HarnessBridge：用于LLM Agent框架的可学习双向控制器
一篇题为《HarnessBridge: Learnable Bidirectional Controller for LLM Agent Harness》的学术论文于2026年6月11日提交至arXiv预印本平台。该论文由Xiaoxuan Wang等六位作者撰写，提出了一种名为HarnessBridge的可学习双向控制器，旨在优化大语言模型（LLM）Agent的操控框架。目前论文以PDF格式公开，并附有TeX源码。该研究涉及计算机科学、人工智能等前沿领域，为LLM Agent的自动化控制提供了新的技术思路。 #人工智能 #大模型 #LLMAgent #论文 #arXiv #计算机科学
一篇题为《HarnessBridge: Learnable Bidirectional Controller for LLM Agent Harness》的学术论文于2026年6月11日提交至arXiv预印本平台。该论文由Xiaoxuan Wang等六位作者撰写，提出了一种名为HarnessBridge的可学习双向控制器，旨在优化大语言模型（LLM）Agent的操控框架。目前论文以PDF格式公开，并附有TeX源码。该研究涉及计算机科学、人工智能等前沿领域，为LLM Agent的自动化控制提供了新的技术思路。 #人工智能 #大模型 #LLMAgent #论文 #arXiv #计算机科学
WISE: 基于“Why-Which”推理的Minecraft长周期智能体
一篇来自arXiv的预印本论文介绍了名为WISE的长周期智能体，该智能体专为Minecraft环境设计，核心创新在于采用“Why-Which推理”机制。这一推理框架使智能体能够在长时间跨度内进行因果归纳与目标拆解，从而在开放世界游戏中执行复杂的、需要多步规划的任务。作者Renmin Cheng等人表示，WISE通过区分“为什么做”（Why）和“做什么”（Which），显著提升了智能体在动态场景下的长期决策能力。该研究有望推动具身智能体在复杂虚拟环境中的应用，并为现实世界的机器人长期自主任务提供新思路。 #AI #智能体 #Minecraft #长周期推理 #WhyWhich #具身智能 #论文 #arXiv
一篇来自arXiv的预印本论文介绍了名为WISE的长周期智能体，该智能体专为Minecraft环境设计，核心创新在于采用“Why-Which推理”机制。这一推理框架使智能体能够在长时间跨度内进行因果归纳与目标拆解，从而在开放世界游戏中执行复杂的、需要多步规划的任务。作者Renmin Cheng等人表示，WISE通过区分“为什么做”（Why）和“做什么”（Which），显著提升了智能体在动态场景下的长期决策能力。该研究有望推动具身智能体在复杂虚拟环境中的应用，并为现实世界的机器人长期自主任务提供新思路。 #AI #智能体 #Minecraft #长周期推理 #WhyWhich #具身智能 #论文 #arXiv
人类监督对AI辅助社会科学研究仍不可或缺
近日，一篇题为《人类注意力（仍然）是你所需：人类监督使AI辅助的社会科学研究可靠》的论文在arXiv预印本平台发布。该研究指出，尽管大语言模型等AI工具在社会科学研究中展现出强大能力，但若缺乏人类持续、细致的监督，AI生成的分析结果可能不可靠。论文通过实验验证，在数据标注、因果推断和文本分析等环节，人类专家的注意力（即人工审核与干预）能有效纠正AI的偏差和错误，确保研究结论的稳健性。作者强调，当前AI不能完全替代人类的判断力，尤其在涉及复杂社会现象和价值判断的研究中，人类监督仍是确保科学诚信的“必需品”。该发现为AI与社会科学的交叉领域提供了重要方法论参考，呼吁学界在拥抱技术的同时守住人工校验的底线。 #AI #社会科学 #人类监督 #论文 #arXiv #注意力机制 #研究方法
近日，一篇题为《人类注意力（仍然）是你所需：人类监督使AI辅助的社会科学研究可靠》的论文在arXiv预印本平台发布。该研究指出，尽管大语言模型等AI工具在社会科学研究中展现出强大能力，但若缺乏人类持续、细致的监督，AI生成的分析结果可能不可靠。论文通过实验验证，在数据标注、因果推断和文本分析等环节，人类专家的注意力（即人工审核与干预）能有效纠正AI的偏差和错误，确保研究结论的稳健性。作者强调，当前AI不能完全替代人类的判断力，尤其在涉及复杂社会现象和价值判断的研究中，人类监督仍是确保科学诚信的“必需品”。该发现为AI与社会科学的交叉领域提供了重要方法论参考，呼吁学界在拥抱技术的同时守住人工校验的底线。 #AI #社会科学 #人类监督 #论文 #arXiv #注意力机制 #研究方法
科学智能体构建指南：AgentBuild 框架用于 Rietveld 精修
