2026-08-20 科研追新

Anthropic让Claude Mythos Preview和Opus 4.8自主执行蛋白质结合剂设计，包括选择表位、安装工具、生成结构、筛选优化与结果排序，人类不参与设计决策。Claude编排RFdiffusion、ProteinMPNN和ESMFold2等现有工具，共采用10种结构生成方法和24种工具组合，在24至48小时内完成任务。15个靶标中有14个获得有效结合剂，1320项送测设计中354项通过两家独立实验室验证，总成功率为26.8%，高于行业常见的10%至15%。实验仍存在MBP靶标全部失败、预测结构未经实验解析等局限，且结合剂距离实际药物还需经历毒理和临床验证。Anthropic已公开提示词、数据及设计模型，同时因双重用途风险限制公开版Claude的相关生物设计能力。

该工作聚焦自改进智能体的脆弱性，考察改进过程能否稳定复现。研究重点包括随机方差对结果可靠性的影响，以及任务顺序变化可能造成的路径依赖。标题还指出，目标或评测规格不足可能使智能体沿非预期方向进行优化。现有链接未提供论文、代码或数据集地址。

文章聚焦 DeepSeek Harness 发布后 Agent 行业竞争逻辑的变化。Harness 作为连接模型、工具与任务执行流程的关键层，可能使竞争重点从单一模型能力转向工程编排和实际交付。其发布也可能降低 Agent 产品的开发与部署门槛，促使厂商重新评估技术壁垒和价值分配。由于链接正文未能正常读取，具体产品功能与商业判断仍需以原文为准。

• J-Space Cognition Suite V3.6 以 Skill 形式接入 Agent 环境，通过外部账本、工作集限制、诊断恢复和结果验证来抑制表征漂移、无效重试与过早完成。
• 项目报告宣称其可将 DeepSeek V4 Pro 在 Terminal Bench、NL2Repo 和 DeepSWE 等基准上的成绩大幅提高，部分结果超过 Fable 5，同时改善速度与 Token 效率。
• 社区针对 V4 Flash 的多轮 A/B 测试和 H20 部署复测均未复现所称增益，其中一项测试仅取得 77.5%，明显低于报告中的 87.1%，且部分实验显示资源消耗反而增加。
• 质疑者要求公开完整环境、运行日志、测试流程及样本输出，并指称相关 Issue 曾被删除，使争议从脚手架效果问题升级为评测可信度与治理问题。

工作集过载是指任务一次性引入过多目标、约束与工具信息，导致关键信息被稀释。表征漂移表现为名称、数值或任务目标在多轮推理及跨文件处理中逐渐变化。无效重试源于工具调用失败后未保留诊断信息，模型只是重复原有执行路径。过早完成则是模型被流畅的中间答案误导，在未验证结果可用性时便宣布任务结束。

• Harness Handbook 结合静态程序分析与 LLM 归纳，自动构建按行为组织、带源码定位符的 L1–L3 手册及跨阶段状态表，用于解决 harness 修改中的行为定位问题。
• BGPD 工作流从系统与组件层逐步下钻至源码，并通过调用图扩展和仓库验证提高定位准确率；实验中任务胜率提升、Token 消耗下降，弱规划器也能接近强模型的规划质量。
• RST 将已验证任务作为下一代种子，依次扩展参考解法、同步指令与验证器，并在新沙箱中验证，15 轮递归生成了 37,484 个长程终端任务，平均成本约 0.05 美元。
• 递归过程中任务的命令数、工具数、控制流和断言数量持续增长而多样性未明显坍缩；基于这些任务开展 SFT 与 PPO，可稳定提升 Qwen3.5 系列模型在独立终端基准上的表现。

现代智能体被形式化为基础模型与操作脚手架的组合，自我改进是利用执行轨迹、评价反馈或环境经验，对系统配置进行可持续更新。参数级改进可将能力固化到模型权重中，但训练成本高，并面临错误放大、模型坍缩和灾难性遗忘等风险。脚手架改进无需改变模型权重，可快速优化 prompt、memory、tool 及完整控制逻辑，具有成本低、易回滚和任务适配快的特点。可靠的自我改进需要解决信用分配、反馈验证、资源约束、开放世界适应和安全审计问题，并通过学习曲线、消融、分布外泛化及失败模式进行综合评测。

AI4AI旨在让高阶模型或模型自身参与下一代AI的完整生命周期，以突破人类数据枯竭、监督能力不足及标注成本过高等瓶颈。其体系分为AI-for-Data、AI-for-Training和AI-for-Eval三个维度，分别承担合成数据生成与过滤、RLAIF或自对弈训练、智能体自动评测与诊断。典型闭环从少量人工种子出发，经受控变异、拒绝采样和编译器、Python或Z3等硬验证生成训练材料，再把评测发现的错误回流至数据阶段。纯AI闭环可能出现合成数据分布收缩、奖励篡改和自对弈模式坍缩，需要真实数据锚点、物理沙箱、裁判轮换、多样性惩罚及历史策略池加以约束。人类角色由逐条标注者转向种子设计者和系统审查官，形成Human-Guided AI4AI架构。

