隨著人工智能尤其是大模型技術(shù)的快速發(fā)展，基于大型語(yǔ)言模型（LLM）的智能體（Agent）正成為研究和應(yīng)用的新焦點(diǎn)。NeurIPS 2025 會(huì)議收錄了大量圍繞智能體架構(gòu)設(shè)計(jì)、多智能體協(xié)作、具身推理、安全對(duì)齊等方向的前沿工作。這些研究不僅在理論上推動(dòng)了對(duì)智能體行為與認(rèn)知的建模，也在實(shí)際應(yīng)用中展現(xiàn)出廣泛潛力。本文將系統(tǒng)梳理會(huì)議中具有代表性的智能體相關(guān)論文，分類綜述其核心貢獻(xiàn)，并總結(jié)關(guān)鍵技術(shù)趨勢(shì)。

一、基礎(chǔ)架構(gòu)與優(yōu)化方法

該類研究聚焦于提升智能體的基礎(chǔ)架構(gòu)設(shè)計(jì)、訓(xùn)練效率與泛化能力，涵蓋網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、分布式訓(xùn)練、課程學(xué)習(xí)、元強(qiáng)化學(xué)習(xí)等方法。

英文標(biāo)題：1000 Layer Networks for Self-Supervised RL: Scaling Depth Can Enable New Goal-Reaching Capabilities

中文標(biāo)題：千層網(wǎng)絡(luò)的自監(jiān)督強(qiáng)化學(xué)習(xí)：通過擴(kuò)展網(wǎng)絡(luò)深度實(shí)現(xiàn)新的目標(biāo)達(dá)成能力

作者：Kevin Wang, Ishaan Javali, Micha? Bortkiewicz, Tomasz Trzcinski, Benjamin Eysenbach

摘要：本文研究了通過顯著增加網(wǎng)絡(luò)深度（最高達(dá)1024層）來提升自監(jiān)督強(qiáng)化學(xué)習(xí)在無獎(jiǎng)勵(lì)、無監(jiān)督目標(biāo)達(dá)成任務(wù)中的性能。在模擬運(yùn)動(dòng)與操控任務(wù)中，該方法相比基線算法有2倍至50倍的性能提升。

重要貢獻(xiàn)：首次系統(tǒng)驗(yàn)證了超深網(wǎng)絡(luò)在RL中的有效性，證明其不僅能提高成功率，還可引導(dǎo)智能體產(chǎn)生質(zhì)變的行為模式。

英文標(biāo)題：A Bayesian Fast-Slow Framework to Mitigate Interference in Non-Stationary Reinforcement Learning

中文標(biāo)題：用于緩解非穩(wěn)態(tài)強(qiáng)化學(xué)習(xí)干擾的貝葉斯快慢框架

作者：Yihuan Mao, Chongjie Zhang

摘要：提出一種結(jié)合“快策略”與“慢策略”的貝葉斯框架，在任務(wù)發(fā)生變動(dòng)時(shí)通過機(jī)制平衡探索與利用，減少跨任務(wù)干擾。

重要貢獻(xiàn)：在非平穩(wěn)MDP中實(shí)現(xiàn)高效跨任務(wù)泛化，并引入雙重置機(jī)制加快對(duì)新任務(wù)的適應(yīng)。

英文標(biāo)題：Continual Knowledge Adaptation for Reinforcement Learning

中文標(biāo)題：強(qiáng)化學(xué)習(xí)中的持續(xù)知識(shí)適應(yīng)方法

作者：Jinwu Hu et al.

摘要：提出CKA-RL框架，通過維護(hù)任務(wù)特定的知識(shí)向量池，實(shí)現(xiàn)歷史知識(shí)的積累與跨任務(wù)遷移，緩解災(zāi)難性遺忘。

重要貢獻(xiàn)：在多個(gè)持續(xù)學(xué)習(xí)基準(zhǔn)上取得SOTA效果，顯著提升前向傳輸效率。

二、多智能體協(xié)作與博弈

多智能體系統(tǒng)在合作、競(jìng)爭(zhēng)與溝通機(jī)制方面的研究日益深入，涵蓋團(tuán)隊(duì)協(xié)作、博弈推理、溝通效率等多個(gè)維度。

?英文標(biāo)題：Adaptively Coordinating with Novel Partners via Learned Latent Strategies
中文標(biāo)題：通過潛在策略學(xué)習(xí)實(shí)現(xiàn)與新伙伴的自適應(yīng)協(xié)作
作者：Benjamin J Li et al.
摘要：構(gòu)建了一個(gè)基于變分自編碼器的策略表示空間，通過對(duì)伙伴策略進(jìn)行在線識(shí)別與動(dòng)態(tài)調(diào)整，實(shí)現(xiàn)高效人機(jī)協(xié)作。
重要貢獻(xiàn)：在Overcooked環(huán)境中顯著優(yōu)于基線方法，并驗(yàn)證了在實(shí)時(shí)人機(jī)協(xié)作中的有效性。

