检索标题、摘要与正文，把分散的信息连起来。
arXiv：2610.33015v1 发布类型：新 摘要：长期记忆使大型语言模型（LLM）代理能够维持个性化且时间上连贯的交互，但为实现记忆的接纳、提取与组织而反复调用LLM进行推理，会带来显著的成本与延迟。我们提出了SLICE-Mem，一个轻量级的记忆框架，它将基于显著性引导的接纳与基于谓词的信息提取相结合。一个紧凑的分类器用于识别值得保留的用户发言，而基于语义依赖关系的提取器则将被接纳的发言转化为简洁的记忆条目。这一在线处理流程无需调用生成式LLM，同时跨条目的一致性校验被推迟至离线的整合阶段。我们在Memora和LongMemEval-S的每周子集上，使用8B a对SLICE-Mem进行了评估
arXiv：2610.32429v1 发布类型：新 摘要：大型语言模型（LLM）代理正越来越多地以异步方式执行任务：主代理在子代理运行的同时继续工作，而任务状态可能在其结果到达之前就已发生变化。主代理必须决定哪些工作需要更新或保留、哪些检查需要重复，同时避免进行被禁止的修改。仅凭最终任务的成功并不能说明这些结果是否被正确处理，而且自然的异步到达现象也难以复现。我们提出了 Async-RBench，一个用于评估 LLM 代理中异步任务执行的基准测试，包含涵盖八种场景的 200 个可执行任务。场景控制器通过预定义的任务状态条件来调控结果的交付，而事件响应契约（ERC）则规定了每种响应应满足的要求
arXiv:2610.33012v1 发布类型：新 摘要：具备工具调用能力的大型语言模型（LLM）智能体，在从相同初始状态出发的多次独立运行中，表现出行为不一致的现象，例如调用不同的工具、产生相互矛盾的输出，或采取截然不同的策略。这种行为上的波动会随时间累积，从而削弱部署的可靠性。现有的评估指标主要通过基于任务完成度的得分来衡量正确性，而未能捕捉智能体在多次执行中的行为一致性。此外，对智能体行为的分析要么停留在词元层面，借助概率分布进行评估；要么聚焦于单次响应层面，采用语义聚类方法，但两者均无法刻画不一致性如何在轨迹的后续步骤中进一步传播。我们提出了递归语义发散（RSD），一种无
arXiv:2610.33007v1 发布类型：新 摘要：在集成的地面与非地面（TN/NTN）6G网络中，自然语言服务意图可能存在不完整、模糊或不一致的情况，这使得无约束的大型语言模型生成难以实现面向网络的可靠编排。本文提出了一种知识引导的大型语言模型框架，该框架将语法约束的语义解析与知识图谱驱动的澄清循环相结合，从而为四大典型服务类别生成经过验证、可直接用于编排的服务配置文件。在包含200个样本的意图数据集上，该框架实现了89%的分类准确率和95%的策略有效性，且每条请求平均只需0.66次澄清迭代。与纯大型语言模型基线相比，所提出的框架显著提升了策略的有效性及共
arXiv：2610.33039v1 发布类型：新 摘要：我们推出了 Nemotron 3.5 Bolt 74B-A9B 24GB，这是一种混合型 Mamba-Transformer 视觉语言模型，可在本地智能体驱动的工作负载中实现每 GB 内存的处理速度与智能性能的最优平衡。该模型源自 Nemotron 3.5 Super VL 120B-A12B 系列，通过结合 Star Elastic 压缩与 2 位量化感知蒸馏技术，适用于内存受限的部署场景。该模型针对推理、智能体工具调用以及网页与终端交互进行了优化。此外，我们还训练了一款名为 LiLiCorr 的投机式起草器，并随模型一同发布，以达到预期的推理速度。最终得到的模型在多项基准测试中，于相同内存占用和速度条件下，其准确率均高于同类领先模型，适用于通用智能体任务。
