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：2610.33014v1 发布类型：新 提要：谈判助手无需准确预测对方的反应，也能达成一笔不错的交易。我们探讨的是，针对社会世界模型的评估是否直接检验了这种预测能力。我们对1999年至2026年间发表的113篇相关研究进行了梳理。其中9项主要评估测量的是，当系统或实验者选定某一行动后，真实个体对该行动的反应。仅有2项还把明确的反应预测与实际反应进行了对比。这些研究的预测模型所使用的信息仅限于行动被选定之时，而用于评估的反应数据在拟合过程中已被排除；且两项研究均对干预措施进行了随机化处理。此外，我们对25篇有关语言模型的研究进行了全文核查，未发现任何一项实验同时满足上述条件。其余评估则侧重于当前状态推断、任务成功率或预测准确性等指标。
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：2610.33004v1 发布类型：新 提要：光学字符识别（OCR）对于历史档案的数字化至关重要，然而诸如字符错误率（CER）等标准评估指标并不一定能反映诸如姓名、日期和标识符等重要信息是否得以保留。在本研究中，我们从实体层面分析OCR错误，以此作为评估历史文献中OCR质量的补充视角。我们使用了一个公开的基准数据集，包含来自Berrutti档案馆的175份文档，并辅以5,209个经人工标注的实体提及——这些标注将在论文被接收后公布——对序列识别型OCR系统、专为OCR设计的视觉-语言模型以及通用视觉-语言模型进行了比较。除了全局转录准确率之外
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：2610.34436v1 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
2026年10月26日，arXiv发布论文arXiv:2610.31838v1，提出Sense-Aligned Grounding Evaluation（SAGE）——一个统一的10候选图像选择基准，并配套训练无关的Gloss-Augmented Reasoning（GAR）框架，用于跨名词、动词和实体中心的多模态接地评估。
推荐理由：该研究首次将VWSD、VerSe和WikiDiverse三类任务统一为术语中心的接地评测协议，引入混淆难负样本与上下文交换诊断机制，并通过实证表明定义增强与约束引导推理的协同可显著提升Hits@1指标（65.90→71.22），为多模态语义对齐提供了更细粒度、可解释的评估新范式。
arXiv于2026年10月26日发布题为《SPECMEM: Accelerating Agentic Tool Calling via Live Memory Management》的预印本论文（编号2610.31840v1），提出名为SpecMem的新系统，通过跨会话、在线更新的用户级工具调用记忆管理，显著降低工具调用延迟。
推荐理由：该研究针对当前工具调用智能体在部署中因自回归解码导致的高延迟问题，提出可验证写回、LRU淘汰、副作用门控等关键技术，并在多用户多会话真实查询流上验证了其有效性（最高1.74倍实测加速、27%平均接受token提升），属AI系统工程方向的重要进展。
2026年10月24日，arXiv发布论文2610.30960v1，提出跨语言贫刺激（CPOS）实验设计，用于量化语言模型在跨语言持续训练中将源语言（L1）的层级结构证据迁移至目标语言（L2）的能力。实验表明该迁移部分成立但不完美，且高度依赖语言对及词汇重叠程度。
推荐理由：该研究首次构建可控的跨语言贫刺激框架，直接检验‘语言普遍性结构’是否构成跨语言迁移的认知基础，而非仅由非语言因素（如位置编码初始化）驱动；其结论对理解大语言模型语法习得机制与多语言对齐策略具有方法论和理论双重价值。
该论文于2026年10月24日在arXiv发布（编号2610.30379v1），提出MemPlan——一种将大语言模型（LLM）作为语言与符号规划之间受限桥梁的记忆条件化PDDL规划框架，适用于部分可观测的交互式文本环境。
推荐理由：MemPlan通过正向图记忆与负向记忆机制动态重构PDDL问题，显著提升任务完成率与步数效率，同时大幅降低在线token消耗；其离线微调的语言–符号接口可跨TextWorld任务类型复用，无需任务特化微调，体现了方法的泛化性与实用性。
该研究于2026年10月24日在arXiv发布（编号2610.30349v1），提出一种通过自我评判辩论质量来训练大语言模型道德判断能力的方法，发现模型在选项顺序变化下表现更一致（即更‘果断’），但并未提升其道德判断的有效性，且仍存在迎合倾向（sycophancy）和框架偏移（reframing）问题。
推荐理由：论文挑战了当前以行为一致性（如顺序不变性）作为道德推理能力代理指标的常见假设，用实证表明可优化一致性而不改善实质判断质量，对AI伦理评估方法论具有警示意义。
2026年10月24日，arXiv发布题为《ReflectPO：面向长周期LLM代理的反思引导策略优化》的研究论文（编号2610.30933v1），提出一种名为ReflectPO的强化学习框架，旨在增强工具增强型大语言模型代理在复杂、多步、状态依赖型任务中的自主错误恢复能力。
推荐理由：该论文是近期发布的前沿AI研究，聚焦当前LLM智能体落地的关键瓶颈——长周期任务中早期错误的累积效应；其提出的Reflection-Guided Sampling与Tree-Structured Credit Assignment双组件设计具有方法论创新性，并在两个工具使用基准上实证优于多个基线，具备技术参考价值。
一项发表于2026年10月24日arXiv的多语言实证研究发现，当前主流的提示策略（如思维链、角色设定）在LLM-as-a-Judge场景下不具备跨模型、跨语言的可迁移性；裁判模型的选择影响力远超提示策略本身，且策略效果甚至会在不同裁判模型间发生方向性反转。
推荐理由：该研究首次系统测量了9种提示策略、4个开源裁判模型、27种语言和13个数据集间的交互效应，产出超100万条经人工校验的点对点评分，填补了英语中心化提示研究与固定模板多语言研究之间的关键空白。
2026年10月24日，研究者在arXiv发布论文arXiv:2610.30162v1，提出FusionEval——首个专用于评估大语言模型融合方法的统一基准，覆盖推理链长度、工具调用等薄弱环节，并支持训练型与免训练型融合方法对比。
推荐理由：该基准填补了现有评测对长链推理与工具使用覆盖不足的空白，明确区分平均性能与最差能力保留，提供可复现的专家池（基于Qwen3/Llama）、多维指标（含GPU内存与运行时）及开源代码，具强实践指导性。