一篇题为《Fantastic Scientific Agents and How to Build Them: AgentBuild for Rietveld Refinement》的论文在 arXiv 上预印发布。该研究由 Woong Shin 等人完成，提出了一种名为 AgentBuild 的框架，旨在帮助科学家构建用于 Rietveld 精修的科学智能体。Rietveld 精修是材料科学中分析晶体结构的重要方法，传统上依赖手动调整参数，过程繁琐。AgentBuild 通过模块化设计和可复用的组件，使研究人员能够快速定制自动化智能体，从而提升材料分析效率。论文还提供了示例和实现细节，展示了智能体在数据驱动科学中的潜力。 #科学智能体 #Rietveld精修 #材料科学 #AI #arXiv #论文 #自动化
一篇题为《Fantastic Scientific Agents and How to Build Them: AgentBuild for Rietveld Refinement》的论文在 arXiv 上预印发布。该研究由 Woong Shin 等人完成，提出了一种名为 AgentBuild 的框架，旨在帮助科学家构建用于 Rietveld 精修的科学智能体。Rietveld 精修是材料科学中分析晶体结构的重要方法，传统上依赖手动调整参数，过程繁琐。AgentBuild 通过模块化设计和可复用的组件，使研究人员能够快速定制自动化智能体，从而提升材料分析效率。论文还提供了示例和实现细节，展示了智能体在数据驱动科学中的潜力。 #科学智能体 #Rietveld精修 #材料科学 #AI #arXiv #论文 #自动化
GeoNatureAgent基准测试
研究人员提出了GeoNatureAgent基准测试，专门用于评估大语言模型（LLM）在环境地理空间分析中的能力。该基准覆盖了前沿模型与开源基础模型，专注于衡量模型在处理地理数据、环境模拟和空间推理等复杂任务上的表现。论文由Gabriel Diaz-Ireland等学者撰写，已在arXiv预印本平台发布。这一标准化评估框架有望推动AI在环境监测、资源管理和生态模拟等实际场景中的深入应用，为地理科学领域引入更可靠的智能分析工具。 #GeoNatureAgent #大模型 #环境地理 #AI基准 #空间分析 #LLM #arXiv #地理科学 #人工智能 #环境监测
研究人员提出了GeoNatureAgent基准测试，专门用于评估大语言模型（LLM）在环境地理空间分析中的能力。该基准覆盖了前沿模型与开源基础模型，专注于衡量模型在处理地理数据、环境模拟和空间推理等复杂任务上的表现。论文由Gabriel Diaz-Ireland等学者撰写，已在arXiv预印本平台发布。这一标准化评估框架有望推动AI在环境监测、资源管理和生态模拟等实际场景中的深入应用，为地理科学领域引入更可靠的智能分析工具。 #GeoNatureAgent #大模型 #环境地理 #AI基准 #空间分析 #LLM #arXiv #地理科学 #人工智能 #环境监测
Teach-and-Repeat：从移动屏幕演示中精确提取操作知识，增强GUI智能体
该论文提出了一种名为“Teach-and-Repeat”的方法，旨在从用户的移动屏幕操作演示中精准提取可复用的操作知识，从而赋能GUI智能体。传统方法面临演示噪声大、意图模糊等问题，而该工作通过记录屏幕状态与用户点击序列，结合语义对齐与动作泛化技术，能够自动学习任务的原子操作步骤，并支持在相似界面下的重复执行。实验表明，该方法在多个App任务上显著提升了智能体的任务完成准确率，降低了人工标注成本，为移动端自动化与无代码编程提供了新思路。 #arXiv #GUI智能体 #移动端自动化 #屏幕演示 #操作知识提取 #人机交互 #人工智能
该论文提出了一种名为“Teach-and-Repeat”的方法，旨在从用户的移动屏幕操作演示中精准提取可复用的操作知识，从而赋能GUI智能体。传统方法面临演示噪声大、意图模糊等问题，而该工作通过记录屏幕状态与用户点击序列，结合语义对齐与动作泛化技术，能够自动学习任务的原子操作步骤，并支持在相似界面下的重复执行。实验表明，该方法在多个App任务上显著提升了智能体的任务完成准确率，降低了人工标注成本，为移动端自动化与无代码编程提供了新思路。 #arXiv #GUI智能体 #移动端自动化 #屏幕演示 #操作知识提取 #人机交互 #人工智能
世界模型与物理AI教程
