# 科学软件与实验反馈｜2026-10-20

AI辅助资料整理；本期5项首次进入本集合，资料原始日期各自保留，不表示当日新发表。推荐不代表维护者已读；数字为作者报告，未独立运行代码或复现实验。真实软件、物理测量、模拟执行及工程经验分别说明。

## 1. Adaptation of Computer Use Agents to New Software with User Manuals

[原文](https://arxiv.org/abs/2610.23012) · [正文](https://arxiv.org/html/2610.23012v1) · 2026-10-16 · v1 · arXiv预印本

通用电脑操作代理遇到新软件时，困难往往不是看不见按钮，而是不知道完成一项工作应遵循什么程序。作者的MAGE把用户手册变成两种帮助：执行时的操作计划，以及适配代理的训练任务。这样，软件文档不只是供人查询的背景材料，还成为进入陌生应用的一条路径。

执行一项任务时，系统先根据任务检索相关手册段落，让规划模型结合初始截图生成包含菜单、按钮或快捷键的操作计划，再交给看截图、发出界面动作的CU代理。计划在整个任务中保持固定，并非每一步都重新规划。手册与当前界面可能因版本、设置或权限不一致，因此作者还从手册图文生成任务和计划，必要时先执行“准备任务”建立初始状态，再执行主要任务。轨迹由视觉语言模型评判是否成功，利用多次尝试中的成功差异训练操作策略；这减少了人工示范需求，但仍需要模型调用、环境交互、自动评判及每个应用分别训练。

实验覆盖Calc、Impress、Writer、GIMP、VSCode，以及另建的30组Slack测试任务。前五种应用采用OSWorld评测，单任务50步、五次运行，整体成功率按全部任务微平均：UI-TARS-1.5从36.83%升至47.31%，EvoCUA从47.54%升至53.67%。这分别是约10.48和6.13个百分点，不能表述为已经在所有陌生软件中可靠工作。Slack上的UI-TARS由26.67%到49.33%，但任务是否完成由Gemini根据最后五张截图判断，且作者不知道骨干模型究竟见过多少Slack数据。Calc消融中，只有策略训练是14.89%，只有手册计划是25.53%，两者结合34.04%，原始骨干14.47%；这说明在该应用中，程序知识是主要收益来源，训练与计划结合还有增益。

**证据限制：**不是同一研究问题跨应用；应用训练覆盖未知，适配成本未报告；无API公平对照

**建议先读：**§3.2–3.3、表3

## 2. Autonomous Reliability Qualification of Ga2O3-based diode sensors via Safe Active Learning

[原文](https://arxiv.org/abs/2605.00868) · [正文](https://arxiv.org/html/2605.00868v3) · 2026-04-22 · v3 · arXiv预印本

高温电子器件的可靠性测试有一个特殊矛盾：需要探索温度和氢气浓度怎样影响器件，但探索本身会让器件老化甚至损坏。按预先排好的条件逐项测试，既可能浪费测量，也不能随着器件状态变化调整风险。本文的安全主动学习SAL并非大模型代理，而是把概率模型、仪器控制和实际新测量连成反馈回路。

人先制备并安装氧化镓二极管，规定测试范围和安全指标。算法用正反向电流的整流比衡量器件是否仍保持预期的二极管行为，把时间、温度和氢气浓度一起建模。每次先排除预测下界低于阈值的条件，以及离已测安全区域过远的条件，再在允许区域选择信息量较高的位置。专用编排器通过API协调加热台、质量流量控制器与Keithley源表，等待温度、流量及器件电流稳定后才扫电压、测电流；这些新测量更新模型，并改变下一次温度和浓度。因此反馈真正参与了选点，而非测完再自动生成报告。网页用于遥测可视化，本文没有让代理点击GUI，也未证明外部用户能够远程申请此设备。

实物测试范围为350–550°C、0–800 ppm氢气。第一阶段100轮保持固定整流比阈值10，作者报告一次不安全读数，并归因于异常电流扫描；第二阶段100轮主动放宽阈值，以研究退化，其中24轮低于第一阶段固定阈值，9轮也低于当轮已放宽的阈值。这些数值反映的是特定器件、特定阈值下的测试结果，不能说“保证零损伤”。实验还包含模拟验证；文末约千小时的响应预测属于离线分析，另批器件的400°C长时数据参与了模型结构设计与验证，不能把它当成完全独立、在线自主预测千小时成功的证据。

**证据限制：**单设备示范非零风险保证；离线模型设计用过辅助验证数据；无接入人时或通用GUI对照

**建议先读：**§4、§6、补充表S1与图S7

## 3. One Task, Many Interfaces: Simple Cross-Interface Consistency Training Improves LLM Agent Robustness

[原文](https://arxiv.org/abs/2610.20576) · [正文](https://arxiv.org/html/2610.20576v1) · 2026-10-14 · v1 · arXiv预印本

同一项任务只改工具名称、排列或描述，代理为何就会做错？作者关注的是接口习惯与任务能力混在一起：模型可能记住某个熟悉函数名，却没有根据当前说明选择真正合适的工具。本文所谓“跨接口”主要指结构化工具调用接口变化，不是让同一代理自由切换GUI、API和MCP三种控制方式。

方法CIPR在训练时给同一个任务构造两个接口，明确哪些动作在语义上等价。工具改成中性编号、顺序打乱，还可添加描述上更慢、已弃用或参数不适用的近似工具。训练除了要求调用正确，还要求模型面对两套接口时，对等价动作保持相近的选择概率。只改名字时可以重评分既有轨迹；工具集合改变时，需要在两个接口分别生成轨迹再比较。部署时由适配器把规范编号映射回实际工具，额外的成对轨迹只在训练使用。这里没有真实仪器，也没有新科学数据；多轮扩展使用模拟用户任务。