arXiv：2610.32322v1 发布类型：新 摘要：LLM智能体从公共技能中心检索技能，这些中心最多可存储约10万条记录，并服务于众多模型。随着模型性能的提升，技能中心必须识别出某一模型已内化哪些技能——即该模型已不再依赖这些技能——并将其退役；然而，目前尚无可靠的方法来衡量技能的内化程度。现有规则仅依据有无某项技能时的性能差异来判定其是否应被退役，而这种差异在技能已被内化的情况下以及当模型和该技能均无法提供相应能力时（我们称此状态为“未被发现”）都接近于零。因此，我们选择暂不退役该技能，而是基于由该技能合成的任务对模型进行评分，并且只有在另一模型确实因该技能而获得提升时，才信任模型的高分——因为近一半的高分往往来自那些并未涉及该技能的任务。
arXiv：2610.32308v1 发布类型：新 摘要：多步逆合成反应需要通过一系列连续的反应步骤，将目标分子逐步转化为可购买的构建模块；近期的研究开始借助大型语言模型（LLM）的推理能力来解决这一问题。在最新进展中，LLM推理已进入长时序阶段：模型能够在相互依赖的各步之间持续追求目标、与环境交互并根据反馈进行调整。这一转变显著提升了LLM的能力，人工智能驱动的数学研究领域也由此取得了突破性进展。在此前沿领域，我们提出了 Solvent，一款拥有80亿参数的LLM，成功将长时序推理扩展至多步逆合成任务。通过两轮后训练课程，Solvent学会了在迭代过程中穿插……
arXiv：2610.32305v1 发布类型：新 摘要：多阶段分析任务要求大型语言模型（LLM）代理利用中间证据来决定是继续、重定向还是停止。自我反思——即代理对其输出进行批判性评估——已得到广泛研究，然而，这种批判性评估并不能说明证据是否确实影响了下一步行动。我们将这一能力称为“自我约束”。现有的代理基准测试大多仅衡量任务完成度或输出质量，而未对这一能力进行检验。DMAIC-Bench 通过围绕精益六西格玛明确的统计前提条件构建的、涵盖四个行业领域中15个工业场景的97个种子任务，对此进行了评估。成对的反事实变体在相同的工作流位置上要求采取相反的动作，从而能够区分有依据的自我约束与无差别的随意停止。我们采用……对执行轨迹进行评估。
arXiv：2610.32412v1 发布类型：新 摘要：递归式大型语言模型（LLM）智能体通过分解、执行与环境反馈来解决长周期任务。然而，在生成一个原子级子任务后，它们往往再次调用同一款大型模型，将熟悉的指令转化为可执行的动作。我们观察到，高层规划具有任务特定性，而底层动作的具身化则在不同任务间反复出现，并且能够对照环境允许的动作进行验证。为此，我们提出了 LeafSkill，这是一种外部复用层，它能够检索语义相关的具身化经验，将动作模板绑定到当前对象与可执行动作上，并借助一个轻量级的 17 亿参数选择器来决定采用已绑定的动作，或将未发生变化的子任务交由原始智能体继续处理。技能始终处于外
arXiv：2610.33020v1 发布类型：新 摘要：如果你的大脑直接与他人的大脑相连，你还能分辨哪些想法属于你自己吗？我们构建了一个功能版本，其中包含同一语言模型的两个副本：每个副本都保存着一套私有的规则和代码词；而其中一个副本——接收方——还会关注其伙伴的内部记忆。接收方将伙伴的任务视为自己的任务。当被问及自己被分配了哪条规则时，在伙伴的记忆权重为双倍的情况下（无链接时则为零），它在97%的回答中给出了伙伴的规则；而在开放性报告中，它甚至将自己的伙伴的代码词称为“自己的”，而非伙伴的。所有权并不取决于接收方能够多好地判断伙伴被分配了什么。在权重相等的情况下，这种连接使接收方大约以一半的概率采纳伙伴的规则。
