不只核对事实，还要核对来源：ProvenanceGuard 对 MCP 智能体的来源感知核验
ProvenanceGuard 为 MCP 智能体提供生成后核验，逐条检查事实支持与来源归属，识别事实有依据却引用错误来源的问题。医疗智能体测试中，它拦截了专家判定不应通过的 139 条声明中的 138 条，也拦截了 67 条有依据的声明。该方法无需重新训练智能体，可对被拦截的回答尝试修复并再次核验。
#Agent
#Agent
今日 0 条Hugging Face BlogAI 评分4949
Google Research精选AI 评分6060 Google Research 如何用多智能体框架自动生成连贯长视频
Google Research 介绍基于 Gemini 和 Veo 的多智能体视频研究，通过全局优化与世界状态跟踪改善长视频的叙事及视觉一致性。Co-Director 负责创意统筹，CANVAS 维护视觉记忆，A²RD 进行分段生成，VQQA 通过视觉问答反馈优化提示词而非直接编辑像素。
推荐理由：研究将长视频的一致性问题拆成创意规划、视觉记忆、分段生成与反馈优化，为理解多智能体如何缓解跨镜头漂移提供了具体框架。
Google ResearchAI 评分4949 ToolGrad：利用文本“梯度”高效生成工具使用数据集
Google Research 的 ToolGrad 利用文本“梯度”，先生成工具调用链再标注用户查询，以更低成本生成更复杂的工具使用数据。经 ToolGrad-500 微调的 ToolGrad-12B 在 BFCL 获得 83.1 分，接近 gemini-2.5-pro 的 83.2 分。
Google ResearchAI 评分4747 AgentHands：为 XR 中基于空间环境的智能体对话生成交互式手势
Google Research 推出研究原型 AgentHands，让 AI 智能体在 XR 中生成与语音同步、贴合用户物理环境的手势。系统将 LLM 回答中的手势事件绑定到触发词，通过词级时间戳协调语音与动画。研究以 12 名参与者对比纯语音基线，结果显示空间指代效果显著改善。
Google ResearchAI 评分4848 Biomarker Discovery Framework：从可穿戴传感器数据中筛选候选生物标志物的 AI 工具
Google Research 推出 Biomarker Discovery Framework，通过人类监督下的多智能体研究循环，筛选可穿戴传感器数据中的候选生物标志物。系统结合统计分析、模型训练和对抗验证，在心理健康与代谢疾病队列中识别候选关联；结果不代表因果证据或已获临床验证。
Hugging Face BlogAI 评分5050 ALTK-Evolve 研究：AI 智能体究竟需要多少记忆？
ALTK-Evolve 在 AppWorld 上对 8 个模型的评估发现，智能体记忆的合适用量因模型而异，并非注入越多越好。
Hugging Face Blog精选AI 评分7878 Hugging Face 从复现 2,226 篇 ICML 论文中学到了什么
Hugging Face 与 alphaXiv 组织的 ICML 2026 论文复现挑战中，1,221 名社区成员在 19 天内借助编码智能体尝试复现 2,226 篇论文，发布 6,816 份 Trackio 实验日志。
推荐理由：复现中既发现论文错误，也出现单位混淆造成的错误反驳，为智能体参与科研审查提供了人工追问与二次核验的可迁移方法。
Google Research精选AI 评分6969 Google Research 推进 AMIE 实时视听问诊研究，模拟评估达到专家级表现
Google Research 的 AMIE (Video) 在涵盖 100 个场景、300 次模拟问诊的随机研究中，核心临床能力获评与初级保健医生相当。系统基于 Gemini 和 Project Astra，通过对话、规划、感知三个异步智能体并行处理交流、临床推理和视听线索，在引导患者演员进行虚拟体格检查方面的平均评分显著高于医生组及文本版 AMIE。
推荐理由：研究将视频问诊与文本问诊、医生问诊放在同一模拟框架中比较，帮助区分视听感知带来的收益与真实临床适用性的边界。
Hugging Face BlogAI 评分4848 ALTK-Evolve 与 ACE 对比：用更少的 token 学习智能体经验
ALTK-Evolve 在内部 AppWorld 对比测试中，以更少的推理 token 达到或超过 ACE 的任务表现。使用 DeepSeek-V3.2 时，TGC 从 80.4 升至 89.3，每任务 token 从 634K 降至 263K。两者均从智能体历史轨迹积累经验，但前者按模型能力调整经验注入量，ACE 每步注入完整经验手册。
Google Research精选AI 评分6262 Google Research 介绍 Science One Framework：通过证据链实现可验证的自主科研
Google Research 提出 Chain-of-Evidence（CoE）框架，并以 Science One Framework 研究原型将科研主张绑定到引用、代码和实验记录。
推荐理由：将主张与证据的绑定前置到研究生成过程，而非成稿后补查，为减少自动科研中的虚假引用和文码不一致提供了可迁移方法。
Microsoft ResearchAI 评分5555 Microsoft Research 的 Echoverse 研究：为计算机操作智能体构建深度、持续演进的训练环境
Microsoft Research 的 Echoverse 构建了 12 个计算机操作智能体训练环境，使 Qwen3.5-9B 在文中环境评测中的平均得分从 36.5% 提升至 67.1%，GPT-5.4 的参考得分为 80.7%。
Berkeley AI ResearchAI 评分4848 ABBEL：教大语言模型更新信念，实现高效长程交互
