SovereignPA-Bench：在演化的意图、平台中介与同意约束下评估用户自有个人代理
评分
81首次系统定义并量化用户主权这一概念，填补了个人代理评估中隐私、同意、抗操纵等维度的空白。
实验设计完整，涵盖多种模型与基线，审计过程严谨，但部分分析偏重结果展示，深度讨论稍显不足。
提出的基准可直接用于评估和比较不同个人代理系统的安全性，对产品落地和政策制定有直接参考价值。
当前个人代理部署快速增长，论文及时回应了用户主权监管与信任构建的迫切需求。
来源于arXiv预印本，作者团队来自知名机构，且提供开源数据与代码，可复现性高。
基础分 89.5 × T2 信源权重 ×0.9 = 81
精选线 70已入选精选
精选理由
该方法论创新显著，首次将用户主权从概念转化为可量化的多维基准，且实验设计严谨、审计过程透明。
AI 点评
「这篇论文我觉得最值得关注的是它把‘主权’这样一个抽象概念拆解成了可实际测量的维度，对于正在构建个人代理的团队来说，是继任务完成之后必须考虑的下一个安全层级。对立法者和产品经理尤其重要，因为隐私和同意不再是口号，而是能被追究的指标。」
速览
个人代理正成为持久的用户自有中介，需记住偏好、过滤平台信息、使用工具并与服务协商。现有基准多聚焦任务完成，却未评估代理是否维护用户主权——在尊重隐私、同意、证据、用户负担及抵抗操纵激励的前提下推进用户当前利益。本文提出SovereignPA-Bench，一个可执行基准，在演化意图、平台中介、隐私边界、同意约束、证据要求与负担权衡下评估用户自有代理。该基准分离代理可见的观察状态与仅评估者可见的隐藏标签，报告任务成功、对齐性、隐私、同意、证据、操纵、负担和可审计性等组件指标，并保持配对的场景顺序以进行模型与策略比较。我们在4个模型族和8个策略基线上评估了120个主权压力场景，生成3840条冻结提示轨迹，包含原始提示、输出、提供者格式响应、解析动作、可重算指标、硬集分析、定性案例及240个项目的盲审三方审计。全主权脚手架在主权重上优于直接、仅记忆、仅同意、仅证据、ReAct/工具使用、安全提示和法官守护基线，同时降低了隐私泄露、同意违规、过度让步和操纵捕获。人类审计显示隐私与同意的一致性高，而操纵的一致性较低，识别了平台说服判断的主观前沿。结果表明，个人代理评估必须超越任务完成，走向具有代表性、知晓同意、基于证据的行动。
- SovereignPA-Bench是一个新的可执行基准，用于评估用户自有个人代理在演化意图、平台中介和同意约束下的表现。
- 该基准分离了代理可见状态与隐藏标签，从任务成功、对齐性、隐私、同意、证据、操纵、负担和可审计性等多个维度报告指标。
- 在4个模型族和8个策略基线上评估120个压力场景，全主权脚手架在多项指标上优于传统基线。
- 人类审计显示隐私和同意的评估一致性高，但操纵判断存在主观分歧。
正文
本文为 AI 生成的中文精读,原文请点「查看原文」
相关条目
85
精选Setoka：面向异构数据个性化Agent的层级用户理解基准
这篇论文非常值得关注，尤其对于从事个性化Agent、对话系统和记忆增强AI的研究者和工程师。它不仅仅是一个基准，而是从心理学出发定义了用户理解的层级，揭示了现有系统在高层理解上的系统性失败。如果你在设计基于记忆的Agent，这篇文章会提醒你记忆系统需要支持跨时间、跨来源的抽象推理，而不仅仅是检索。
85
精选BAND：高维分布估计的贝叶斯网络回归方法——打破维度诅咒
这篇论文值得所有从事高维统计、概率建模和生成式AI的研究者关注。它从理论上给出了一个简单却有力的答案：稀疏结构能打破维度诅咒，而贝叶斯网络恰好提供了自然框架。相比VAE/GAN这类黑箱方法，BAND可解释性强且收敛有保证，尤其适合工业界对可靠置信区间的需求。如果你是研究时间序列预测或风险管理的，这篇论文可能会改变你处理高维密度估计的方式。
84
精选循环一致与不确定性感知的托卡马克边缘等离子体神经代理模型
这篇论文值得关注，因为它展示了如何将先进的AI技术（循环一致性、不确定性量化）直接用于解决核聚变中的核心计算瓶颈。对于聚变领域的研究人员和工程师，这是一个能在不牺牲精度的前提下将模拟速度提升数个数量级的实用工具；对于AI从业者，它提供了一个科学应用中自监督学习和逆问题求解的优秀案例。
83
精选等变学习可迁移的三维经典密度泛函
这篇论文最值得关注的点在于，它把机器学习和统计力学的核心难题直接对接，用等变网络学出了一个可迁移的密度泛函，而且不依赖任何标签。对于做液体物理或软物质的同行，这可能是新的研究范式：以后是不是不用再针对每个体系从头做模拟了？对于AI研究者，这也展示了如何将物理对称性和变分原理嵌入模型，而不是单纯拟合数据。建议重点读一下方法部分，尤其是等变性和变分一致性的实现方式，那才是真正的精髓。
83
精选c-Rectified Flow 的计算与统计保证
这篇论文真正把整流流从“经验好用”推向了“理论可控”，对做生成模型底层算法的人尤其重要。如果你在调 FLUX 或 SD3 这类管线，理解普通整流流在协方差不可交换时可能失效，能帮你避开一些隐蔽的训练陷阱。
83
精选从高保真UMI数据学习可部署操作策略
这篇论文最亮眼的地方是证明了纯无机器人数据也能达到与真实遥操作相当的性能，彻底打破了后训练阶段必须依赖少量真实数据的惯例。对于想降低硬件成本的研究组和工业机器人应用开发者来说，HiFi-UMI的数据生产方案和开源数据集是直接可用的资源。建议关注其头戴式SLAM和微秒同步的工程细节，这些是精度达标的关键。
83
精选资本市场LLM可靠性评分：从“看似合理”到“可银行化”
这篇论文对金融圈和AI圈都很有价值：它给出了一个可操作的、面向实际工作流的评估框架，比泛泛的基准更贴近真实需求。如果你在金融科技公司做LLM落地，或者负责模型的“可解释性”和“可审计性”，这篇值得细读。决策有用性维度的发现尤其值得关注——评审们一致认为这是关键，但不同模型表现差异最大。
83
精选优化器状态应放在哪里？面向内存高效MoE训练的分层状态分配
这篇论文对训练MoE模型的团队非常有价值：它证明了通过精细的优化器状态分配，可以在不牺牲精度的情况下大幅降低显存占用，甚至还能提升性能。尤其适合那些受限于40GB或80GB GPU显存的实验室或企业。值得仔细阅读其分层策略和动量保留的消融分析，可为实际训练框架（如DeepSpeed、Megatron）提供优化方向。