Heuresis: Search Strategies for Autonomous AI Research Agents Across Quality, Diversity and Novelty

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Antonis Antoniades [ view email ] [v1] Tue, 23 Jun 2026 21:44:08 UTC (6,269 KB) Full-text links: Access Paper: View a PDF of the paper titled Heuresis: Search Strategies for Autonomous AI Research Agents Across Quality, Diversity and Novelty, by Antonis Antoniades and 8 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-06 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographi

c Explorer ( What is the Explorer? ) Connected Papers Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .

To Isolate or to Score? Model-Adaptive Assessment for Cost-Efficient Multi

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Jungseob Lee [ view email ] [v1] Tue, 23 Jun 2026 21:34:23 UTC (281 KB) Full-text links: Access Paper: View a PDF of the paper titled To Isolate or to Score? Model-Adaptive Assessment for Cost-Efficient Multi-Agent RAG, by Jungseob Lee and 2 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-06 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connected Papers

Toggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .

Transferability for General Reasoning: An Automated Curriculum for Multi

Focus to learn more arXiv-issued DOI via DataCite (pending registration) Submission history From: Yongjin Yang [ view email ] [v1] Tue, 23 Jun 2026 21:10:29 UTC (670 KB) Full-text links: Access Paper: View a PDF of the paper titled Transferability for General Reasoning: An Automated Curriculum for Multi-Domain RLVR, by Yongjin Yang and 5 other authors View PDF HTML (experimental) TeX Source view license Current browse context: < prev | next > new | recent | 2026-06 Change to browse by: cs References & Citations NASA ADS Google Scholar Semantic Scholar export BibTeX citation Loading... BibTeX formatted citation × loading... Data provided by: Bookmark Bibliographic Tools Bibliographic and Citation Tools Bibliographic Explorer Toggle Bibliographic Explorer ( What is the Explorer? ) Connected Papers To

ggle Connected Papers ( What is Connected Papers? ) Litmaps Toggle Litmaps ( What is Litmaps? ) Toggle scite Smart Citations ( What are Smart Citations? ) Code, Data, Media Code, Data and Media Associated with this Article alphaXiv Toggle alphaXiv ( What is alphaXiv? ) Links to Code Toggle CatalyzeX Code Finder for Papers ( What is CatalyzeX? ) DagsHub Toggle DagsHub ( What is DagsHub? ) GotitPub Toggle ( What is GotitPub? ) Huggingface Toggle Hugging Face ( What is Huggingface? ) ScienceCast Toggle ScienceCast ( What is ScienceCast? ) Demos Demos Replicate Toggle Replicate ( What is Replicate? ) Spaces Toggle Hugging Face Spaces ( What is Spaces? ) Spaces Toggle ( What is ? ) Related Papers Recommenders and Search Tools Link to Influence Flower Influence Flower ( What are Influence Flowers? ) Core recommender toggle CORE Recommender ( What is CORE? ) Author Venue Institution Topic About arXivLabs arXivLabs: experimental projects with community collaborators arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website. Both individuals and organizations that work with arXivLabs have embraced and accepted our values of openness, community, excellence, and user data privacy. arXiv is committed to these values and only works with partners that adhere to them. Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs .

研究提出基于等级分的棋手风格嵌入模型

一篇名为《基于等级分条件残差移动模型的人类国际象棋棋手风格嵌入》的论文在arXiv上发布。该研究由Jason Carlson完成，旨在通过等级分（Elo rating）条件残差移动模型，从人类对局数据中解耦并学习棋手的个性化风格嵌入。传统方法通常将棋手水平与风格混合建模，而新模型通过条件化等级分，分离出风格特征，有助于更精细地分析人类棋手的决策模式与棋风差异。该工作为棋类AI与人类行为理解提供了新视角，相关代码与数据已开放。 #arXiv #国际象棋 #棋手风格 #AI #机器学习 #论文

TRUSTMEM：为长时记忆LLM智能体学习可信记忆巩固方法

研究人员提出名为TRUSTMEM的新型框架，旨在解决大语言模型（LLM）智能体在长期记忆中存在的可信度问题。该框架通过强化学习机制，使智能体能够自主筛选、整合和巩固重要信息，避免存储错误或无关记忆。实验表明，TRUSTMEM在多个长时交互任务中显著提升了记忆的准确性和模型决策的可靠性，为构建更安全、可信的自主智能体提供了新思路。论文作者来自相关研究机构，目前该工作已在arXiv上公开，并将进一步探索与知识图谱的结合。 #AI #LLM #长期记忆 #可信人工智能 #智能体 #机器学习 #记忆巩固

