先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接
3 条 · 点击可看原文全文与中文译文
ReviewPilot 是一个面向系统综述 PRISMA 流程的多智能体系统，通过对话定制筛选标准与抽取模式，并保留项目记忆，实现论文筛选与证据抽取的自动化。每条筛选决策附理由、每个抽取值附来源，在流行病学专家评审中优于单提示 LLM 与 AgentSLR，筛选宏 F1 达 0.776、抽取 F1 达 0.788，值得关注其可追溯性与跨领域迁移潜力。
提出基于记忆的主动机器人框架，用程序化辅助记忆（PAM）以有限状态机记录活动阶段与辅助规则，VLM 任务预测器结合当前观察决定何时辅助及执行何种任务，VLA 执行器完成任务，反思 VLM 每日更新记忆无需重训。5 天桌面辅助实验中精度、召回与 F1 持续提升，首次触发延迟从 5 秒降至 1 秒。
该研究用强化学习先训练赛车漂移策略，再迁移到车辆失稳恢复任务，并定义基于相平面的稳定平衡态与 Gym-Khana 评测环境。在 294 个失控状态下恢复率较 Stanley 提升 186.8%，优于 NMPC 与从零训练策略，并在 1:10 F1TENTH 实车上验证，为自动驾驶极限安全系统提供新思路。
现有资料不足以回答「对话式标准定制相比固定提示词的筛选宏 F1 提升幅度」这一具体数值问题——资料中只给出了对话式定制方案的绝对表现，没有给出固定提示词基线的宏 F1 数值。 资料中能确认的部分：
也就是说，资料只能支持「优于单提示 LLM」这一方向性结论，但未披露单提示 LLM 基线的宏 F1 具体值，因此无法计算提升的绝对或相对幅度。另外两条资料分别涉及机器人辅助记忆与自动驾驶恢复策略，与筛选宏 F1 无关23。