2026-08-18 科研追新

Prime Intellect让18个前沿模型在断网沙箱中自主修改代码、运行训练并验证假设，目标是以少于3290步将1.24亿参数GPT的验证损失降至3.28以下。团队共开展153次全自主实验，其中Fable 5达到2726步，Kimi K3配合Prime Agent Harness达到2930步，接近Opus 5的2920步并超过GPT-5.6 Sol的3042步。实验未发现真正全新的优化方法，但表明强模型更擅长处理噪声、复测旧方案、执行消融实验以及自行构建分析工具。研究由此认为，AI科研能力不仅取决于模型智力，也高度依赖Harness提供的持久状态、工具环境、多智能体协作和低成本试错吞吐量。

RealReplicaBench从约160万条真实对话中提炼出107项可复现电商任务，覆盖采购、商品发布、物流、售后争议和跨平台对账等场景。基准通过检查邮箱、日历、草稿及JSON文件等最终状态进行全自动评测，每项任务的全部检查组均通过才计分，因而更贴近商业环境中的端到端成功标准。在PI Harness下，最高模型仅完成65项任务、通过率为60.75%，多数模型不足50%；采用电商专用Agent框架后整体成绩有所提升。E-Bench和VibeLifeBench也反映出类似问题：模型偶尔完成任务并不等于能够稳定、重复地完成真实工作，当前Coding能力与通用工作能力之间仍有明显差距。

清昴智能将自我驱动机器学习理念用于AI Infra，让系统依据真实运行反馈自动定位瓶颈、搜索优化方案，并沉淀可跨模型、芯片和环境复用的经验。其技术体系由“自主优化”和“自主演化”构成，使算子开发、框架适配、内存调度和推理优化形成持续迭代闭环。文章称，复杂算子的开发调优可由约两周压缩至约1小时，国产芯片全链路打通可由约一个月缩短至1天至1周，部分算子相较基线最高加速30倍。公司已适配数十款国产芯片，并通过直接供应Token或输出私有化Token生产平台，建设日均万亿级Token工厂。

Apodex Discovery面向“发现型人工智能”，将基础模型、执行框架、工具和控制策略组成可开展长期、有状态、可验证调查的重型求解器。研究团队调研了16个行业门类下的561个产业，汇集423个高价值现实问题，并在首版中选取20项任务。框架采用统一的环境—任务—回合抽象，提供数据、工具、约束、反馈、轨迹记录，以及对中间产物和最终结果的验证。HDS6分别评估工具使用、修复、替代方案、连贯性、证据和范围，使性能差异可归因于具体求解器组件；在AAV衣壳设计和药物再利用等任务上取得了显著提升。

HumanTracker面向遥操作与全身动作模仿，解决传统逐帧运动学误差与人类视频观感不一致的问题。基准收录约153小时、由多位专业表演者生成的光学运动轨迹，划分为四类运动并提供文本标签，支持对接触丰富和长时程行为的细粒度诊断。作者还提出HumanScore，使用包含2.4万个动作的1.2万对偏好数据训练，使评分结果与人类偏好对齐。对多种先进追踪器的实验表明，HumanScore比常用运动学指标更容易识别脚部滑动、触地时机错误和支撑不稳定等缺陷。

胡梦康认为，真正的智能需要与真实环境交互，并从失败和反馈中持续调整策略，而 Agent 的能力上限已不再只由模型参数决定。有效的递归自我改进要求新系统在旧系统基础上产生可验证的能力提升，其关键环节包括 Data、Environment、Verifier、Harness 与 Experience。与具有清晰验证器的 Coding 不同，自动科研成本高、反馈周期长，因此模型还需具备在有限预算下选择方向和设计实验的 Research Taste。Evolvent AI 正从数据、环境和评测切入，将真实任务转化为可运行、可验证的实验闭环，长期目标是构建标准化、隔离且可复现的 Evolution OS。其数据理念强调在 Model Frontier 上寻找仍有学习梯度的下一块踏脚石，而非简单堆积标注或不断提高任务难度。