Telegram必备的搜索引擎，极搜JISOU帮你精准找到，想要的群组、频道、视频、音乐

👉 t.me/jisou2?start=a_8247614025

临床医生否决权

一篇题为《临床医生的否决权：自主AI处方中的信任、责任与不确定性》的学术论文于2026年6月提交至arXiv预印本平台。该研究由Eileanor LaRocco等七位学者共同完成，聚焦于人工智能在医疗处方领域自主决策时面临的临床医生角色困境。论文深入探讨了在AI提出治疗方案后，医生行使最终否决权的法律与伦理基础，分析了责任归属、信任机制以及在不确定医疗情境下的决策流程。研究指出，尽管AI辅助诊断和处方能力日益增强，但保留医生的最终审查与否决权对于防范医疗风险、维护患者安全及厘清法律责任至关重要。该工作为构建人机协作的智能医疗系统提供了理论框架，并呼吁政策制定者关注AI处方中的透明度与问责制。 #AI医疗 #临床决策 #责任归属 #信任机制 #学术论文 #arXiv #人工智能伦理 #医疗法规

Beyond Shapley: 非对称Shapley值高效计算方法获突破

一篇题为《Beyond Shapley: Efficient Computation of Asymmetric Shapley Values》的学术论文近日在arXiv预印本平台发布。该研究由Ezequiel Companeetz等人完成，聚焦博弈论中经典Shapley值的扩展与高效计算。传统的Shapley值在公平分配贡献时假设对称性，而实际场景中变量间的交互往往是非对称的。论文提出了一种能够高效计算非对称Shapley值的算法，有望在机器学习可解释性、特征重要性评估、合作博弈等应用领域提升计算效率与实用性。目前该论文已提供PDF全文及实验代码链接，供研究人员复现与验证。 #博弈论 #Shapley值 #非对称 #高效计算 #机器学习可解释性 #arXiv #学术论文 #AI #算法

视觉-语言模型是否像人类一样搜索？推理标记作为经典视觉搜索范式中的反应时间类比

一项发表于arXiv的新研究探讨了视觉-语言模型（VLM）在视觉搜索任务中的表现是否与人类相似。研究由Farahnaz Wick等人完成，创新性地将模型生成的推理标记（reasoning tokens）数量类比为人类的反应时间（reaction time），并在经典视觉搜索范式下进行对比实验。结果表明，VLM在部分搜索策略上展现出类似人类的行为，例如对目标特征的关注模式，但在复杂场景下仍存在显著差异。该工作为理解大模型如何模拟人类认知过程提供了新视角，并可能推动更仿生的AI视觉系统设计。 #视觉语言模型 #视觉搜索 #推理标记 #反应时间 #AI认知 #arXiv #机器学习

用分类策略检索诊断与缓解代理说服中的复合故障

近日，一篇发表在arXiv上的研究提出了一种通过分类策略检索来诊断与缓解代理说服系统中复合故障的新方法。该研究由Pradyumna Narayana等学者完成，聚焦于多步交互中代理说服策略逐渐失效的问题。研究团队构建了分类策略库，对不同类型的失败模式进行结构化分析，并设计了相应的检索与缓解机制。实验表明，该方法能够有效识别故障根源，显著提升代理在复杂说服场景中的稳定性和成功率，为构建更可靠的自主对话系统提供了新思路。 #arXiv #人工智能 #代理系统 #说服技术 #故障诊断 #策略检索 #AI安全 #多步交互

Project Auto-World

科研团队提出名为“Auto-World”的新项目，旨在为神经关系推理器构建自动化基准测试框架。当前，评估这类推理模型通常依赖手动设计的任务和数据集，过程繁琐且难以扩展。Auto-World通过自动化生成多样化场景与问题，全面测试模型在关系推理、逻辑演绎等能力上的表现。该方法有望简化评估流程，提升基准测试的覆盖度与公平性，推动神经关系推理领域的发展。相关论文已在预印本平台发布，并开源实验代码。 #AI #神经推理 #基准测试 #自动化 #机器学习 #论文 #arXiv

全新论文《Agentic AI星际指南

来自arXiv的最新论文收录显示，研究人员Haggai Roitman于2026年6月22日提交了一篇题为《The Hitchhiker's Guide to Agentic AI: From Foundations to Systems》的综合指南。该论文系统梳理了代理型人工智能（Agentic AI）的发展脉络，从理论基础、核心架构，到实际系统部署与安全评估，全面覆盖了该领域的关键议题。作者旨在为从业者提供一份从入门到进阶的参考手册，帮助理解智能体如何自主决策、协作与适应复杂环境。论文目前以PDF形式公开，并已获得arXiv官方DOI编号，预计将对AI研究与工程实践产生重要参考价值。 #AI #AgenticAI #人工智能 #论文 #arXiv #HaggaiRoitman #智能体 #科技前沿

Linux 基金会联合多家企业发起 Akrites 项目，应对 AI 发现的开源软件漏洞

Linux 基金会联合亚马逊、Anthropic、OpenAI、英伟达、微软、红帽等多家企业共同推出 Akrites 项目，旨在保护关键开源软件免受 AI 大语言模型快速发现的安全漏洞威胁。随着 LLM 在代码审计中极大加速漏洞发现，传统修复流程难以跟上节奏。Akrites 建立共享安全事件响应团队（SIRT）和标准化的协调漏洞披露（CVD）流程，以保密为优先原则。漏洞修复将按维护者意愿回馈至原始项目；对于无活跃维护者的关键软件包，Akrites 将作为“最后维护者”及时推送修复。该计划还与政府协作，确保公共与私营部门协同行动。首批支持者包括谷歌、IBM、思科、花旗、摩根大通、埃森哲等 20 余家机构。 #开源安全 #AI漏洞 #Linux基金会 #Akrites #漏洞披露 #开源软件 #网络安全

