多智能体协作、因果证据合成与开放词汇三维检测新进展

今天从 arXiv 精选了 8 篇值得关注的 AI/ML 论文，涵盖多智能体协作、自动驾驶、大模型安全、因果推断与迁移学习等前沿方向。其中既有面向开放词汇 3D 检测的视觉新框架，也有针对推理模型隐藏思维链提取的安全攻防研究，值得深入阅读。

1. 一种用于主动数据收集、出行行为建模与天气敏感需求预测的智能体方法

作者: Narges Ahmadi, Yubo Jiao, Jônatas Augusto Manzolli, Jiangbo Yu, Luis Miranda-Moreno | 分类: cs.AI, cs.CL 链接: arxiv.org/abs/2608.20320v1

出行行为研究日益将数字数据收集与预测建模相结合，然而这些阶段往往被分开开发和评估。本研究提出了一种集会话式数据收集、结构化数据处理和行为预测于一体的三智能体工作流。一个由聊天机器人管理、图像增强的陈述偏好调查收集了学生通勤者在五种预设天气场景下的出行方式选择，共获得 454 条受访者-场景观测数据。使用多项 Logit 模型分析了与天气相关的关联，同时逻辑回归和随机森林作为机器学习基准。研究评估了九个本地部署的大语言模型（LLM），参数规模从 2B 到 35B 不等，跨越四种零样本提示与上下文条件，并扩展了角色设定、少样本和基于视觉的配置。随机森林实现了 69.6% 的五分类准确率，而最佳的纯文本零样本 LLM 在没有任务特定微调的情况下达到了 69.9%。习惯性出行信息带来了最稳定的性能提升，专家框架通常优于角色扮演，且在缺乏习惯性出行信息时，角色设定信息最为有用。少样本提示改善了几个模型的预测性能，且增益在少量样本后趋于稳定。使用与受访者相同的天气图像，最佳基于视觉的配置达到了 71.5% 的五分类准确率，表明视觉上下文可能为特定模型提供额外的预测信息。总体而言，该研究展示了如何在可审计的多智能体工作流中协调会话式调查、结构化数据处理、传统行为建模、机器学习和多模态 LLM 预测。

点评: 通过可审计的多智能体编排，将传统行为建模与多模态 LLM 预测系统性地串联起来，实验设计详实，对出行需求预测领域有较强的工程参考价值。

2. G-MARK：基于知识图谱的接地多智能体协作驾驶推理

作者: Bhavya Gupta, Onat Gungor, Tajana Rosing | 分类: cs.LG 链接: arxiv.org/abs/2608.19964v1

自动驾驶系统必须在部分可观测条件下运行，此时安全关键物体可能被遮挡或仅对邻近的网联车辆可见。车对车协作可以减少这种不确定性，但现有的协作驾驶方法通常将多智能体证据压缩为潜在特征或隐式多模态状态。因此，它们模糊了哪个智能体观察到了哪个物体、该物体对自车是否可见，以及冲突证据如何影响下游决策。我们提出了 G-MARK，一个将协作的以对象为中心的观测转换为显式的、具有来源感知的知识图谱（KG）的接地多智能体推理框架。生成的 KG 保留了对象假设及其来源归属、自车与伙伴可见性、不确定性、冲突、空间关系和规划相关上下文。G-MARK 随后从这些 KG 中推导出共享特征表示，使得轻量级任务头能够支持对象推理、运动预测、控制选择和轨迹预测。与最先进的基线相比，G-MARK 将遮挡推理准确率提高了 42.2%，控制选择误差降低了 13.1%，并以小 25.6 倍的结构化通信负载实现了相当的轨迹规划精度。代码已在 https://github.com/bhavyagupta98/g-mark 开源。