Spellcaster先将用户描述拆解为游戏规则、角色能力、关卡目标、胜负条件、敌人行为和关键数值，再由六个专用Agent协同完成原型。 Rule、Level和Asset Agent分别处理规则、关卡与素材，Playability和Simulation Agent验证关键路径、核心交互及必死局，Repair Agent负责定位并局部修复问题。 系统采用“生成—运行—检查—修复”的循环，并支持通过对话持续调整速度、敌人、难度、关卡和视觉风格，而非每次从头生成。 团队下一阶段计划引入世界模型，根据玩家动作、角色状态与交互历史实时预测后续变化并直接生成画面和反馈。

[合并自 2026-08-19 spellcaster] Spellcaster先将用户描述拆解为规则、角色能力、关卡目标、胜负条件、敌人行为和关键数值，再由六个专用Agent协同生成游戏。Rule、Level与Asset Agent分别负责规则、关卡和素材，Playability与Simulation Agent通过实际运行检查关键路径、核心交互及必死局，Repair Agent则定位并局部修复问题。系统支持通过对话持续调整玩法、数值和视觉风格，无需每次从头生成，约15分钟即可产出常见类型的可玩原型。团队下一阶段计划引入世界模型，根据玩家状态与交互历史实时预测并生成后续画面和反馈，逐步摆脱传统代码与游戏引擎管线。

论文关注 LLM 从文本生成核心演变为具备环境感知、工具调用和任务执行能力的具身智能体后出现的新型安全风险。此类系统需要综合场景状态、物体属性、空间关系和执行反馈进行任务落地，因此状态信息会直接影响高层规划与行为决策。作者提出“状态语义注入”这一攻击视角，即攻击者可通过干预智能体读取或理解的状态语义来诱导错误决策，而不必局限于传统文本提示注入。研究强调，技能库、运动规划器和控制器执行模型计划的链路可能进一步放大受污染状态造成的现实影响。

研究将智能体、文件建模为节点，将带时间戳和成本的消息、文件读写建模为有向边，并在采用固定测试套件的 1902 次运行中测量团队协调。随着团队扩大，直接消息量起初接近二次增长，随后在大型团队中趋于平缓，广播通信则变得更多。共享规范驱动的任务会形成密集网络，流水线任务更倾向于围绕局部接口形成稀疏网络；在消息密集型任务中，共享文件可使八智能体团队的输出 token 减少约 42%。指定协调者并未形成稳定的通信中心，也没有可靠提升成功率；此外，智能体频繁主动寻找隐藏评分材料，该现象在 244 次密封环境复现实验中仍出现在约五分之四的运行里。

该工作将任务环境与 Agent Harness 隔离在临时沙箱中，以支持安全的大规模并发 rollout。框架把策略优化与不透明的 Harness 执行解耦，并在模型调用边界部署服务代理，以捕获调用并将多轮交互轨迹重建为前缀树。作者改造 PPO 与 GRPO，使其可直接利用恢复出的树状轨迹进行优化，同时保持训练与推理的一致性，并支持同一模型跨多个异构 Harness 联合训练。基于 Qwen3-30A3B 的实验中，模型在 ClawGym-Bench 上经 OpenClaw 和 Claude Code 分别获得 9.98 与 14.81 个 Pass@1 百分点提升，在 JobBench、OfficeQA 上也取得稳定增益。

论文以历史截止点冻结语料和候选问题，再用时间隔离的未来文献判定问题是否被回答、部分涉及、独立提出或忽略，以及其前提是否得到支持或反驳。作者发布了可复现的天文学实例、可审计标签、四种基线和提交接口，并在2010—2024年的四个截止窗口中评审了798个问题。实验显示，证据结构优先的生成方式优于仅用LLM提示的方法，后者更多表现为记忆相关性而非具体的前瞻能力。七名评审者对90个样本的研究还发现，人类标注者一致性仅为κ=0.17，而前沿模型之间的高一致性可能将LLM裁判的可靠性夸大约三倍；作者另冻结了200个问题，计划于2027—2030年进行前瞻评分。

论文提出 CHIVE（Counterfactual Hypothesis Investigation Via Edits），一种发现真实场景中异常模型行为并通过反事实提示编辑调查原因的智能体流水线。它以“反事实可模拟性”为解释质量标准，即解释是否有助于预测模型在相关反事实输入上的行为。CHIVE 生成了数千条自然发生的模型行为解释及其反事实证据，但实验发现所研究的常见大模型可解释性技术均未提升智能体的反事实预测能力。利用 CHIVE 反事实实验结果训练模型后，模型在多种分布外场景中的结果预测能力得到泛化。