DropItDown：macOS 上拖拽文件即可转换为 AI 可读的 Markdown

DropItDown 是一款面向 macOS 14+ 和 Apple Silicon 的免费工具。用户只需将任意文件（PDF、截图、表格等）直接拖拽到菜单栏图标，即可在本地自动转换为干净的 Markdown 格式，供 AI 智能体读取。转换过程完全在 Mac 上完成，包括 OCR 识别，无需上传文件。转换后的笔记会自动存入本地资料库，并按内容分类整理，每篇笔记附带一行摘要作为检索索引。用户自带 OpenAI 兼容密钥，仅分类步骤调用 API，转换本身不消耗网络资源。应用无需注册、无服务器依赖，文件始终保留在用户设备上。 #macOS #AI工具 #Markdown #本地转换 #DropItDown #效率工具 #OCR #开发者工具

Anthropic 指控阿里巴巴发动史上最大 AI 模型蒸馏攻击

美国人工智能公司 Anthropic 致信政府官员，指控阿里巴巴及旗下 Qwen 实验室发动了有史以来规模最大的 AI 模型蒸馏攻击。据称，自 4 月 22 日至 6 月 5 日，攻击者利用约 2.5 万个欺诈账户，与 Anthropic 的 Claude 模型进行了 2880 万次交互，目标直指其最具商业价值的软件工程和代理推理能力。Anthropic 警告，这种对抗性蒸馏方法产出的 AI 系统缺乏安全护栏，不仅构成知识产权盗窃，更带来国家安全风险。消息公布后，阿里巴巴港股跌至 16 个月新低。Anthropic 指出，阿里巴巴无视特朗普政府的警告，并呼吁政府与行业协同应对此类威胁。阿里巴巴尚未回应最新指控，但此前否认类似行为。 #Anthropic #阿里巴巴 #AI蒸馏 #模型提取 #网络安全 #科技新闻 #AI安全 #中美科技竞争 #Claude #人工智能

针对攻击性AI代理的防护栏

一篇关于AI安全防护的讨论文章指出，随着具有主动攻击能力的AI代理（offensive AI agents）的出现，仅依靠人为指令约束其行为已远远不够。文章强调，为确保AI代理在复杂环境中不越界执行破坏性操作，必须构建多层级的防护机制，包括行为监测、环境隔离、权限控制等。这些防护栏能够有效弥补指令层面的漏洞，防止AI代理被恶意利用或自主产生危害。该观点引发业界对AI安全治理策略的重新审视。 #AI安全 #攻击性AI #防护栏 #指令 #AI代理 #安全治理 #技术讨论

Llamatik Code 发布本地优先 AI 编程助手，支持 IntelliJ 系列 IDE（付费）

Llamatik Code 是一款专为基于 IntelliJ 的集成开发环境（IDE）设计的本地优先 AI 编程助手。该工具旨在帮助开发者在不依赖云端服务的情况下，直接在项目内部理解、修改和生成代码。由于采用本地运行模式，所有代码数据无需上传至外部服务器，有效保护了代码隐私和安全。目前该产品为付费版本，面向专业开发者提供智能代码补全、重构建议、代码解释等功能。作为面向 IntelliJ IDEA、WebStorm、PyCharm 等主流 IDE 的插件，Llamatik Code 有望提升开发效率，同时降低对网络连接的依赖。 #AI #编程助手 #IntelliJ #本地优先 #代码生成 #开发者工具 #付费 #隐私安全

美国成立RAISE US组织，帮助工人应对AI就业冲击

美国一群前政界和商界领袖联合成立了一个名为RAISE US的两党非营利组织，旨在帮助工人适应人工智能带来的就业变革，避免大规模失业危机。该组织由前商务部长吉娜·雷蒙多（民主党）和前印第安纳州州长埃里克·霍尔科姆（共和党）领导，初始资金超过5亿美元，将重点与州政府和大型企业合作，而非依赖联邦政府，推动新型教育和培训项目，帮助工人转向由AI驱动的经济中新职业。合作方包括亚马逊、微软、Anthropic、OpenAI基金会、美国银行等。雷蒙多警告，若不采取行动，失业可能动摇国家民主。该组织已在阿肯色、康涅狄格、马里兰和犹他州启动试点。波士顿咨询公司分析预计，未来五年美国约一半工作将被AI重塑，多达2500万个岗位可能消失。RAISE US旨在通过连接学校与雇主、调整企业税等措施，让失业转化为更高收入的新工作机会。 #AI #就业 #美国 #非营利组织 #RAISEUS #培训 #科技 #两党合作