深度研究代理是基于LLM的代理的重要类别。通过自主协调多步探索，有针对性的检索和高阶合成，它们将大量的在线信息转换为分析师级，引用丰富的报告 - 将手动台式研究用于几分钟。但是，系统地评估这些试剂能力的全面基准仍然没有 ...

具有完整系统访问的计算机使用代理（CUAS）可实现强大的任务自动化，但由于能够操纵文件，访问用户数据和执行任意命令的能力而构成了强大的安全性和隐私风险。虽然先前的工作集中在基于浏览器的代理和HTML级攻击上，但CUAS的漏洞仍未得到充实。在本文中，我们研究了视觉提示注射（VPI）攻击，其中将恶意说明视觉嵌入渲染的用户界面中，并检查其对CUA和浏览器使用剂（BUA）的影响 ...

传统数据+AI系统利用数据驱动的技术来优化性能，但它们严重依赖人类专家来协调系统管道，使它们能够适应数据，查询，任务和环境的变化。例如，尽管有许多数据科学工具可用，但是开发一个协调这些工具的管道计划系统仍然具有挑战性。之所以出现这种困难，是因为现有的数据+AI系统在语义理解，推理和计划方面具有有限的功能 ...

协作感知允许每个代理通过与他人交换消息来增强其感知能力。它固有地导致了感知能力和沟通成本之间的权衡。先前的作品在代理之间传输完整的全帧高维功能地图，从而导致了大量的沟通成本 ...

AI代理商经历了范式的转变，从增强学习（RL）的早期统治到由大语言模型（LLMS）提供支持的代理商的兴起，现在进一步迈向了RL和LLM功能的协同融合。这种进展已使AI代理具有越来越强大的能力。尽管有这些进步，要完成复杂的现实世界任务，需要代理才能有效地计划和执行，保持可靠的内存并与其他代理平稳协调 ...

由大型语言模型提供动力的高度自主生成代理有望模拟虚拟社会中复杂的社会行为。但是，以低计算成本与人类实现实时互动仍然具有挑战性。在这里，我们介绍Lyfe代理商 ...

尽管知识蒸馏已成为通过对齐输出或内部表示将大型语言模型（LLM）压缩为较小语言模型的成熟领域，但基于LLM的代理的蒸馏涉及计划，内存和工具的使用，仍然相对毫无疑问。现有的代理蒸馏方法通常会重播完整的教师轨迹或模仿分步教师工具的使用情况，但是他们经常难以训练学生代理人在新颖的环境中动态计划和行动。我们提出了一种新颖的，无训练的代理蒸馏框架，可以通过直接重复使用模型 - 秘密协议（MCP）来实现有效且 ...

机器学习（ML）任务是当今边缘计算网络中的主要工作负载之一。现有的Edge-Cloud调度程序将所需资源数量分配给每个任务，但最佳利用有限的边缘资源来实现ML任务。本文提出了Tapfinger，这是一种用于Edge簇的分布式调度程序，通过将任务放置和细粒度的多资源分配来最大程度地减少ML任务的总完成时间 ...