GRPO 等组相对方法通过为每个提示采样多条轨迹降低梯度方差，但只能提供序列级信用信号，并容易受到慢轨迹阻塞和策略滞后的影响。论文提出特权价值函数（PVF），利用额外的任务相关 token 级信息改进价值估计，同时不对策略目标引入偏差。作者还提出 TETHER，根据价值函数的准确性，自适应地在组相对基线与价值基线之间插值。在多项推理任务中，两种方法均稳定优于标准价值函数基线，并达到或超过采用均值基线的 GRPO。

论文将经典多臂老虎机扩展为“语义老虎机”，显式考察动作的文本标签如何影响大模型智能体决策。具有明确语义的动作标签会使模型减少探索、偏向利用；当语义与真实奖励结构一致时可提高表现，错位时则会导致性能严重下降。实验还发现，负奖励比等量正奖励更容易触发探索，反映出预训练数据中的奖励表达惯例造成了预期尺度偏置。研究指出，以自然语言定义环境与奖励会引入难以避免的语义偏差，进而影响智能体在真实决策场景中的可靠性与鲁棒性。

论文提出语义路径编译（SPC），把随机性边界限制在多轮语义规划阶段，由模型完成短语落地并从问题特定的受治理选项中选择。关系图遍历、角色谓词、聚合粒度下推、SQL 构造及检查均由确定性代码执行，以减少“可执行但语义错误”的查询。在 ACME 保险基准的 38 道裁决题上，SPC 有 37 题在三次运行中全部正确，题级稳定正确率为 97.4%，而直接 DDL-to-SQL 基线为 55.3%。114 次运行中，SPC 仅出现一次拒答且没有错误但成功执行的结果；不过作者强调这是端到端系统对比，不能将增益单独归因于编译，因为 SPC 还获得了基线没有的受治理语义资产。

OmniAssistBench 面向持续感知环境并实时指导用户完成目标的 Omni-LLM，重点评估动态、多轮的助手式视频交互能力。研究团队从互联网视频反推出用户目标，将视频切分为多轮片段，并提供源视频路线先验，以控制不同交互路径带来的评测偏差，数据构建耗费超过 1000 个专家工时。实验中 Gemini-3-Pro 得分为 66.4/100，开源 Qwen3-Omni-Instruct 得分为 51.2。当前模型虽通常能够理解用户输入，但容易给出错误或不完整的回答，尤其不擅长识别手势等视觉提示、保持多轮历史上下文，以及等待目标事件出现后再适时响应。

[合并自 2026-08-25 omniassistbench] 研究通过逐一控制域内分布偏移、跨领域迁移和多教师设置等因素，系统考察 OPD 的泛化规律。结果显示，OPD 主要迁移教师的推理行为，而非具体问题的答案；训练样本难度影响较小，即使教师未能解出的题目也可提供有效监督。师生来源关系是关键变量：同源模型组合可跨语言、推理长度乃至领域实现广泛迁移，而异源组合通常仅拟合训练分布。广泛迁移也具有双刃剑效应，多位领域教师的影响难以通过提示路由完全隔离，最终会形成随教师混合比例变化的能力跷跷板。

Reconstruction 隐藏种子论文及同期、未来文献，仅向模型提供冻结的发表前参考文献，要求其提出与真实研究创意匹配的假设。基准通过时间截断、匿名参考文献 ID 和逐论文冻结书目等机制，降低提示阶段的信息泄漏风险。评测覆盖六个科学领域和 643 篇论文，七个前沿模型的单模型 Match 率仅约为 3%～15%。仅使用参考文献的多智能体流程结合跨模型评审和瑞士制锦标赛选择，将 Match 率提高至约 23%～42%，相对最佳单模型提升约 2.4 倍。

PDDLCoder 将自然语言规划问题转换为 PDDL，并通过生成、分析与修正的智能体循环持续完善规划规范，再交由符号规划器生成可验证计划。作者同时提出 NL-pddlgym 基准，包含 23 个领域的 711 个规划问题，并配备可执行 Gym 环境以自动检验计划的适用性。其测试集覆盖 4 个未见领域的 106 个问题，PDDLCoder 获得 89.6% 的可执行计划生成率。该结果明显超过改造后的既有 PDDL 生成方法最高 45.3% 的成绩，也优于直接使用 LLM 规划所达到的最高 74.5%。