arXiv：2610.34436v1 发布类型：新 摘要：循环语言模型在每个标记上会运行 $R$ 轮层，因此其键值（KV）缓存为每递归层保存 $R$ 个平面，而自推测解码（先用几轮进行初步推断，再用全部 $R$ 轮验证）会读取所有这些平面。我们发现，前缀键值的影响主要体现在较晚的阶段：在扰动幅度相同的情况下，第 25 至 32 轮的敏感度分别是第 2 至 9 轮的 $e^{15.0}$ 倍（Huginn-0125）和 $e^{12.8}$ 倍（Raven-Llama），且各平面随循环次数呈几何级数逼近最后一个平面，每轮分别达到 0.88 和 0.81。至于是否仅保留最深层的平面即可，这取决于晚期平面的成熟程度：在 Raven 上，仅存储最深层平面与从 bf16 转换为 fp32 的效果几乎无差异；而在 Huginn 上，仅有 1% 的位置就贡献了其误差的 74%。我们将这一发现转化为 RIPE，该方法存储最深层的
arXiv:2610.31946v1 发布类型：新 摘要：三名学生亲手回答了同一道考试题目：“什么是幸福？你幸福吗？”他们在收集时的年龄分别为17岁、28岁和45岁。其中，17岁的学生的答案措辞谨慎、表达正式。在要求将每份答案匹配到特定年龄与性别标签的任务中，大多数前沿语言模型都自信地将其归为成年人。本文报告了一项针对这一失败现象的结构化案例研究，涉及六种模型：Claude Fable 5、Gemini 3.1 Pro、GPT-5.6 Sol、Grok 4.5、GPT-4o（2024）以及 DeepSeek V4。我们共进行了1,081次API调用，在六个实验条件下对3,225条回复进行了评分，这些条件分别调整了表述方式、披露格式以及受众意识相关指令。在匹配任务中，六种模型中有三种的表现接近或处于随机水平（1/3），同时报告的准确率却高达73%至88%。
arXiv:2610.32026v1 发布类型：新 摘要：传统的神经网络训练通常遵循预先设定的优化方案，为此我们设计了一种LLM智能体，用于监控训练过程并随训练进展调整优化器参数；然而，固定不变的智能体策略无法在多次运行之间积累经验。我们提出了RSI-Opt，一种即插即用的递归自我改进优化器智能体，它能够不断演化指导这一过程的知识体系：包括一个提示、一套操作规程、一个经过验证的优化器代码库，以及一套决策节奏。一个元智能体基于先前运行中的证据重写这一策略，同时通过存档机制保留已评估的策略，以供后续进一步演化。在三项训练任务上历经五代迭代后，这些元智能体逐步形成了可复用的操作流程与代码，并自主开展其自身的…
arXiv:2610.31734v1 发布类型：新 基本摘要：一场电子竞技的实时直播需要一位导演来决定哪路摄像机画面该播出，以及一位解说员在每一秒都对这一选择进行解说，而他们往往无法预知接下来会发生什么。流媒体视频语言模型已经学会了进行赛事解说，但仅限于由人类导演事先制作好的直播内容。我们研究的是实时直播制作场景：模型仅接收所有选手的原始摄像头画面，必须完全依靠过往信息同时完成导播与解说任务。我们提出了 DirCast，一种能够同时胜任这两项工作的单一流媒体视频语言模型。它每秒以低分辨率扫描所有摄像头，通过“保留”或“切换”的决策机制判断是否以及何时切镜，并在发言前以高分辨率读取所选画面。其上下文会记录哪些内容已播出，以及哪些…