英文標(biāo)題：Belief-Calibrated Multi-Agent Consensus Seeking for Complex NLP Tasks
中文標(biāo)題：面向復(fù)雜NLP任務(wù)的信念校準(zhǔn)多智能體共識(shí)尋求機(jī)制
作者：Wentao Deng et al.
摘要：提出BCCS框架，通過內(nèi)部信念校準(zhǔn)和最優(yōu)協(xié)作伙伴選擇，提升多智能體在數(shù)學(xué)推理與問答任務(wù)中的共識(shí)穩(wěn)定性。
重要貢獻(xiàn)：在MATH和MMLU任務(wù)上準(zhǔn)確率提升超過3%，系統(tǒng)共識(shí)穩(wěn)定性顯著增強(qiáng)。

英文標(biāo)題：Fair Cooperation in Mixed-motive Games via Conflict-Aware Gradient Adjustment
中文標(biāo)題：通過沖突感知的梯度調(diào)整實(shí)現(xiàn)混合動(dòng)機(jī)博弈中的公平合作
作者：Woojun Kim, Katia Sycara
摘要：在部分合作、部分競(jìng)爭(zhēng)的場(chǎng)景中，提出一種梯度調(diào)節(jié)方法，在優(yōu)化團(tuán)隊(duì)效用的同時(shí)保證個(gè)體公平性。
重要貢獻(xiàn)：首次在多智能體強(qiáng)化學(xué)習(xí)框架中同時(shí)優(yōu)化社會(huì)效益與公平性指標(biāo)。

三、安全、對(duì)齊與價(jià)值觀建模

隨著智能體廣泛應(yīng)用，其行為的安全性、價(jià)值觀對(duì)齊和隱私保護(hù)成為關(guān)鍵問題。相關(guān)研究集中在對(duì)抗攻擊、機(jī)制設(shè)計(jì)、價(jià)值觀評(píng)估等方面。

?英文標(biāo)題：AgentAuditor: Human-level Safety and Security Evaluation for LLM Agents
中文標(biāo)題：AgentAuditor：面向LLM智能體的人類水平安全與安全性評(píng)估框架
作者：Hanjun Luo et al.
摘要：提出一個(gè)訓(xùn)練無關(guān)、基于記憶增強(qiáng)推理的評(píng)估框架，用于檢測(cè)智能體在逐步?jīng)Q策中的潛在風(fēng)險(xiǎn)。
重要貢獻(xiàn)：構(gòu)建了涵蓋15類風(fēng)險(xiǎn)、29個(gè)場(chǎng)景的ASSEBench基準(zhǔn)，評(píng)估準(zhǔn)確率接近人類水平。

英文標(biāo)題：Attractive Metadata Attack: Inducing LLM Agents to Invoke Malicious Tools
中文標(biāo)題：誘人元數(shù)據(jù)攻擊：誘導(dǎo)LLM智能體調(diào)用惡意工具
作者：Kanghua Mo et al.
摘要：發(fā)現(xiàn)通過對(duì)工具元數(shù)據(jù)（名稱、描述等）進(jìn)行黑盒優(yōu)化攻擊，可誘使智能體高概率選擇惡意工具。
重要貢獻(xiàn)：揭示了智能體系統(tǒng)在元數(shù)據(jù)層面的脆弱性，在10個(gè)場(chǎng)景中攻擊成功率超80%。

英文標(biāo)題：Distributive Fairness in Large Language Models: Evaluating Alignment with Human Values
中文標(biāo)題：大語(yǔ)言模型中的分配公平性：評(píng)估與人類價(jià)值觀的對(duì)齊程度
作者：Hadi Hosseini, Samarth Khanna
摘要：通過多選擇問答評(píng)估LLM在資源分配任務(wù)中是否遵循公平性原則（如無嫉妒性、最大化最小值等）。
重要貢獻(xiàn)：發(fā)現(xiàn)當(dāng)前LLM在分配決策中與人類偏好存在顯著差距，且無法有效利用貨幣進(jìn)行轉(zhuǎn)移支付。

四、具身智能與導(dǎo)航系統(tǒng)

具身智能體在物理或虛擬環(huán)境中的感知、導(dǎo)航與交互能力是當(dāng)前的研究熱點(diǎn)，尤其是結(jié)合多模態(tài)建模與三維空間推理的工作。

