过程验证 LLM-DailyDigest 2026-08-14 2026-08-14 约 100 字 预计阅读 1 分钟 过程验证 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 世界模型 2 EVO-WAM：世界动作模型从自我想象中迭代进化 10-20 SHRAV：面向物理建模与逆向设计的状态续接框架 09-24 临床进化 1 MediSkill-Evo：过程约束的循证临床智能体自进化 08-25 代码评测 1 VeeReview：基于 V 模型评测智能体 PR 的构建—验证配对 10-22 信用分配 1 CrEST：面向多轮多步 LLM 智能体的验证器约束信用分配 08-16 具身规划 1 SafeInferCom：验证器引导的机器人安全推理时计算 10-10 分层验证 1 给验证器打分：LLM 推理验证自治等级 L0–L5 08-20 协同演化 1 UnifiedPlayers：协同增强工具集成推理 09-18 可信执行 4 从证据到行动：工具型智能体的失效机制 10-08 Mid-Harness：通过动作采样与验证提升终端智能体执行可靠性 10-01 Veer：欺骗性界面下 Web 智能体的前瞻状态干预 09-30 谁来签字？让规范而非智能体确认任务完成 09-25 可信推理 5 VERITAS：通过计算言语化检测思维链忠实性 10-19 AlphaGo作者：LLM尚未掌握可审计的搜索式推理 10-08 AGMAI呼吁负责任发布AI生成数学成果 10-01 人机协商即交互式证明：无需透明性的可验证条件 09-22 LogicTrack：用形式逻辑求解器审计大模型推理轨迹 09-21 多智能体系统 1 Cogentic：面向自动化证明发现的多智能体编排框架 10-01 多跳推理 1 Beyond Retrieval Failure：多跳 RAG 为何遗漏关键证据 10-18 失控模式 1 Agent 失控的四类常见模式 08-20 奖励机制设计 1 可验证视觉奖励从合成场景迁移至自然提示 09-30 形式化证明 3 ProofLoom：以证明义务驱动的随机优化理论自动形式化 09-30 AxiomProver用Lean 4完成“246定理”形式化验证 08-23 AI 辅助攻克森多夫猜想，陶哲轩推导出更强结果 08-16 形式化验证 4 VeriCodeBench：自生成规约的可验证代码生成评测 10-01 从验证失败中提炼编码智能体的可复用指导 10-01 认证 AI 提议的时序规范修订：受保护核心仍不够 09-29 Vero：智能体能否构建形式化验证的软件仓库 08-16 思维链 3 CausalCoT：通过上下文隔离缓解思维链注意力泄漏 10-24 用上下文感知解码缓解思维链中的查询捷径 10-22 潜在思维链真的在推理吗？潜在推理的统一分类体系 10-18 持续学习 1 ReDraft：参考驱动修订缓解持续多模态后训练遗忘 09-16 搜索能力评测 1 TsuGO：以围棋死活题评测大模型推理搜索效率 08-16 数字孪生 1 Twin：测试时数字孪生破解未知游戏 08-17 数学推理 2 Voice of Reason：强化学习提升语音数学推理 09-17 OpenAI被曝在霍奇猜想等数学难题上取得进展 09-11 数据合成 1 跨语言临床标注投射：六语言约束文本生成研究 09-11 数据策展 1 面向金融推理的数据中心后训练：挖掘、蒸馏与可验证学习 09-10 断言生成 1 NeuroAssertion：覆盖驱动的 RTL 断言生成与神经符号精炼 08-20 智能体框架 1 EmbodiedSkills：编排、训练与部署 VLA 智能体的统一框架 09-09 智能体评测 3 BizAgentBench：现实商业场景中的长时程智能体评测 10-20 FinAutoRubric：专家指导的金融研究智能体自动评分标准生成 09-30 WebPageBench：基于事件验证与可控 UI 变体的网页智能体评测 09-30 查询验证 1 TraceSQL：可追溯的无参考 Text-to-SQL 验证 08-19 模型可靠性 1 Audit-First VAPO：不完美验证器下的风险认证选择性更新 09-29 模型验证 1 验证器是 RLVR 的隐形天花板，还是能力突破口？ 09-07 测试驱动开发 1 TDD-Agent：测试驱动的代码生成推理 08-18 状态追踪 1 Grid-Bench：评测 LLM 预测离散世界状态变化的能力 10-18 科研评测 1 AutoSciRub：先评估后改进的科研智能体自动准则归纳 09-01 程序修复 1 ExecCritic：以测试验证与执行反馈改进编程智能体 09-09 答案验证 1 ClaimScope：标签盲见证验证的数学主张审计基准 10-18 纠错治理 1 调校随机机器：人机工程的系统运维模型 08-20 经验学习 1 失败即监督：基于落地后见的回放筛选蒸馏 10-18 置信度评估 1 以弃权认证：小校准预算下思维链验证器的分布无关保证 10-08 脚手架演化 1 Vestrum：通过验证、结构与记忆适配改进智能体脚手架 09-29 自动化科学研究 1 Bolzano：从专家引导证明搜索到自动求解开放问题 10-08 蛋白质建模 1 Scinetics提出可验证科学Token链用于酶设计 10-18 视觉推理 1 VBVR-Pro：可扩展、可验证的原生视觉推理套件 08-27 视觉生成 1 MaLiang-Harness：图像与视频生成的可编程路径 10-01 视频生成 1 VIS-Ground：基于上下文 Grounding 的视频交互式叙事 10-18 评测基准 1 Endless Exam：面向超级智能的数学构造评测基准 09-22 评测审计 3 有限强验证器预算下审计 GRPO 奖励作弊 10-27 AppWorld 与 WorkArena 任务验证器盲点审计 10-08 学习攻破智能体评判模型的错误注入策略 09-29 课程发布 1 斯坦福 CS329A：自改进 AI Agent 课程公开 08-26 谜题评测 1 Pencil Puzzle Bench：可逐步验证的多步推理评测基准 08-14 轨迹审计 1 Trace Integrity：面向 LLM 数据智能体的可审计结构化推理 08-27 轨迹推断 1 SpaCellAgent：自进化多智能体自动完成单细胞轨迹推断 08-22 软件开发流程 2 Claude Code 以分层审查实现九成代码自产自审 10-20 Anthropic 内部 AI 代码审查工作流 10-18 过程评测 2 Opera：面向长程编程智能体的持续语言批评框架 09-29 LCoT-GV：基于图注意力网络的长思维链验证 09-01