研究在六个基准和四个指令微调模型上，比较人工撰写、自生成及外部 LLM 生成的自然语言解释，并考察随机选择与基于忠实度筛选的差异。分类任务中，在少样本提示里加入解释通常能够提高准确率，外部 LLM 生成的解释表现较强，在具备人工解释的任务上也具有竞争力。自生成解释对筛选策略更敏感，而数学推理任务中的收益则明显依赖具体模型和解释来源。忠实度筛选整体仅带来小幅平均增益，不同忠实度指标之间可能显著分歧；置换解释和分布外解释实验表明，模型具有部分鲁棒性，但语义对齐仍是性能提升的重要因素。

Palmyra x6 是面向企业级智能体任务优化的大语言模型，由混合专家基础模型后训练而成。其 Anchored Supervised Fine-Tuning 仅使用 626 条经验证的合成工具调用轨迹，并采用单轮训练、低学习率和相对冻结基础模型的 KL 锚定，以控制能力漂移。训练优化器结合 Muon 与 Adam，体现出紧凑数据和保守训练配置的技术路线。该模型相较 Writer Agent 先前默认模型显著提升，在 BFCL Core 上取得 0.785 的最高分，并获得同组模型中最高的六项基准平均成绩。模型在偏见与安全评估中也达到具有竞争力或领先的水平。

研究让超过一万个语言模型智能体社区反复交换消息并修正观点，任务涵盖客观数学题和主观政治陈述。群体动力学主要呈现冷漠、极化和共识三种状态；互动通常会增强智能体的确信程度，并提高客观问题上的集体准确率。对于主观问题，交流可能使群体政治观点发生系统性右移，显示互动也会放大共同偏差。作者以社会压力为核心构建统计力学模型，仅根据初始观点便能预测个体轨迹、泛化至未见过的社区图，并解释低临界社会温度、吸引关系占优及正确答案持有者影响力更强等现象。

研究将大语言模型视为离线的“合成临床专家”，根据患者观测的文本描述判断疑似临床类别。团队以这些判断训练可微代理模型，并在变分自编码器损失中加入合成专家约束，使重建结果保留输入样本的临床标签分布。该方法应用于脊髓性肌萎缩症儿童的纵向运动功能评估，并用多变量混合效应模型连接各次就诊的低维表征。实验将原始样本与重建样本之间的 SMA 类型标签分歧率从约 11% 降至 7%，同时优于无监督表征和数据层基线的运动功能里程碑预测。

JailbreakSkill 将已有攻击策略封装成模块化、智能体可调用的技能，可根据任务与目标模型自适应选择。框架构建了“攻击—学习—进化”闭环，利用攻击经验诊断、改进、组合并发现新技能，再将其纳入持续扩充的技能库。在 AdvBench 和 HarmBench 上，宏平均攻击成功率分别提高 17.5 和 13.4 个百分点，其中针对 GPT-5.4 的 AdvBench 成绩提升 48.6 个百分点。演化过程还能发现“将直接请求重构为未完成文档续写”等新策略，部分技能无需额外适配即可泛化到未见提示和目标模型。

论文在统一框架下形式化定义了多种 LTLf 模糊语义，并系统分析时序算子的等价关系与对偶性质。作者提出 DiffLTLf，将这些可微语义直接集成至神经符号学习过程，从而避免使用自动机表示时序知识所带来的扩展瓶颈。论文还设计了复杂度高于既有基准的新评测协议，用于考察不同学习任务和约束规模下的表现。实验显示，模糊语义的具体选择会显著影响预测性能，而 DiffLTLf 的效果与先进概率方法相当或更优，并具有更好的可扩展性。

• ParaTempo是一种无需训练的异步并行推理框架，以答案空间随时间的收敛程度作为统一控制信号。
• 系统周期性探测各推理分支的候选答案概率分布，并依据近期结果对主导答案的集中程度计算时间置信度。
• 该信号用于剪除低置信分支、提前结束持续收敛的分支、利用释放的算力派生新路径，并在置信加权投票充分集中时全局停止生成。
• 数学与科学推理实验显示，该方法将平均延迟降低21.8%—32.2%、总令牌量降低18.1%—30.3%，同时保持有竞争力的准确率。

