告别离散判分：连续概率评分让LLM验证准确率提升至86.5%，零微调超越专用模型
验证是AI的隐藏瓶颈！斯坦福伯克利这篇最新论文，提出LLM-as-a-Verifier，用连续评分取代离散判分，并沿三个维度缩放验证能力。无需训练就在代码、机器人、医学四基准拿下SOTA，GitHub已获近600星。想了解如何让Agent更可靠？这篇值得细读。
标签：Agent
共 137 篇
这篇论文把智能体拉回工程：契约、护栏、审计全补上
智能体这波最热闹的地方，不是“会不会做题”，而是“能不能放心交活”。这篇论文直接把话挑明：没有契约、护栏、审计和责任边界，智能体再聪明也只是实验室里的热闹。
RUMBA来了：俄语长记忆基准把模型短板照得很清楚
长期记忆这件事，很多模型平时看着挺聪明，一到多会话、跨时间、隐式时间表达就开始露馅。RUMBA把俄语场景拆成三轴诊断题，直接告诉读者：到底是忘了、算错了，还是时间没看懂。
OVOD-Agent：无大模型也能做视觉推理？
开放词汇目标检测最尴尬的地方，不是“看不见”，而是“看见了却只会机械对词”。这篇论文把检测器改造成会做视觉推理的轻量代理，还尽量不把系统搞成大模型重灾区，思路很对路。
CodeRescue来了：编码代理失败后也能控预算
代码代理终于不只是“会不会改对”，而是开始认真算“改一次要花多少钱”。这篇 CodeRescue 把失败后的恢复动作拆成可路由、可校准、可控预算的流程，思路很实用，工程味也很足。
CodeRescue来了：代码Agent失败后，预算怎么花更值
代码 Agent 失败后，真正值钱的不是“继续堆算力”，而是先判断这次失败到底适合修、重做还是升级。CodeRescue 的厉害之处在于，它把这个经验判断做成了可训练、可校准、还能按预算切换的路由器。
工具海时代来了：Agent挑工具快8.9倍
Agent 不是不会干活，是经常被“工具海”淹没。本文把 MCP 从直连玩成云端网关，顺手把旧 API、协议兼容、工具筛选和会话路由一起收拾了，属于真能落地的基础设施活。
24项检查清单出手：智能体自检从5/10升到10/10
这篇论文不玩虚的，直接拿白盒代码审计任务开刀：同一任务、同一检查项，只改上下文，看看智能体到底是“真会做”还是“靠短记忆硬撑”。结果很扎心，长上下文确实更容易掉链子，但不是所有任务都这样。
6G新方向：TokCom把通信变成token协作
这篇 TokCom 很有意思，表面看是 6G 通信，骨子里其实是在把“传比特”改造成“传语义、传 token、传状态”。它真正想解决的不是带宽多一点少一点，而是 AI 系统在边缘、云和多智能体之间怎么更省、更稳地协同干活。
微软Azure新架构：事故从小时级降到分钟级
网络事故最怕的不是出错，而是出错时没人比系统更快。微软 Azure 这篇论文把“告警—诊断—修复—验证”做成了多智能体闭环，还真在生产里跑出了 90% 以上的自主解决率，属于能落地的那种狠活。
不碰文本也能改记忆：LUCID揭开多模态智能体新漏洞
多模态智能体最怕的不是答错，而是把错的东西“记牢”。这篇论文直接把矛头对准长期记忆：攻击者只改一张图，就能在黑盒条件下把记忆系统带偏，而且五种后端都没能幸免。更关键的是，它把“检索被命中”和“模型真的信了”这两件事分开看，结论很扎实。
8张H20实测：Muon在RL后训练里真能赢AdamW？
Muon 在预训练里已经很能打，但到了强化学习后训练阶段，表现却一直不清不楚。这篇论文不讲玄学，直接拿三种优势估计器和学习率做对照，结果很扎眼：有的场景能涨 88%，有的场景却几乎没戏。
