过自适应并行搜索深度实现更高层次的探索，显著提升解决方案质量。

针对大型科学数据集在成为AI训练数据前需大量人工处理的痛点，研究团队推出开源框架REDI。该框架通过统一的五阶段流水线（摄取、预处理、转换、结构化、输出）实现自动化数据准备、就绪度评估、来源追踪和代理原生部署。配套工具SetGo可自动完成FAIR合规与目录发布。在气候、蛋白质组学、材料科学和核聚变四个领域验证中，REDI成功将所有原始数据转换为AI就绪状态，并在Frontier超算上展现出接近理想的百节点并行扩展能力。

一项新研究提出ASK+框架，通过为小型语言模型（SLM）提供轨迹感知上下文和结构化思维链，显著提升了其在部分可观测环境下辅助强化学习代理的性能。研究发现，传统不确定性门控方法因提示词缺乏上下文而失效，而ASK+通过状态化提示将SLM从被动冗余检查转变为主动顾问。在DoorKey、FourRooms和HigherLower等测试环境中，ASK+分别实现了93%、70%和73.7%的成功率，且Qwen3.5-2B模型表现与4B版本相当，凸显了提示设计与选择性门控的重要性。

一篇来自arXiv的新论文探讨了在AI对齐和参与式设计中常用的成对比较方法的局限性。研究指出，该工具假设用户的局部比较能反映其全局偏好，且用户总能做出明确选择。但在“内部多元主义”下，即个人依据多个权威优先级评估决策规则时，这些假设可能失效。论文通过形式化模型揭示了两种失败情形：优先级（如比例性、平等主义）的全局性导致局部比较失效，以及强优先级间的内部冲突可能引发行为扭曲。研究还发现，允许用户报告“无法决定”可显著减少学习准确偏好所需的查询次数，并指向了更直接提取优先级的新偏好学习方法。

科大讯飞近日发布技术报告，推出名为iFLYTEK-Embodied-Omni的统一多模态基础模型。该模型将视觉（视频和图像）、语言和动作生成整合到一个Omni框架中，通过共享的多模态自注意力机制实现视觉-语言模型、视频生成模型和动作生成模型之间的协同工作。其设计灵感源于大脑-小脑协作机制：高层大脑负责指令理解、任务规划和未来状态预测，低层小脑则直接将子目标转换为可执行的动作序列。为训练该模型，团队构建了包含动作标注与非标注的具身视频、人类演示、机器人交互以及通用图像文本数据的综合数据集，并采用四阶段渐进式训练策略，先分别训练各模块，最后联合微调整个模型。这一方法旨在解决传统级联流水线中接口瓶颈和误差累积问题，为通用具身智能体的发展提供了新路径。

研究人员提出Agent4cs多智能体框架，通过自底向上的方式对大型层级化代码库进行摘要生成，在语义一致性和关键词覆盖率上显著优于传统方法。

研究提出困难路由服务控制架构，通过路由器和升级工作流，在客服AI执行退款等操作时集中安全防护，显著提升可靠性。

PACE是一种神经符号框架，结合神经网络与符号推理，生成符合领域约束的可行反事实解释，提升AI决策的可解释性与实用性。

arXiv发布Auto-FL-Research框架，通过编码代理自动搜索联邦学习算法组合，在医疗和LEAF数据集上验证了性能提升与失败案例。

研究人员提出Wiola小语言模型架构，从零设计，包含五项原创组件，旨在提升效率和性能，兼容HuggingFace生态。

新框架将LLM输出转为类型化JSON配置，结合六类采集器、静态DAG执行和规则质检，实现零令牌执行与高可靠性。

研究提出基于解空间显示的空管路径规划算法SSPP，通过三种冲突检测方法，在保证可解释性的同时实现毫秒级路径计算。

一篇新论文提出“构建性对齐”范式，将AI对齐问题重新定义为对动态人类偏好轨迹的控制，而非静态偏好满足，强调AI应引导价值形成而非简单迎合。

MMM数据模型提出一种结合规范约束与自由文本标签的知识文档化方案，旨在实现跨学科、跨应用的知识互操作性，无需语义收敛。

研究者提出“有限道德”框架，将赫伯特·西蒙的有限理性扩展至道德领域，分析有限智能体在道德问题上的计算权衡。

BayesBench是一套评估大语言模型在多轮对话中贝叶斯推理能力的基准，揭示模型在证据积累与信念更新方面的表现与局限。

研究提出LearnStop方法，通过在线特征预测推理模型检查点正确性，发现学习型停止在复杂数学任务中优于简单阈值，但在简单场景中优势有限。

研究者提出对比反思框架，通过错误分析、对比成功案例和教师LLM编辑，迭代优化提示词，在HotpotQA上准确率提升9%。

最新研究揭示，多轮交互中AI性能提升常源于重复尝试而非反馈本身，自我反馈增益有限，外部强教师反馈才是关键。

最新研究探讨了数据表示、嵌入模型和检索策略对AI驱动模型发现的影响，为模型复用和互操作性提供基线。