12:11
arXiv cs.AI@Yikai Lu, Yifei Wu, Xinyu Lu, Tongxin Li
推荐理由：这篇论文从理论上解决了通用智能体部署时的可靠性问题，给出了具体的误差界限和认证方法，对智能体安全研究很有参考价值。
全部 AI 动态
AI 相关资讯全量信息流
6月24日
12:11
该论文证明通用智能体在大型场景下不可能具备万能能力，传统最坏情况分析无法区分关键瓶颈与无关失败。作者提出结构化认证框架，将受目标条件的性能映射到智能体内部世界模型的逐项保证。他们设计了基于深度组合目标过滤特定转换的算法，并证明在该目标下的通用智能体具有误差界为O(1/n)+O(δ)的结构化世界模型。该界限在δ较小的条件下是紧的，从而允许通过定位可靠的长时规划转换来认证部署通用智能体。
6月16日
20:46
AITOP6月16日 20:46
12:10
12:10
arXiv cs.LG@Nathan Gavenski, Juarez Monteiro, Francisco Galuppo, Adriano Veloso, Odinaldo Rodrigues
推荐理由：这篇论文提出了PACT，用一个小型语言模型来规划动作，再结合强化学习策略，在FrozenLake上比纯RL效果好，而且不用重训练。
6月15日
11:12
11:12
arXiv cs.AI@Xiaoxin Lu, Ranran Haoran Zhang, Rui Zhang
推荐理由：新基准暴露LLM规划隐藏盲区
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
5月18日
12:14
12:14
arXiv cs.AI@Augusto B. Corrêa, André G. Pereira, Jendrik Seipp
精选
推荐理由：做AI规划或程序合成的团队，这篇论文提供了一种减少LLM调用次数、提升生成效率的实用方法——用形式化属性替代分数反馈，直接给反例引导修复，值得点开看看具体实现。