英文標(biāo)題：3DLLM-Mem: Long-Term Spatial-Temporal Memory for Embodied 3D Large Language Model

中文標(biāo)題：3DLLM-Mem：具身3D大語(yǔ)言模型的長(zhǎng)時(shí)空記憶機(jī)制
作者：Wenbo Hu et al.
摘要：提出一種動(dòng)態(tài)記憶管理模型，通過工作記憶令牌檢索并融合過去觀測(cè)中的時(shí)空特征，支持智能體在復(fù)雜多房間環(huán)境中進(jìn)行長(zhǎng)期推理。
重要貢獻(xiàn)：在包含2.6萬(wàn)條軌跡的3DMem-Bench上，相比基線成功率提升16.5%。

英文標(biāo)題：BeliefMapNav: 3D Voxel-Based Belief Map for Zero-Shot Object Navigation
中文標(biāo)題：BeliefMapNav：基于三維體素信念地圖的零樣本目標(biāo)導(dǎo)航
作者：Zibo Zhou et al.
摘要：通過體素化信念地圖建模目標(biāo)在空間中的分布，融合語(yǔ)義先驗(yàn)與實(shí)時(shí)觀測(cè)，實(shí)現(xiàn)高效全局導(dǎo)航?jīng)Q策。
重要貢獻(xiàn)：在HM3D、MP3D等基準(zhǔn)上取得SOTA，路徑長(zhǎng)度加權(quán)成功率提升46.4%。

英文標(biāo)題：EfficientNav: Towards On-Device Object-Goal Navigation with Navigation Map Caching and Retrieval
中文標(biāo)題：EfficientNav：基于導(dǎo)航地圖緩存與檢索的端側(cè)目標(biāo)導(dǎo)航系統(tǒng)
作者：Zebin Yang et al.
摘要：提出語(yǔ)義感知的記憶檢索與緩存機(jī)制，壓縮冗余地圖信息，使得輕量LLM也可支持高效導(dǎo)航。
重要貢獻(xiàn)：在HM3D上成功率提升11.1%，推理延遲降低6.7倍。

五、記憶、推理與知識(shí)管理

智能體的長(zhǎng)期記憶管理、推理鏈優(yōu)化與知識(shí)復(fù)用機(jī)制直接影響其執(zhí)行復(fù)雜任務(wù)的能力，是當(dāng)前系統(tǒng)實(shí)現(xiàn)“自我進(jìn)化”的關(guān)鍵。

英文標(biāo)題：A-Mem: Agentic Memory for LLM Agents
中文標(biāo)題：A-Mem：面向LLM智能體的主動(dòng)記憶系統(tǒng)
作者：Wujiang Xu et al.
摘要：受Zettelkasten方法啟發(fā)，設(shè)計(jì)了一種通過動(dòng)態(tài)索引與鏈接構(gòu)建記憶網(wǎng)絡(luò)的方法，支持記憶的演化與上下文感知檢索。
重要貢獻(xiàn)：在六個(gè)基礎(chǔ)模型上相比現(xiàn)有記憶基線有顯著提升，且代碼已開源。

英文標(biāo)題：CAM: A Constructivist View of Agentic Memory for LLM-Based Reading Comprehension
中文標(biāo)題：CAM：基于建構(gòu)主義理論的LLM閱讀理解記憶模型
作者：Rui Li et al.
摘要：提出一種結(jié)構(gòu)化的記憶組織方案，通過增量聚類與層次化摘要提升長(zhǎng)文本理解中的信息提取效率。
重要貢獻(xiàn)：在長(zhǎng)文本問答、摘要和事實(shí)核查任務(wù)中均表現(xiàn)出更高的效率與準(zhǔn)確性。

英文標(biāo)題：Generalizing Experience for Language Agents with Hierarchical MetaFlows
中文標(biāo)題：通過分層元流程實(shí)現(xiàn)語(yǔ)言智能體的經(jīng)驗(yàn)泛化
作者：Shengda Fan et al.
摘要：構(gòu)建層次化經(jīng)驗(yàn)樹，將歷史任務(wù)解構(gòu)為可復(fù)用的元流程（MetaFlow），在新任務(wù)中通過檢索與執(zhí)行相應(yīng)流程大幅降低響應(yīng)成本。
重要貢獻(xiàn)：在AppWorld和WorkBench上任務(wù)執(zhí)行成功率提升超30%，代價(jià)顯著降低。

