本周人工智能Agent值得关注的论文

轻量级对齐与规模思维的终结：本周最引人注目的发现来自 AgentDoG 1.5，它证明参数量在 0.8 亿到 80 亿之间的超轻量级模型，仅使用约 1000 个精心筛选的训练样本，就能达到 GPT-5.4 等闭源前沿模型的安全性能。这一成果是通过基于分类引导的数据引擎和影响函数提纯实现的，表明智能体安全的瓶颈正在从原始计算能力转移到数据质量和结构对齐。结合 Skill0.5 在内部通用技能和外部特定任务技能之间实现的难度感知路由，本周的成果描绘出一幅智能体开发的新图景：架构的巧妙性越来越比蛮力扩展更为重要。

结构化蓝图优于黑盒推理：多篇论文反复强调的一点是，它们摒弃了纯粹的端到端推理，转而采用结构化的中间表示。UI-KOBE 构建特定于应用程序的知识图谱，引导轻量级 GUI 代理完成 UI 状态的切换，而不是仅仅依靠原始屏幕截图来规划。GenClaw 在图像生成方面采用了类似的方法，使用可执行代码（SVG、HTML、Three.js）作为可控的“画布”，连接语言推理和像素合成。这两篇论文都坚信，在意图和执行之间插入结构化蓝图，比迭代式的提示改进能够产生更可靠、更易于解释的结果。

验证的必要性：随着Agent承担更复杂、更开放的任务，信任问题变得不可避免。Ptah 引入了一个专用的验证代理，作为多模态深度研究报告的“验收函数”，确保事实依据、引用准确性和跨模态一致性。与此同时，AgentDoG 1.5 部署了无需训练的在线防护机制，用于实时安全地监控智能体的行为，从而将 Docker 级别的部署开销降低了两个数量级。这些论文共同表明，生产级智能体将越来越需要独立的验证层，这些验证层与主推理模型并行运行，而不是位于其内部。

世界模型面临审视：本周的两篇论文推进了交互式世界模型的前沿发展，而第三篇论文则质疑整个体系是否稳固。minWM 提供了一个全栈开源框架，用于将双向视频扩散模型转换为实时、可由摄像头控制的自回归生成器。然而，YoCausal 对 13 种最先进的视频扩散模型进行了令人警醒的评估，揭示了感知时间箭头并不意味着理解因果关系——并且与人类水平的因果认知相比，仍然存在显著差距。对于那些将视频世界模型视为规划基础的智能体构建者而言，功能部署与真正因果理解之间的这种张力值得密切关注。

Rainone 等人的论文《混合架构与帕累托前沿：混合多智能体系统》系统地描绘了云端托管的前沿层级模型（LLM）与经济高效的设备端层级模型（SLM）之间的设计空间。他们的研究发现，更强大的前沿层级计算能力并不一定能带来更好的性能，这挑战了关于何时将任务卸载到云端的简单假设。最优架构被证明高度依赖于任务，能量、成本和精度紧密耦合在帕累托前沿上，团队必须有意识地而非默认地进行探索。
AI大模型人工智能AI Agent