ABBEL 通过监督自然语言信念状态的更新，改善大语言模型在长程交互中压缩上下文后的表现。在协作编程环境 CollabBench 中，相比不采用信念评分的摘要训练，基于重建的信念评分将与完整上下文模型的性能差距缩小约 50%，训练步数减少 50%。训练后，其峰值上下文 token 用量仍显著低于完整上下文模型。
Google Research精选AI 评分6969 Google Research 的 SymptomAI 研究：面向日常症状评估的对话式 AI 智能体
Google Research 在 13,917 名参与者中随机比较了基于 Gemini Flash 2.0 的五种 SymptomAI 智能体，发现主动追问策略的鉴别诊断准确性显著优于未加提示词、由用户主导的基线。
推荐理由：研究将主动追问与用户主导的问答进行对照，为症状评估智能体提供了通过补充患者信息改善鉴别诊断的设计思路。
Google ResearchAI 评分5050 Google Research 探索让量子计算机从错误中学习
Google Research 验证了强化学习量子控制框架，让 AI 智能体从量子错误检测中学习，在计算期间持续校准控制参数、抵消漂移。在 Willow 超导处理器上，人为注入漂移后，纠错码的逻辑稳定性提升至 3.5 倍；经专家充分校准后，强化学习微调仍将逻辑错误率进一步降低 20%。
Google ResearchAI 评分5757 SensorFM：探索面向可穿戴健康数据的通用智能与接口
Google Research 介绍传感器基础模型 SensorFM，通过无标签可穿戴数据预训练，学习可迁移至心血管、代谢、睡眠和心理健康任务的通用生理表征。训练数据来自 500 万名已同意参与研究的用户，超过 1 万亿分钟；模型采用自监督重建与 AIM 框架，直接从存在缺失的记录中学习。
Hugging Face BlogAI 评分5858 ScarfBench：评测 AI 智能体的企业 Java 框架迁移能力
ScarfBench 是面向企业 Java 跨框架迁移的开放基准，评测中表现最强的智能体在行为验证环节的成功率仍低于 10%。它覆盖 Spring、Jakarta EE 和 Quarkus，包含 34 个应用、102 个框架实现、204 项迁移任务及 1,331 项专家编写的测试，要求迁移后的应用通过构建、部署和行为验证，而非仅与参考代码比较。
Google DeepMind精选AI 评分6161 Google DeepMind 如何通过 AI Control Roadmap 保障 AI 智能体安全
Google DeepMind 介绍 AI Control Roadmap，为 Google 内部部署的 AI 智能体建立模型对齐之外的系统级纵深防护。框架基于 MITRE ATT&CK 进行威胁建模，以覆盖率、召回率和响应时间衡量监控效果，并按模型逃避检测与执行攻击的能力配置检测及预防响应级别。
推荐理由：将智能体视作潜在内部威胁，并按逃避检测与执行攻击的能力分级配置防护，为不完全依赖模型对齐的系统安全提供参考。
Google DeepMind精选AI 评分6565 Google DeepMind 探索以 AI co-clinician 支持医生监督下的医疗协作
Google DeepMind 宣布 AI co-clinician 研究计划，探索让 AI 在医生监督下辅助临床决策，并通过实时音视频与患者互动。系统在 98 个真实情境式初级诊疗问题中有 97 个未出现关键错误；在模拟远程问诊评估的 140 项能力中，68 项达到或超过初级保健医生水平，但医生总体表现更好，尤其在识别危险信号和指导关键体格检查方面。
推荐理由：研究将证据检索与远程问诊分开评估，呈现了医疗智能体在信息支持上的进展与临床判断上的差距，为理解医生监督的必要性提供具体依据。
Google ResearchAI 评分5252 Google Research 解读 ReasoningBank：让智能体从成功与失败经验中学习
Google Research 在 ICLR 论文中介绍 ReasoningBank，将智能体的成功与失败经验提炼为结构化推理记忆，以支持测试时自我演进。
Google ResearchAI 评分4949 Google Research 的 Simula 如何从第一性原理出发，以机制设计构建真实场景合成数据集
Google Research 的 Simula 以推理优先、无需种子数据的方法构建完整合成数据集，可分别控制覆盖、多样性、复杂度与质量。研究以 Gemini 2.5 Flash 为教师、Gemma-3 4B 为学生，在五个领域评估，完整系统均优于简化基线。提高数据复杂度有益于数学推理，却损害法律推理表现，数据设计需适配模型能力。
Google ResearchAI 评分5050 ConvApparel：衡量并缩小用户模拟器的真实性差距
Google Research 的 ConvApparel 数据集与评估框架用于衡量大语言模型用户模拟器与真实用户行为的差距。数据集包含超过 4,000 段服装购物对话、近 15,000 轮交互，参与者被随机分配给有帮助或刻意不配合的 AI 智能体。框架结合群体统计、类人评分与反事实验证，检验模拟器面对陌生情境时的反应是否可信。
Google ResearchAI 评分4646 Google Research 推出 PaperVizAgent 和 ScholarPeer：用 AI 智能体改进学术绘图与同行评审
Google Research 推出 PaperVizAgent 和 ScholarPeer，分别用于生成学术图表和自动评审论文。PaperVizAgent 在经人类图表校准的 LLM 评测中总分为 60.2，超过设定的人工基线 50.0。ScholarPeer 结合网络文献检索与技术主张核验，在并排评测中优于先进自动评审方案。