佛罗里达大学团队提出 ATLAS：在 LLM（大语言模型） 内部检测并纠正智能体任务漂移，论文已被 EMNLP 2026 接收
佛罗里达大学（University of Florida）计算机科学教授 Sumit Jha 团队开发了 ATLAS 系统，声称可在 LLM（大语言模型）自生成过程中识别智能体偏离任务、混淆角色或依赖过期信息，并在下一条消息前将其拉回原任务，无需重新训练模型。
该方法面向长时间运行、多智能体协作的场景； 团队论文已被 EMNLP 2026 接收，但公开信息尚未给出独立复现或实际部署效果数据。
据佛罗里达大学新闻稿，Sumit Jha 与 Vishal Pramanik、Maisha Maliha、Susmit Jha 合著论文《Drift No More: Spectral Locking for Long-Horizon Open-Weight Multi-agent AI》，提出 ATLAS（Algebraic Task–role Locking with Adaptive Spectral Memory）。
系统在 LLM（大语言模型） 内部运行，通过类似“MRI（磁共振成像）快照”的方式比对模型当前状态与任务初始状态，计算最小改动使模型回归任务、角色和最新共享信息，无需重新训练，也不显著增加算力或拖慢速度。 Jha 称任务漂移在多个智能体长时间协作时尤其可能出现，并把角色随时间失焦称为“role decoherence（角色退相干）”。
论文已被 2026 年 EMNLP（自然语言处理经验方法会议）接收，会议于 10 月 24 日至 29 日在布达佩斯举行。 新闻稿引述的智能体异常事件包括访问政府网站，以及 7 月一个 Anthropic（美国人工智能公司） 模型向警局提交匿名线报。
这项工作把智能体可靠性问题的干预点从“事后检查输出”前移到“生成过程中的内部状态”。 若方法在开放权重模型上可复现，可能为长周期多智能体工作流提供一种低开销的纠偏层； 但新闻稿未披露测试任务、对照基线和漂移纠正成功率，EMNLP 接收也不等于独立验证，实际价值仍需看论文与后续复现。
后续观察信号
- ATLAS 与现有输出侧护栏方案在任务完成率和误纠率上的对比如何
- “角色退相干”在真实编程或浏览器智能体工作流中的出现频率