点评: 将知识图谱引入多车协作感知，以可解释的来源追踪显著缓解了遮挡推理难题，尤其适合对安全性和通信效率要求严苛的 V2X 场景。

3. OenoBench：面向大语言模型知识接地评估的葡萄酒领域基准

作者: Nikita Khudov | 分类: cs.CL 链接: arxiv.org/abs/2608.20106v1

我们引入了 OenoBench，一个包含 3,266 道葡萄酒领域知识多项选择题的基准，涵盖六个支柱（产区、葡萄品种、葡萄栽培、酿酒工艺、生产商、商业）和四个难度等级。该语料库由 35 个经过来源验证的爬虫从政府登记处（INAO、TTB、OIV）、同行评审期刊和 Wikipedia/Wikidata 中提取的 38,104 条原子化、有来源锚定的事实构建而成。我们的方法论贡献在于一个由 LLM 驱动的流水线，其中语言模型负责重新格式化已核实的事实并审计结果，但绝不作为事实来源：每项声明都可追溯到 URL，每个问题都由五种生成策略跨五个生成器家族产生，并且每个问题都通过一个针对人类黄金标准表以 Cohen’s κ 校准的九智能体审计进行评分。评估了十六种前沿配置后，我们发现：（i）整体准确率范围从 53% 到 84%，其中 o3 以 83.6% 领先；（ii）推理模式的提升集中在 DeepSeek R1（+6.8pp），而在 Claude Opus 和 Gemini Pro 中则不存在；（iii）Anthropic 在其自身问题上表现出 +9pp 的自偏好，而 Google 则表现出 -8pp 的逆偏好；（iv）前沿开源权重模型与专有推理模型共享成本与准确率的帕累托前沿；（v）每个配置在可闭卷解答的项目上都有约 33pp 的提升，揭示了一个只有上下文切片才能避免的参数化记忆上限。我们以 CC-BY-SA-4.0 许可发布了语料库、审计结果、人工审查应用和构建代码。

点评: 严格践行“LLM 辅助构建但绝不充当事实来源”的基准建设理念，九智能体审计机制严谨，为垂直领域知识评估树立了新标杆。

4. 基于协同蒸馏发现与双引导鲁棒训练的开词汇 3D 目标检测

作者: Shangbo Yuan, Jie Xu, Xiaofeng Zhu, Na Zhao | 分类: cs.CV, cs.AI 链接: arxiv.org/abs/2608.19973v1

近年来，开放词汇 3D 目标检测（3D-OVD）因其在 3D 场景中检测未见物体的能力而受到越来越多的关注。现有方法通常采用两阶段流水线，首先使用基础模型发现新物体，然后基于这些发现的物体训练 3D-OVD 模型。尽管有效，但该流水线在发现阶段常常遭受定位不准确和分类不匹配的问题，这随后限制了模型训练阶段的性能。为了解决这些限制，我们主张同时提高新物体发现的可靠性和模型训练的鲁棒性，并提出了一个创新框架。具体而言，为了实现可靠发现，我们的协同蒸馏策略通过综合评分应用匈牙利匹配来提取高质量的新物体，该评分融合了几何一致性、结构客观性和语义确定性。为了增强鲁棒的模型训练，我们进一步提出了一种双引导学习方案，将场景感知引导的不确定性正则化用于回归头，并将 LLM 引导的层次对齐用于分类头，有效缓解了不精确 3D 边界框和语义模糊的负面影响。在 SUN RGB-D 和 ScanNetV2 上的大量实验表明，我们的方法相较于最先进的方法取得了显著的性能提升。代码可在 https://github.com/shangboyuan/Co-3DGT 获取。

点评: 针对 3D-OVD 两阶段范式中的“发现噪声累积”痛点，协同蒸馏与双引导训练双管齐下，在标准基准上验证了显著增益。

5. EchoCoT：从大型推理模型中提取隐藏思维链

作者: Yiting Qu, Ziqing Yang, Chi Cui, Ye Leng, Junjie Chu et al. | 分类: cs.CR, cs.AI 链接: arxiv.org/abs/2608.20055v1

隐藏的思维链（CoT）痕迹，尤其是来自前沿专有大型推理模型（LRM）的痕迹，是宝贵的模型资产。然而，这些隐藏的 CoT 是否可以从黑盒模型中直接提取，在很大程度上仍未得到探索。在这项工作中，我们系统地研究了是否可以通过 API 交互从黑盒 LRM 中近乎逐字地提取隐藏的 CoT。我们识别了一个先前被忽视的工具调用之间的推理重放表面，并开发了 EchoCoT，一种利用 API 返回的保真度信号迭代提取隐藏 CoT 的多步攻击。我们进一步开发了一个基于 LLM 的优化框架，可以自动搜索跨各种数据集的有效通用注入轨迹。我们在三个开源和五个前沿专有 LRM 上评估了 EchoCoT。在开源 LRM 上，EchoCoT 实现了高达 66.4% 的近乎逐字提取成功率，提取的轨迹长度在目标的 10% 以内，且至少 90% 的 token 与目标 CoT 完全匹配。相同的注入轨迹也泛化到未见过的数据集，在相同标准下实现了高达 80% 的提取成功率。对于测试的前沿专有 LRM，相当大比例的提取 CoT 与提供商报告的推理长度和可用的 CoT 摘要密切吻合。EchoCoT 还可以提取非常长的 CoT：在 Gemini-2.5 上，它从一个 32,948 token 的目标中提取了 33,463 个 token。这些结果确立了隐藏 CoT 提取是一个实际的安全风险，并突显了更好地保护隐藏 CoT 资产的必要性。

点评: 首次系统性地证明黑盒专有推理模型的隐藏思维链可被近乎逐字提取，对前沿模型的知识产权保护与安全对齐构成了严峻挑战。

6. 利用 LLM 常识推理能力的多智能体编排实现自动驾驶

作者: Mehdi Azarafza, Faezeh Pasandideh, Ali Ehteshami Bejnordi, Stefan Henkler, Achim Rettberg | 分类: cs.MA, cs.CL, cs.CV 链接: arxiv.org/abs/2608.20129v1