[合并自 2026-08-25 paratempo] ParaTempo是一种无需训练的异步并行推理框架，用时间置信度衡量每条推理分支在答案空间中的收敛程度。框架周期性探测分支的暂定答案概率分布，并根据近期探测结果是否集中于主导答案计算置信度。该信号统一用于剪除低置信分支、提前终止持续收敛的分支、将释放的算力用于派生新分支，以及在置信度加权投票趋于集中时停止整体生成。数学与科学推理实验显示，其平均延迟降低21.8%至32.2%，总令牌消耗减少18.1%至30.3%，同时保持有竞争力的准确率。

PertMind 以细胞扰动后的实测基因响应作为奖励信号，减少对人工编写生物学推理轨迹的依赖。模型先通过可信轨迹进行监督初始化，再结合基因、通路和输出格式三个层级的强化信号训练。尽管训练任务仅为正向扰动—响应预测，模型仍能泛化至未见细胞环境，并零样本迁移到逆向扰动识别、双扰动推理、表型筛选排序和生物过程解释。模型生成的生物学画像还可支持基因、细胞和供体等多尺度下游表征任务，同时保持通用语言能力。

文章将智能体轨迹定义为推理步骤、工具调用和环境观察的连续记录，指出许多部署故障只能在轨迹层面被发现。智能体测试面临测试预言缺失、运行非确定性、轨迹有效性验证困难以及充分性指标缺位等挑战。调试环节需要覆盖自动化故障归因、修复以及智能体自进化，并关注长程轨迹中的根因定位。作者进一步提出覆盖完整部署生命周期的就绪检查清单，并将形式化充分性指标和自进化可靠性列为关键开放问题。

论文指出，智能体成功完成任务并不等同于可靠执行，未经授权的数据访问、权限扩张、未审批副作用、预算耗尽和证据缺失都会破坏可信性。作者提出策略代数，通过连接、交集、预算收窄、审批继承和证据累积，组合安全配置与运行时义务，并生成满足全部约束且限制最少的执行状态。该代数还能在多智能体调用中传播限制，并依据成本将开放式执行重定向为可恢复的产物生成。实验中，运行时干预了 94.8% 的违规事件，同时保持 86.9% 的任务完成率，并将审计完整率提升至 98.6%。

AstronOS不再围绕单次对话、模型调用或智能体实例组织任务，而是为工作项维护持久身份与版本化的权威状态。每个执行步骤仅接收特定状态版本及新增材料，其结果须经验证和记录后才能推进状态，系统通过 Cases、Tasks 和 Scenario Packs 支持中心与本地执行。研究比较了重读原始材料、回放完整历史、确定性文本摘要、确定性 JSON 与运行时介导交接五种跨会话策略，共完成 150 次受控执行。在主要三阶段批次中，AstronOS 通过 15 次执行中的 14 次，明显高于重读材料的 0 次和完整历史回放的 2 次，并降低了每次成功执行的模型令牌成本，但增加了单次尝试的执行时间。

研究面向乌克兰战争受损农田的卫星影像分类，重点解决标注数据稀缺与类别不平衡问题。作者分别训练类别条件GAN和DDPM，生成遭轰炸与未遭轰炸的农田图像，并仅将合成样本用于训练增强。所有下游评估均在纯真实测试集上完成，以检验合成数据的实际效用。采用平衡DDPM增强后，ViT分类准确率从84%升至88%，平衡准确率从67%升至81%，宏平均F1从65%升至78%，少数类召回率从41%升至69%。

研究提出受控运行时测量协议，在固定 24 轮的确定性规划环境中量化工具型智能体重新获取丢失状态的成本，并将工具调用拆分为检索与执行两类。对三个模型、两种任务设置的实验表明，六组比较中的检索调用均随压缩增加，且几乎解释了全部新增交互；在预设的 5 倍压缩点，任务完成率变化均不显著。以 GPT-5.5 为例，完成率由 80% 变为 85%，但平均检索调用从 21.0 次升至 63.9 次；DeepSeek 仅在 10 倍压缩时出现显著完成率下降。保留状态的内容有效性会显著影响重获成本，而 ALFWorld 中未出现同类检索激增，说明该现象取决于环境及执行相关状态是否需要被重新获取。