一篇题为《世界模型与物理AI教程》的论文由作者Il-Seok Oh提交至arXiv预印本平台。该教程系统介绍了世界模型（World Models）在物理人工智能（Physical AI）领域中的基础理论与应用方法。世界模型作为AI系统理解环境动态的核心技术，通过构建内部表征实现预测与规划，而物理AI则强调机器人在真实物理世界中的感知、决策与行动能力。该教程涵盖了世界模型的构建、强化学习整合、仿真环境交互等关键议题，为研究人员和开发者提供了从理论到实践的指导。论文提交于2026年6月，目前可通过arXiv获取全文。 #世界模型 #物理AI #人工智能 #教程 #arXiv #论文 #机器学习 #机器人
一篇题为《世界模型与物理AI教程》的论文由作者Il-Seok Oh提交至arXiv预印本平台。该教程系统介绍了世界模型（World Models）在物理人工智能（Physical AI）领域中的基础理论与应用方法。世界模型作为AI系统理解环境动态的核心技术，通过构建内部表征实现预测与规划，而物理AI则强调机器人在真实物理世界中的感知、决策与行动能力。该教程涵盖了世界模型的构建、强化学习整合、仿真环境交互等关键议题，为研究人员和开发者提供了从理论到实践的指导。论文提交于2026年6月，目前可通过arXiv获取全文。 #世界模型 #物理AI #人工智能 #教程 #arXiv #论文 #机器学习 #机器人
新研究提出构建程序推理评估数据集的方法
据arXiv预印本，来自Sarah Elshabrawy等研究人员发表论文，探讨如何构建用于程序推理的评估数据集。研究指出，现有数据集在自然性、基础性（grounding）和多跳覆盖三个方面难以兼顾，往往偏向其中某一特性而牺牲其他。他们提出了一种新的构建框架，通过精心设计的采样和标注策略，在保持任务真实感的同时，确保每个样本具备充分的上下文基础，并覆盖多步推理链条。该工作旨在更准确地评估AI系统在复杂程序理解与执行中的表现，对自然语言处理、知识推理及大模型评测领域具有参考价值。 #AI #程序推理 #评估数据集 #自然语言处理 #arXiv #论文 #多跳推理 #大模型 #知识推理
据arXiv预印本，来自Sarah Elshabrawy等研究人员发表论文，探讨如何构建用于程序推理的评估数据集。研究指出，现有数据集在自然性、基础性（grounding）和多跳覆盖三个方面难以兼顾，往往偏向其中某一特性而牺牲其他。他们提出了一种新的构建框架，通过精心设计的采样和标注策略，在保持任务真实感的同时，确保每个样本具备充分的上下文基础，并覆盖多步推理链条。该工作旨在更准确地评估AI系统在复杂程序理解与执行中的表现，对自然语言处理、知识推理及大模型评测领域具有参考价值。 #AI #程序推理 #评估数据集 #自然语言处理 #arXiv #论文 #多跳推理 #大模型 #知识推理
AI 智能体跨尺度科学挑战评测基准发布
一项由 Tianyu Liu 等 32 位研究者共同完成的论文《Benchmarking AI Agents for Addressing Scientific Challenges Across Scales》在 arXiv 上发布。该研究提出了一个系统性的基准框架，用于评估人工智能智能体在不同科学尺度下解决复杂问题的能力，涵盖从微观分子到宏观生态的多层级科学挑战。研究者通过设计标准化测试任务，考察 AI 智能体在数据处理、模型构建、实验推理等方面的表现。该基准旨在为 AI 在科学发现中的实际应用提供客观评估工具，推动 AI 智能体在气候模拟、药物研发、材料科学等跨学科领域的落地。论文还探讨了当前 AI 在科学推理、因果推断等方面的局限性，为后续研究指出了优化方向。这一工作有望加速 AI 辅助科学研究的规范化进程。 #AI #科学 #基准测试 #智能体 #arXiv #跨学科 #论文
一项由 Tianyu Liu 等 32 位研究者共同完成的论文《Benchmarking AI Agents for Addressing Scientific Challenges Across Scales》在 arXiv 上发布。该研究提出了一个系统性的基准框架，用于评估人工智能智能体在不同科学尺度下解决复杂问题的能力，涵盖从微观分子到宏观生态的多层级科学挑战。研究者通过设计标准化测试任务，考察 AI 智能体在数据处理、模型构建、实验推理等方面的表现。该基准旨在为 AI 在科学发现中的实际应用提供客观评估工具，推动 AI 智能体在气候模拟、药物研发、材料科学等跨学科领域的落地。论文还探讨了当前 AI 在科学推理、因果推断等方面的局限性，为后续研究指出了优化方向。这一工作有望加速 AI 辅助科学研究的规范化进程。 #AI #科学 #基准测试 #智能体 #arXiv #跨学科 #论文
重新思考LLM的心理测量评估