关键实验基于同一ToolRL配方的3,920条训练样本，测试BFCL v4中2,501个有参考调用的单轮题目以及13种未用于训练的扰动，指标是完整调用正确率。Qwen2.5-3B常规训练在原接口为73.3%，三个留出扰动组均值40.6%；仅做多接口训练已提升到54.2%，CIPR进一步到56.1%，原接口74.9%。因此不能把全部15.5个百分点收益都归功于一致性损失；与最贴近的多接口基线相比增益为1.9点。更强的Qwen3.5-4B中，留出均值从多接口79.7%到80.7%，作者也说明若干小差异落在置信区间内。更值得注意的是，多轮τ²-bench上CIPR缩小了原接口与扰动接口的落差，但常规ToolRL的绝对奖励在原接口和各扰动组反而更高。

**证据限制：**不约束参数概率一致性；部分提升在置信区间内；稳健性差距小不等于绝对成功更高

**建议先读：**表1、表8

## 4. Design and Implementation of a Microservice-Architecture Master Control System for AIMS

[原文](https://arxiv.org/abs/2607.13561) · [正文](https://arxiv.org/pdf/2607.13561v1) · 2026-07-15 · v1 · arXiv预印本

AIMS要在青海冷湖高海拔站点协调中红外太阳观测。困难来自不同院所交付的望远镜驱动、偏振装置、相机和傅里叶变换红外光谱仪：不仅接口各异，校准、扫描位置与积分设置也有严格先后关系。本文介绍实际控制系统如何把这些设备组织成可执行流程，是“专用集成能做到多少”的重要对照。

系统先把单台硬件操作封装成命令及功能包，每包带有状态参数和完成条件；执行器确认上一步完成后才进入下一步。各子系统保留自己的驱动、数据库、故障处理和用户界面，通过专用TCP/IP通信协议协作。界面是操作入口，自动化依靠这些控制与状态接口，不是视觉代理替人点击。对于太阳观测，图像既是科学产物，也用于调整：导星根据图像误差修正跟踪；自动对焦在不同位置采集短曝光图像，选质量较好的帧，用频谱比评价清晰度后拟合最佳焦点；云量和供电反馈可触发暂停、关机或恢复。它们改变实际后续动作，但主要是质量与运行条件控制，不能扩大为依据新科学发现自行改变研究问题。

作者把同一架构用于AIMS、温泉太阳磁场望远镜和SFMM，并专门用表2分清落地范围。AIMS当时是L1：若干观测和校准流程已自动化，轴控整合、自动对焦及天气决策等部分功能仍在规划；温泉是需人判断环境并启动的L2；SFMM日常为L2，L3条件自主功能另有专项验证。不能把架构图中所有模块都算成AIMS已部署能力。表3报告AIMS某类非偏振视场扫描从每天1–2组数据到7–8组，现场人员从7–8人到2人，每组约一小时；但没有给出对照天数、天气匹配和错误计数分母，因此这些是作者的运维前后描述，不能当成随机对照的性能结论。文中局域网小于100毫秒的通信指标，也不等于互联网排队或一次完整观测的周转时间。

**证据限制：**未来规划不可算已部署；运维前后描述未控天气；无新设备接入工时

**建议先读：**表2、§5、§3.3

## 5. When is a large language model a good calibration agent? Physics-labeled prompting for budgeted engineering simulator calibration

[原文](https://arxiv.org/abs/2610.22379) · [正文](https://arxiv.org/html/2610.22379v1) · 2026-10-01 · v1 · arXiv预印本

昂贵模拟器的校准，是不断提出参数、运行模拟、比较参考结果，再改参数。作者问得很具体：如果把误差的物理含义告诉大模型，它是否比只看数值更省模拟预算？实验是圆柱尾流大涡模拟和阻尼振子反问题，反馈来自计算模型而非现场测量，不能直接外推到真实设备的稳定时间、噪声与损坏风险。

驱动程序向gpt-oss:120b提供参数范围、历史最好十组试验及当前误差诊断，模型返回机器可读参数；越界或格式不合法由程序裁剪或重试，然后运行模拟并更新历史。物理诊断描述具体偏差；对照分别删除诊断、匿名化物理名称、用等长无意义文字替换，或置换物理语义。作者还与Nelder–Mead、贝叶斯优化等数值方法比较，并规定第15次评估后把已有记录交给传统优化器继续计算。这里的连续性由程序保存参数和目标值实现，不涉及跨桌面软件的证据传递。

有信息量的是最初几步而非最终排名。所有方法共享四个初始评估点，第五次才是第一项自主提议；物理标签策略在25次重复中的23次改善了初始最好结果，消融组为30次中的8次。第五次评估时，两组最佳目标值的中位数相差21.9倍，但到第15次已没有显著分离。相同策略的五批中位数在第五次还能相差9.8倍，说明低预算实验不能只跑一条漂亮轨迹。论文进一步发现，尾流任务的三个参数中只有黏度能由所选四项统计量辨识，后期若干目标值差异落在基准分辨能力内，不能据此稳定排出优化器优劣。

需要保留一个解释上的限制：摘要强调混合方法达到阈值的中位数为9次，而正文交接点固定在15次；因此9次到达的结果发生在交接之前，不能作为数值接续带来收益的证据。作者正文也说明交接前各方法名下实际是同一策略的独立重复。真正能观察交接作用的应是15次之后的轨迹，但其细小差异又受到辨识精度限制。该文仍值得作为反证材料：给反馈添加物理含义可能改善早期选点，却不证明模型长期承担决策总是更好。

**证据限制：**摘要9次混合达标发生在15次交接前不能归因交接；后期差异受可辨识性限制；单LLM配置

**建议先读：**§3.2、表4–5、§5.5