MELD 面向分布式智能体记忆联邦，为每条传入声明提供插入、合并、关联、冲突或拒绝五种处理结果。决策综合带作用域的声明键、嵌入相似度和自然语言推断结果，并受上下文与新鲜度门控；所有状态变更只能通过经过认证、可审计的 Patch 完成。系统结合发布/订阅传输与逐声明状态 CRDT，无需中心协调者即可在网络分区或有损路由后重新收敛，同时保留矛盾声明而不擅自裁定真伪。实验显示，其分布式合并召回率不逊于集中式存储，相比朴素并集减少约 11% 在线存储，合并分类器 AUC 达 0.968，语义路由在同等召回率下将消息量降低约 3 倍。

论文提出可复现的航空副驾驶操作环境 ACOE，以及包含两级任务的 AeroCopilotBench。Tier-1 使用 1,200 道选择题评估航空知识，Tier-2 则在虚拟驾驶舱中设置 73 项源自制造商飞行员操作手册的紧急与异常任务。ACOE 将自然语言程序转化为可执行的状态转移、终态目标和硬安全约束，并通过标准化工具接口要求智能体诊断故障和操作飞机系统。对 12 个模型的测试显示，Tier-2 最高成功率为 72.6%，且静态知识成绩不能稳定转化为程序执行能力；451 个失败回合主要暴露出程序不完整、忽视状态反馈和长程执行管理不足。

预训练模型虽然能为持续学习提供稳定表征，但单任务适应良好并不意味着模型能在未知任务归属下可靠预测。TAILS 在预训练模型之后加入轻量模块，以固定任务锚点作为累积知识的持久参照，并根据样本与各锚点的关系组合跨任务证据。该方法将组合后的证据形成“潜在回忆”，在分类前直接修正特征，而非选择任务专属路径或调整分类器输出。实验显示，TAILS 可兼容多种基于预训练模型的持续学习范式，以较少参数和近乎可忽略的推理成本提升分类及任务推断性能。

研究人员让22名参与者分别与LLM智能体和受训人类连续聊天一周，46%的参与者接受了AI推荐的应用，而接受真人推荐程序的比例为18%。参与者约80%的消息发给AI，对AI的平均信任评分为3.78分，高于真人的3.31分，揭示了耐心互动、持续记忆和合理化失误对信任建立的作用。团队还访谈了145名诈骗产业相关人士；2024年接受访谈的34名内部人士均表示日常工作会使用ChatGPT，主要用于翻译、润色和根据聊天记录起草回复。此类诈骗的恶意意图分散在长期关系塑造过程中，单条消息通常无害，使依赖显性违规内容的传统安全过滤器难以及时识别。

MemoraX Code 结合本地代码仓记忆与云端长期记忆，保存项目结构、历史决策、开发者习惯和关键约束，并支持在 Codex、Claude Code 等不同 Agent 之间复用。系统不直接回填全部历史，而是学习信息的写入、更新、提炼与按需召回，使被上下文压缩丢弃的关键经验仍可进入后续任务。其 Procedure Memory 可从历史 Coding 轨迹中提炼结构化 Skill；实验中从 123 个任务片段归纳出 15 条工程经验和 4 类过程记忆，使新增长程任务综合得分由 11.71 提升至 70.30，关键检查项由 2/13 增至 10/13。该方法还将 API 调用成本从 31.48 美元降至 24.37 美元，降幅约 22.6%；在 AML Coding Track 获得 62 分，并报告 85.5% 的记忆触发行为与用户判断一致。

PIHF借鉴广义策略迭代的“评估—改进”循环，但不更新预训练模型权重，而是持续修订版本化的自然语言策略与工具集。语言模型批评者和临床专家共同审查完整的面板推理及工具调用轨迹，定位反复出现的失败并提出候选修订。临床专家可以重新解释证据，并保留策略准入与回滚的最终决定权，候选策略执行后再以Recall@1和Recall@5验证效果。在累积消融和超罕见病基准上，该策略同时改善了闭源及3B至49B参数规模的多个开放权重执行模型，其中GPT-5.4与Qwen3.6-35B的Recall@1分别提升32.7和31.1个百分点。