六、應(yīng)用、基準(zhǔn)測(cè)試與自動(dòng)化工具

智能體在實(shí)際場(chǎng)景中的應(yīng)用測(cè)試與評(píng)估框架日趨重要，涵蓋軟件工程、網(wǎng)絡(luò)安全、科學(xué)發(fā)現(xiàn)、自動(dòng)化工作流等方向。

英文標(biāo)題：BountyBench: Dollar Impact of AI Agent Attackers and Defenders on Real-World Cybersecurity Systems
中文標(biāo)題：BountyBench：AI智能體攻防對(duì)現(xiàn)實(shí)網(wǎng)絡(luò)安全系統(tǒng)的經(jīng)濟(jì)影響評(píng)估
作者：Andy Zhang et al.
摘要：構(gòu)建了包含25個(gè)真實(shí)系統(tǒng)、40個(gè)漏洞獎(jiǎng)勵(lì)任務(wù)的測(cè)試平臺(tái)，評(píng)估智能體在攻擊、防御與補(bǔ)丁任務(wù)中的表現(xiàn)。
重要貢獻(xiàn)：首次以經(jīng)濟(jì)價(jià)值（美元）量化智能體在網(wǎng)絡(luò)安全中的實(shí)際作用，Claude 3.7在攻擊任務(wù)中達(dá)成55%的成功率。

英文標(biāo)題：AI-Researcher: Autonomous Scientific Innovation
中文標(biāo)題：AI-Researcher：自主科研創(chuàng)新系統(tǒng)
作者：Jiabin Tang et al.
摘要：提出全自動(dòng)科研流程框架，涵蓋文獻(xiàn)回顧、假設(shè)生成、算法實(shí)現(xiàn)與論文撰寫，在Scientist-Bench上達(dá)到接近人類的論文質(zhì)量。
重要貢獻(xiàn)：實(shí)現(xiàn)了首個(gè)覆蓋科研全流程的自主智能體，在多個(gè)AI子領(lǐng)域表現(xiàn)優(yōu)異。

英文標(biāo)題：Automated Composition of Agents: A Knapsack Approach for Agentic Component Selection
中文標(biāo)題：基于背包問題的智能體組件自動(dòng)組合方法
作者：Michelle Yuan et al.
摘要：將智能體組件選擇建模為背包問題，基于性能、預(yù)算與兼容性動(dòng)態(tài)組裝最優(yōu)系統(tǒng)，在5個(gè)基準(zhǔn)上優(yōu)于檢索基線。
重要貢獻(xiàn)：在多智能體系統(tǒng)組合中成功率提升至87%，組件成本降低98.5%。

技術(shù)發(fā)展趨勢(shì)總結(jié)

基于上述論文，可提煉出NeurIPS 2025在智能體研究中的主要趨勢(shì)：

架構(gòu)深度化與系統(tǒng)化：智能體模型向更深的網(wǎng)絡(luò)結(jié)構(gòu)、更復(fù)雜的內(nèi)存與推理機(jī)制發(fā)展，以支持長(zhǎng)期任務(wù)與環(huán)境交互。

協(xié)作與博弈機(jī)制深化：多智能體系統(tǒng)不僅關(guān)注團(tuán)隊(duì)效能，也開始納入公平性、信任和動(dòng)態(tài)策略適應(yīng)等社會(huì)維度。

安全與對(duì)齊成為核心議題：從紅隊(duì)攻擊、元數(shù)據(jù)安全到價(jià)值觀評(píng)估，智能體行為的安全性受到廣泛關(guān)注。

端側(cè)部署與效率優(yōu)化：輕量化、本地化與緩存技術(shù)助力智能體在移動(dòng)設(shè)備與邊緣計(jì)算環(huán)境中高效運(yùn)行。

自動(dòng)化與通用性增強(qiáng)：智能體在科研、編程、網(wǎng)絡(luò)安全等領(lǐng)域的應(yīng)用表明，其自動(dòng)化和通用問題解決能力正迅速提升。

評(píng)估基準(zhǔn)日趨嚴(yán)謹(jǐn)：出現(xiàn)大量高質(zhì)量、多模態(tài)的測(cè)試基準(zhǔn)（如3DMem-Bench、ASSEBench、BountyBench），推動(dòng)研究向可復(fù)現(xiàn)、可比較的方向發(fā)展。

總體而言，智能體研究正從單一模型能力提升走向復(fù)雜系統(tǒng)構(gòu)建、安全部署與生態(tài)化發(fā)展，成為AI領(lǐng)域中最具活力與廣泛應(yīng)用前景的方向之一。

參考資料

鏈接：https://neurips.cc/Conferences/2025

本文轉(zhuǎn)載自???旺知識(shí)??，作者：旺知識(shí)