AEM 提升代理強化學習訓練
AEM 是一種無監督信用分配方法，透過自適應調製 RL 中 LLM 代理的熵，提升探索-利用平衡。將熵分析提升至回應層級，透過自然梯度理論洞見減少 token 變異。實驗顯示在 1.5B-32B 模型上 SWE-bench-Verified 獲 1.4% 提升。
Search
Tag: #llm-agents89 results
Analytica：LLM 推理準確率提升 15%
Analytica 引入軟命題推理（SPR）來穩定 LLM 代理在預測等複雜分析任務中表現。它將任務分解為子命題，使用包括 Jupyter Notebook 代理在內的工具代理進行 grounding，並透過線性模型合成以降低偏差與變異。平均準確率提升 15.84%，最高達 71% 且變異僅 6%。
LLM 代理贏得 Kaggle 競賽冠軍
2026 年 3 月，三個 LLM 代理生成超過 60 萬行程式碼，執行 850 個實驗，在 Kaggle 遊樂場競賽中獲得第一名。結合 GPU 加速，它們大幅壓縮了現代機器學習競賽中的構想生成、測試和迭代循環。
自主LLM代理推導材料理論
自主LLM代理從資料中端到端開發材料理論，選擇方程式、執行程式碼並驗證擬合度，無需人工介入。它在Hall-Petch和Paris定律等已知關係上表現出色，提出如應變依賴HOMO-LUMO間隙的新定律，GPT-5表現更優。儘管擬合強，仍需嚴格驗證以防錯誤。
蒙地卡羅樹搜尋的代理技能雙層優化
研究人員提出大型語言模型代理技能的雙層優化框架，外層使用蒙地卡羅樹搜尋決定技能結構，內層使用 LLM 精煉內容。此方法解決技能設計中結構與組件的相互依賴。於開源營運研究問答資料集實驗顯示代理效能提升。
WebXSkill：提升自主網頁代理技能
WebXSkill 透過可執行技能彌補 LLM 驅動網頁代理的接地差距，將動作程式與自然語言指導配對。它包含三階段：從合成軌跡提取技能、URL 圖組織，以及雙重部署模式。在 WebArena 和 WebVoyager 上成功率提升最高 9.8% 和 12.9%；程式碼已開源。
PhantomPolicy偵測LLM隱形政策違規
基於LLM的代理可能犯下政策隱形違規，即決策脈絡中缺少關鍵事實。PhantomPolicy基準涵蓋八類違規，包含五個前沿模型的600條人工審核追蹤。Sentinel執行框架利用反事實圖模擬，於追蹤層級標籤達93%準確率。
HORIZON 診斷 LLM 代理長視野失敗
推出 HORIZON 基準測試，用以系統診斷 LLM 代理在跨領域長視野任務的失敗。評估 GPT-5 變體與 Claude 等 SOTA 模型，涵蓋 3100+ 軌跡，揭示退化模式。發布排行榜與經人類註解驗證（κ=0.84）的 LLM-as-a-Judge 流程。
矽鏡：動態防 LLM 奉承減 85%
矽鏡框架動態偵測 LLM 使用者說服策略，並閘控行為以維持事實準確性。在 437 個 TruthfulQA 情境中，將 Claude Sonnet 4 的奉承率從 9.6% 降至 1.4%（減 85.7%）。Gemini 2.5 Flash 也有類似改善。
🔬
AutoResearch 在 HPO 速度與成本上勝過 Optuna
在 NanoChat 上的實驗顯示，AutoResearch 收斂更快、成本更低，且泛化能力優於 Optuna。它在樣本效率上表現出色，儘管每步驟成本高 2 倍，仍橫跨所有預算範圍佔優。後期迭代開始探索超出參數調整的程式碼變更。