自动驾驶车辆需要强大的感知和决策能力，以便在多样化和未见过的场景中运行。虽然强化学习和基于规则的方法可以提供有效的控制和 Safety 机制，但它们在需要上下文推理的情况下性能可能会下降。大型语言模型（LLM）在理解多模态信息和生成上下文推理方面展示了强大的能力，然而，将它们用于直接车辆控制可能会引入延迟和幻觉风险。为了解决这些限制，我们提出了一种混合框架。该系统使用一个编排器来协调 PPO 训练的强化学习和 PID 控制，LLM 常识推理贯穿整个框架。LLM 推理还被进一步迭代地用于改进动态驾驶环境中的 RL 奖励函数。所提出的框架在高度随机化的 CARLA 场景中，在多样化的环境和交通条件下进行了评估。结果证明了将基于 LLM 的推理与传统自动驾驶方法相结合，同时保留结构化控制和 Safety 机制的潜力。

点评: 巧妙地将 LLM 定位为“协作者”而非“驾驶员”，通过编排器协调 RL 和 PID，并在迭代中优化奖励函数，兼顾了常识推理能力与控制的实时性和安全性。

7. 多方法因果证据综合：基于观测数据通过交叉方法收敛性对候选驱动因素排序

作者: Manish Gupta, Dipanjan De | 分类: stat.ME, cs.AI 链接: arxiv.org/abs/2608.20187v1

从观测数据中推断因果关系的实践者通常依赖单一方法，并将其输出视为因果真相。最近的工具会为数据集选择最优方法，最近的集成方法会将多种因果发现算法合并到一个图中，但很少有工作会汇集来自不同数学传统（包括非因果传统）的证据。我们提出了多方法因果证据综合（MCES），一个框架，用于对观测系统中哪些候选驱动因素最可能与一组结果相关进行排序，并给出证据强度。MCES 在观测面板数据上运行了跨八个数学传统的十一种方法，并将其输出汇集到一个收敛证据评分（CES）中，这是一个线性意见池。CES 量化了跨分析视角的证据收敛性：即具有不同假设的方法在多大程度上指向相同的驱动因素-结果关系。它并不声称在干预主义意义上的因果识别；它支持假设优先级排序，而非可转移的因果概率。MCES 首先应用结构-行为分解来消除定义性（代数）关系，然后运行所有方法，将输出归一化到 [0,1] 并汇集。我们将 MCES 与方法选择、结构集成、预测集成和文献综述区分开来。使用具有嵌入真实情况的合成数据、Sachs 蛋白质信号基准、六个贝叶斯网络结构基准以及另外两个合成领域，我们表明 MCES 将真实边排在靠近顶部的位置（主要场景中 Precision@5 = 1.0，Precision@10 = 0.96），并且空值对达到中等或更高收敛的经验率很低。我们的核心观点不是集成优于每个单独的方法，而是没有一种单一方法在所有评估场景中都是普遍最优的，因此 MCES 提供了一种与方法无关的默认选择。

点评: 不再纠结于“哪个因果方法最优”，而是通过跨八种数学传统的证据收敛打分来稳健地筛选驱动因素，为观测数据下的因果发现提供了一个实用的新默认方案。

8. 深度 ReLU 网络在非参数回归中的迁移学习

作者: Junpeng Ren, Carlos Misael Madrid Padilla, Yanzhen Chen, Oscar Hernan Madrid Padilla | 分类: stat.ML, cs.LG, stat.ME 链接: arxiv.org/abs/2608.20255v1

本文为包含多个组的数据开发了一个通用的非参数回归迁移学习框架。在组间共享一个共同结构并且存在加性形式的组特定偏差的假设下，所提出的方法采用两阶段偏移学习过程：第一阶段汇集所有组的数据以估计一个总体均值函数，第二阶段估计每个组的偏移量，通过加性组合产生最终的组级估计器。我们为所提出的框架建立了 L2 误差的上界，在温和的复杂性和噪声条件下覆盖了广泛的非参数估计器。当使用深度 ReLU 网络实例化时，在层次组合模型下推导出显式的收敛速率，证明了其克服维度灾难的能力。我们考虑了能够实现更快速率的正迁移的条件，包括使用更简单的函数进行学习以及通过跨组汇集样本进行数据增强。各种模拟和真实数据实验进一步验证了所提出方法的有效性。

点评: 为深度 ReLU 网络在非参数回归中的迁移学习提供了坚实的理论保证，特别是推导出的显式收敛速率，为多组数据场景下的正迁移条件提供了清晰的理论指导。

本内容由 AI 辅助生成，论文信息来源于 arXiv。