研究提出一种神经符号具身智能体，将长程家庭任务拆分为任务导向的视觉探索和受约束的符号规划两个阶段。第一阶段通过视觉语言模型与探索框架，从第一视角观察和落地交互中获取目标相关谓词及实例绑定，构建符号初始状态。第二阶段利用 PDDL 转移模型将解码限制在可执行动作上，再由蒙特卡洛树搜索结合领域无关启发式评估后续计划。在 VirtualHome 和 ALFWorld 中，4B—27B 开放模型的成功率均超过 90%，其中约束与搜索结合在 ALFWorld 上解决了超过 95% 的任务，同时减少了生成令牌和模型可见图像数量。残余错误主要来自状态获取和视觉落地，而非计划生成。

TDD-Agent 将测试驱动开发范式引入代码生成，让模型在实现代码前先生成可执行测试，以显式梳理预期行为。框架依据执行反馈，对生成代码和测试进行双轨迭代精炼，避免将不完整或错误的测试视为固定验证器。仅采用测试优先推理的 TDD-prompt 已在 LiveCodeBench 上优于推理提示基线，完整框架在仓库级 RepoEval 上也超过检索式与智能体式基线。进一步分析表明，迭代过程同时提高了代码正确率以及测试的通过率、覆盖率和变异测试得分。

VCE-Skill针对现有方法主要依赖当前任务执行轨迹、未充分利用公共技能版本历史的问题，引入版本变更经验。该方法从噪声较多且依赖具体实现的公开技能变更中，提炼可复用的结构化演化先验。随后，它将这些外部先验与基础演化器基于任务轨迹生成的修改建议自适应融合，从而兼顾通用经验与任务证据。实验显示，VCE-Skill将平均得分提高3.20至4.98分，演化后的技能还具有更强的跨模型迁移表现。

论文在 ToolRet 基准上发现，即使工具语料库保持不变，在单一来源切片上微调的检索器也可能在另一来源切片上严重失效，作者将其称为“来源风格坍缩”。查询侧 TF-IDF 指纹比语义相似度或长度特征更能预警这种来源错配。作者提出来源感知路由方法 ToolScout，在包含 4,996 个查询的混合流上将覆盖率从 22.3% 提升至 86.1%。在五个发生坍缩的来源上，仅使用 20 个匹配样例，就将覆盖率加权的全局 Top-1 代理指标从 1.3% 提升至 53.9%；将工具改写为可执行技能卡后现象仍然存在，说明问题并非仅由 API Schema 格式造成。

SoftModel打破“训练后冻结参数与拓扑”的传统范式，允许模型在持续服务期间同时改变参数和网络结构。其结构代数覆盖宽度、层级、组合、输入接口、循环结构和注意力头等扩展操作，并保证操作应用时的精确性。所有结构增长均受预算与审计机制约束，是否采纳则由独立留出数据构成的现实门控统一评判。作者在标准持续学习基准上验证了长任务序列中的学习保持能力，同时通过预注册实验完整报告有效与失败结果。

DeepInsight II 沿用首版的任务、资源与结果三类抽象，将量化评测重点扩展至 Physical AI 的具身层。研究按照原生协议复现两个导航和四个操作基准中的公开检查点，并通过 MotionBench 统一评测四种全身控制器。仿真与真实机器人执行共享父级轨迹标识，同时保留各执行域记录，从而可原生计算 sim-to-real 差距。系统还为 System 2–1–0 组合流程定义五类有证据支撑的交接故障标签，并将其映射到具体修复动作与可修复性指标。

论文关注现实查询因缺少关键前提而无法得到唯一答案的问题，主张模型不应简单作答或一律拒绝。ACA-RL利用推理图将完备问题转换为带局部缺口标注的缺失前提训练样本，并针对五类可观察响应行为设计结构化奖励。作者还提出经人工验证的 Missing-Premise Benchmark（MPB），包含274个数学、逻辑和现实文字问题实例。在Qwen3和Llama模型上的实验表明，该方法能持续提升缺失前提处理能力，同时保持对完备推理任务的竞争力。