一项来自arXiv预印本的研究挑战了大型语言模型（LLM）心理测量评估的传统方法。该论文题为《重新思考LLM的心理测量评估：自我报告何时及为何能预测行为》，由Rafal Kocielnik等8位作者撰写。研究指出，当前广泛使用的自我报告测试（如性格和态度问卷）在评估LLM时存在局限——模型可能模仿人类作答策略，而非反映真实内部状态。论文深入分析了自我报告在何种条件下能有效预测LLM的实际行为，并探讨了评估效度的关键因素。这一发现对AI安全和对齐研究具有重要参考价值，提示研究者需谨慎设计心理测量工具，避免过度依赖表面化的自我报告数据。 #LLM #人工智能 #心理测量 #AI安全 #arXiv #论文评述 #大模型研究
一项来自arXiv预印本的研究挑战了大型语言模型（LLM）心理测量评估的传统方法。该论文题为《重新思考LLM的心理测量评估：自我报告何时及为何能预测行为》，由Rafal Kocielnik等8位作者撰写。研究指出，当前广泛使用的自我报告测试（如性格和态度问卷）在评估LLM时存在局限——模型可能模仿人类作答策略，而非反映真实内部状态。论文深入分析了自我报告在何种条件下能有效预测LLM的实际行为，并探讨了评估效度的关键因素。这一发现对AI安全和对齐研究具有重要参考价值，提示研究者需谨慎设计心理测量工具，避免过度依赖表面化的自我报告数据。 #LLM #人工智能 #心理测量 #AI安全 #arXiv #论文评述 #大模型研究
心理理论效用
该论文由Nikolos Gurney和Stacy Marsella提交至arXiv，题为《心理理论效用：心理化机制的形式化规范》。研究旨在通过形式化方法，对“心理理论”（Theory of Mind）这一认知能力进行精确建模，即个体如何推断他人心理状态并指导自身行为。作者提出了一种基于效用的心理化机制规范，将心理理论视为一个效用最大化过程，从而为人工智能系统赋予更接近人类的社交推理能力。论文详细阐述了模型的定义、数学框架及其在交互场景中的应用潜力，有望推动人机协作、社会认知AI等领域的发展。该研究于2026年6月10日首次发布，目前处于arXiv预印本阶段，尚未注册DOI。 #心理理论 #认知科学 #人工智能 #形式化规范 #人机交互 #arXiv
该论文由Nikolos Gurney和Stacy Marsella提交至arXiv，题为《心理理论效用：心理化机制的形式化规范》。研究旨在通过形式化方法，对“心理理论”（Theory of Mind）这一认知能力进行精确建模，即个体如何推断他人心理状态并指导自身行为。作者提出了一种基于效用的心理化机制规范，将心理理论视为一个效用最大化过程，从而为人工智能系统赋予更接近人类的社交推理能力。论文详细阐述了模型的定义、数学框架及其在交互场景中的应用潜力，有望推动人机协作、社会认知AI等领域的发展。该研究于2026年6月10日首次发布，目前处于arXiv预印本阶段，尚未注册DOI。 #心理理论 #认知科学 #人工智能 #形式化规范 #人机交互 #arXiv
以部署为中心的评估
论文《Deployment-Centered Evaluation: Predicting Query-Level Rejection Risk in a Clinical LLM System》由Alyssa Unell等六位作者撰写，于2026年6月10日提交至arXiv预印本平台。该研究聚焦临床大型语言模型（LLM）在实际部署中面临的查询级拒绝问题，提出一种以部署为中心的评估方法，旨在精准预测系统何时会拒绝回答特定查询。通过分析模型行为与临床场景的匹配度，研究者尝试为医疗AI的安全性提供量化风险工具。论文全文已在arXiv开放获取，并附有PDF及TeX源码链接，涉及引用、代码、数据集等关联资源。该工作对提升临床AI系统的可靠性和可控性具有参考价值。 #临床LLM #AI安全 #风险评估 #arXiv #医疗AI #以部署为中心的评估 #查询级拒绝 #预印本
论文《Deployment-Centered Evaluation: Predicting Query-Level Rejection Risk in a Clinical LLM System》由Alyssa Unell等六位作者撰写，于2026年6月10日提交至arXiv预印本平台。该研究聚焦临床大型语言模型（LLM）在实际部署中面临的查询级拒绝问题，提出一种以部署为中心的评估方法，旨在精准预测系统何时会拒绝回答特定查询。通过分析模型行为与临床场景的匹配度，研究者尝试为医疗AI的安全性提供量化风险工具。论文全文已在arXiv开放获取，并附有PDF及TeX源码链接，涉及引用、代码、数据集等关联资源。该工作对提升临床AI系统的可靠性和可控性具有参考价值。 #临床LLM #AI安全 #风险评估 #arXiv #医疗AI #以部署为中心的评估 #查询级拒绝 #预印本