SpireBench：用《杀戮尖塔》评估 Agent 的长时程战略博弈
Created|Updated|技术动态
|Post Views:
事件/论文概述
arXiv 上出现了一篇新论文 SpireBench: Evaluating Long-Horizon Strategic Play of Agentic Models with Slay the Spire，作者为 Scott C. Lowe 和 Sander W. Keemink。论文于 2026 年 10 月 8 日提交，属于 cs.AI，同时涉及 cs.CL
Author: Yunkai Huang
Copyright Notice: All articles on this blog are licensed under CC BY-NC-SA 4.0 unless otherwise stated.
Related Articles
2026-07-13
Neuro-Agentic Control：用 LLM 智能体控制安全控制器的深度学习框架
事件/论文概述2026 年 7 月 10 日，一篇题为《Neuro-Agentic Control: A Deep Learning-based LLM-Powered Agentic AI Framework for Controlling Security Controls》的论文提交至 arXiv。该论文由 Saroj Gopali、Bipin Chhetri、Deepika Giri、Sima Siami-Namini 和 Akbar Siami Namin 共同撰写。研究指出，针对操作技术（OT）的网络攻击日益导致高昂的停机时间和物理损坏，传统基于规则的监控在工业物联网环境中已显不足。虽然大型语言模型（LLM）具备强大的语义推理能力，可用于辅助决策，但其幻觉特性在闭环控制中带来不可接受的安全隐患。为此，本文提出了一种神经-智能体控制框架（Neuro-Agentic Control Framework），通过将基于 LLM 的规划器（如 Gemini 2.5 Flash-Lite）与预训练的时间序列基础模型（TimesFM）耦合，实现基于物理规律的自主防御。该框...
2026-09-03
Legora 用 GPT-6 Astra 在几分钟内审阅 41 份财务文档
Legora 用 GPT-6 Astra 在几分钟内审阅 41 份财务文档OpenAI 于 2026 年 9 月 3 日发布了一篇客户案例，介绍了欧洲初创公司 Legora 如何利用 GPT-6 Astra 优化其法律与专业工作流。Legora 是一个面向法律与专业工作的智能体操作系统，目前有超过 10 万名专业人士使用，覆盖 50 多个市场的 1800 多个法务部门和律师事务所。该案例聚焦于一项极其繁琐的财务工作——财务报表勾稽（financial-statement tie-out），并展示了 GPT-6 Astra 在准确率、完整性和可靠性方面的显著提升。 事件/产品概述Legora 的客户工作流中有一项称为“financial-statement tie-out”的任务：需要将草拟报表中的每一个数字逐一对照试算平衡表（trial balances）、合并明细表（consolidation schedule）以及上一年度报表，直到每一项都核对一致。Legora 法律工程师 Percevale Perks 表示，这项工作“通常要花上一整晚，有时甚至好几天”。 使用 ...
2026-07-19
人类与AI协作构建贝叶斯网络：一种虚拟调查方法
事件概述2026年7月13日，来自印度管理学院柯泽科德分校的研究人员 Kumar Rahul 和 Shovan Chowdhury 在 arXiv 上提交了一篇题为《Human AI Construction of Bayesian Networks for Operational Decision Support – A Virtual Survey Approach》的论文（arXiv:2607.14141）。该论文提出了一种结合大型语言模型（LLM）与多智能体系统构建贝叶斯信念网络（BBN）的新方法论，旨在弥合专家判断与数据驱动学习之间的鸿沟，为不确定条件下的运营决策支持提供新路径。 关键技术点 核心挑战：传统构建贝叶斯网络面临结构定义和参数估计的两大难题，研究者通常只能在“依赖专家经验”与“依赖大规模数据集”之间二选一。 创新方法：论文提出使用一组具有特定角色和上下文的AI智能体（即“虚拟调查”）来替代真实专家，让这些智能体基于LLM生成概率估计值，从而模拟专家调查过程。 噪声处理：采用“截尾均值（trimmed-mean）规则”去除智能体响应中的极端值，提升估计的稳健性...
2026-07-20
Cura 1T: Specialized Model for Agentic Healthcare
事件/论文/产品概述2026年7月20日，arXiv 上发布了一篇由 actAVA AI 团队（Haolin Chen, Leon Qi 等）提交的论文，介绍了一个名为 Cura 1T 的医疗领域专用大语言模型（LLM）。该模型旨在覆盖医疗场景中高风险的沟通、专家推理和工作流执行等复杂需求，而现有的专用 LLM 往往只覆盖其中一部分能力。Cura 1T 通过一种新颖的 人类门控自进化循环（human-gated self-evolution loop）进行训练，在多个医疗评测基准上达到或接近最优表现，同时在领域外推理和智能体（Agent）基准上保持了竞争力。 关键技术点 多能力融合：Cura 1T 需要同时处理患者咨询、基于文本和图像的临床推理、交互式诊断以及电子健康记录（EHR）工具使用。论文指出，不同能力的失败模式各不相同，单独更新某一能力可能导致其他能力退化。 人类门控自进化循环：这是 Cura 1T 的核心训练框架。每个进化轮次中，一个训练智能体（training agent）会规划目标能力、训练模型、评估基准轨迹，并根据观察到的失败优化数据混合比例...
2026-08-24
PrimeAgentOrchestrator：为个人 AI 基础设施打造的记忆预置 Agent 生成系统
事件概述2026 年 8 月 24 日，arXiv 的 cs.AI 板块发布了一篇由 Myron Koch（Peak Summit Labs）撰写的经验报告《PrimeAgentOrchestrator: Memory-Primed Agent Spawning for Personal AI Infrastructure》。论文编号为 arXiv:2608.20342，共 10 页、15 篇参考文献，属于经验报告（experience report）类论文，同时涉及人工智能（cs.AI）与多智能体系统（cs.MA）两个子领域。 这篇论文聚焦一个真实而普遍的问题：大语言模型编码智能体每次开启新会话时，上下文窗口都是空的，此前工作积累的知识被全部丢弃。为此，作者提出了 PrimeAgentOrchestrator（PAO）系统，在 Anthropic 的终端编码智能体 Claude Code 新实例启动时，预加载从用户个人数据库中编译出的相关记忆，从而为个人 AI 基础设施带来记忆连续性。 关键技术点PAO 的设计围绕“记忆预置”这一核心目标展开，其系统架构包含以下几个值得关注的技...
2026-10-15
人工性的第一场考试：用 LLM 作为参考机的 C-test，如何评测超越前沿智能的系统
一、概述：当基准测试开始“自我循环”arXiv 上新出现的一篇预印本《Artificiality’s First Exam: An LLM-Referenced C-test for Supraintelligence》（作者 Jose Hernandez-Orallo，提交于 2026-09-27，cs.AI，同时交叉 cs.CL 与 cs.LG），直指当前 AI 评测体系的一个结构性难题： 在 AI 发展加速的背景下，任何用人类或当前 AI 系统来校准难度的基准，要么变成循环论证，要么很快就会饱和。 那么，我们该如何评测那些可能比当前机器、甚至比出题人更强的机器？ 论文给出的答案方向是逆问题（inverse problems）——即归纳推理问题：给定一组观测和先验知识，难度取决于底层机制的复杂度。作者借用 Levin 的 Kt（Kolmogorov 复杂度的一个可计算变体）为这种难度设定理论上的上界：它同时在“机制的最简表示编码”和“运行该机制所需时间步数的对数”之间做权衡。 在这条技术路线上，此前的测试（例如最初的 C-test）建立在极简通用图灵机（UTM）之上，表示能力...
Announcement
This is my Blog