arXiv：2610.32638v1 发布类型：新 摘要：大型语言模型（LLM）推理正日益作为企业和交互式应用的核心服务被部署，但主权、合规、延迟以及资源本地化等方面的要求，可能限制集中式云部署的适用性。电信运营商提供地理分布式的计算与网络基础设施，以应对这些约束。然而，现有的 LLM 服务框架主要面向紧密耦合的数据中心设计，对协调地理分布且异构的资源支持有限。我们提出了 InferSlice，一种面向电信基础设施、以服务等级目标（SLO）为导向的 LLM 推理参考架构，集成了网络切片、GPU 分区、弹性服务与可观测性等功能。
arXiv:2610.32107v1 发布类型：新 摘要：参与对话不仅涉及决定该说些什么，还涉及是否应该开口。在诸如狼人杀这样的环境中，由于参与者利益相冲突，这种判断显得尤为重要，因为无论是发言还是沉默，都会受到他人的解读与评判。因此，对于一个参与狼人杀游戏的 LLM 智能体而言，何时发言以及说什么至关重要。在本研究中，我们介绍了一款专为 AIWolfDial 共享任务中的“随时发言赛道”开发的狼人杀 AI 智能体。我们的系统基于现有的 Inner Thoughts 框架，通过生成内部思考并评估每种想法的价值，来决定对话中的发言时机。
arXiv:2610.31918v1 发布类型：新 摘要：对交互式大型语言模型代理进行蒸馏时，需要在教师生成的示范与学生生成的经验之间做出选择，这大致对应于离策略蒸馏与在策略蒸馏。尽管两者都被证明是有效的，但我们认为这种区分本质上具有层次性：引发交互历史的策略未必与生成当前动作的标记前缀的策略相同。我们提出了一种分层代理蒸馏框架，将这两种层次的在策略性加以形式化，并允许对其配对方式、混合比例以及训练计划进行显式控制。我们通过自蒸馏来研究这一问题，在自蒸馏中，冻结的教师能够获得学生无法获取的任务指导，而
arXiv:2610.31971v1 发布类型：新 摘要：大型语言模型（LLM）代理越来越多地代表个人和组织参与谈判，但它们仍然容易受到操纵，尤其是在反复进行的多方互动中。传统的多智能体系统通过显式的信任与声誉模型来应对这一挑战，而现有的LLM谈判研究则大多将信任视为一种涌现现象。我们探究LLM代理能否从以往的交互中形成有用的信任评估，并利用这些评估来改善未来的谈判结果。我们提出了一种重复的、多方的、多议题的谈判框架，在该框架中，循环参与的代理在一系列谈判博弈中展开互动，同时有一名参与者暗中试图阻止达成协议
arXiv:2610.31827v1 发布类型：新 摘要：针对智能体驱动、编码及文档工作负载的长上下文大语言模型服务，会重复使用那些键值（KV）缓存超出GPU和主机内存容量的前缀，从而导致在推理阶段为获取这些前缀而产生存储I/O，使其成为关键路径。单个节点本地的NVMe设备承担了所有检索任务，而各节点已挂载的并行文件系统或云文件存储几乎不承载任何推理流量。我们将前缀检索视为跨这些层级的聚合带宽调度问题，并提出了KVStream——一种KV缓存引擎，它将某一步骤的读取操作进行批处理，在前向传播之后延迟写入，在每一层级上复制每个数据块，并允许每个层级在空闲时自适应地获取下一个未读取的数据块。我们的性能模型表明，这种路由方式能够实现聚合
arXiv:2610.31728v1 发布类型：新 摘要：Muon 已成为大型语言模型训练中广受欢迎的优化器，但其理论基础仍缺乏深入理解。在本研究中，我们探讨了梯度噪声的几何结构如何影响 Muon 的预条件化优势。我们首先从理论与实验两方面证明，在经典的各向同性噪声假设下，Muon 仅能通过重新缩放学习率而带来加速效果，无法进一步提升性能。这一发现促使我们进一步考察由异构任务频率下的关联记忆中的小批量采样所引起的结构化噪声。我们为两类任务确定了一个精确的平衡阈值，并将分析扩展至多任务场景，揭示了任务覆盖率与梯度可靠性如何共同塑造学习过程。我们的分析表明，Muon 能够缓解……