磐石“创新评价”智能体接入3200万个科研项目、70万份产业研发年报以及2.7亿篇论文和专利，可检索全球相近研究并形成证据链。系统针对科研项目评估战略价值、前沿性、创新潜力、方案可行性和资源配置，针对论文覆盖贡献、新颖性、严谨性、研究价值、表达质量与可复现性。平台将资深专家的检索方法、评价维度和判断逻辑转化为标准化流程，并通过多个智能体协作完成数据检索、领域理解、趋势分析和创新研判。目前尚缺少大规模实测结果，其专家意见一致率、建议采纳率、前沿突破识别能力及未公开科研材料的数据安全仍待验证。

NeurIPS 2026 最终结果与 AAAI 2027 第一阶段结果均于 9 月 24 日公布，而 ICLR 2027 次日即截止全文，转投者须在 9 月 18 日前注册真实摘要。转投 WWW 2027 的时间相对充足，结果公布后距摘要和全文截止分别约有 17 天和 24 天。AAAI 第二阶段评审或 ICLR 出分后，可视情况撤稿并转投 CVPR、ACL、ICML；其中 CVPR 窗口最紧。AAAI 或 ICLR 最终拒稿后通常仍可转投 ACL、ICML 和 KDD 2027 第二轮，但已基本错过 CVPR。所有路线均须遵守双投政策，尚未确定的会议日期应以官网最终公告为准。

研究跨多个基准、智能体框架和大模型，分析技能表示、结果标注、检索难度及跨框架鲁棒性，并归一化了 8,135 条试验记录。对 240 条开放编码记录的配对轨迹分析归纳出三大类、十二种技能使用模式，发现 65.7% 的案例属于“程序锚定”，显式知识注入仅占 4.5%。在匹配比较中，技能比 Workflow Memory 提高 6.06 个百分点，说明其主要作用是将噪声轨迹转化为稳定的执行流程。检索成为独立瓶颈：技能池从 5 个扩大到 100 个时，实际使用精度由 29.6% 降至 3.3%，但精确调用标准答案技能既非成功的充分条件，也非必要条件。技能通常在依赖脆弱假设、遭遇不兼容上下文或缺乏适应能力时失效。

Agentic ESOpt 面向分支多、奖励稀疏的长时程智能体任务，避免 Agentic RL 在显存开销和跨长轨迹信用分配上的瓶颈。框架围绕当前 LLM 参数采样扰动，根据完整轨迹奖励执行在线加权更新，并以余弦衰减逐步缩小扰动尺度，平衡探索与适应。其黑箱反馈接口可与技能优化、测试时计算等提示空间演化方法组合，实现参数与上下文协同演化。在 WebArena-Lite 上，全参数优化 Qwen-3.5-27B 相比无技能基线提升 6.69%；在测试时自动启发式设计中，36 组设置里有 28 组超过对应基线。

Spellcaster 不直接从自然语言生成代码，而是先构建包含玩法、角色能力、关卡目标、胜负条件和敌人行为的结构化游戏设计中间层。平台由规则设计、关卡生成、素材调度、可玩性验证、模拟测试和问题修复六类 Agent 协同工作，重点检查关键路径、必死局与难度曲线。Repair Agent 会定位规则冲突、数值失衡、关卡不可达或代码实现等不同层次的问题，并进行定向修复，使评价目标从“能运行”转向“能玩”。团队未来计划引入世界模型直接预测玩家操作后的画面与反馈，逐步绕过传统代码及游戏引擎渲染管线。

研究提出 MCTS-KBQA，将蒙特卡洛树搜索用于知识库问答中的推理路径探索。方法以信息增益构造奖励信号，使搜索更倾向于选择能够缩小答案空间、补充有效证据的路径。该思路旨在改善复杂问题下知识图谱多跳推理的搜索效率与答案质量。链接页面未提供论文地址、代码或实验细节。

早期 Kaplan Scaling Law 强调参数规模增长，而 Chinchilla Scaling Law 表明固定算力下需要重新平衡参数量与训练数据，单看参数已难以判断模型能力。MoE 模型还需区分总参数量与激活参数量：前者影响知识容量，后者更直接关联单次推理深度和成本。随着模型被高频、长期调用，推理成本、部署成本和全生命周期效率也成为 Scaling 的关键变量。智谱在 GLM-5.3 中保留 GLM-5.2 的基础架构与参数规模，将新增算力投入长程任务环境和强化学习，在 Terminal-Bench 3.0、DeepSWE、Agents’ Last Exam 等评测上取得明显提升。

ASI-Bench 联合评估创新探索与自主科学执行能力，包含数学、物理、化学、生物、医学、计算机和机器人等 11 个领域的 60 项项目级研究任务。基准设置 B1 至 B4 四级信息梯度，从提供完整方法与步骤，逐步过渡到仅给研究目标、原始数据和约束，并加入正确但无关的干扰信息，以检验 AI 能否自主选择方法、执行研究并产出可验证结果。任务由 40 余名专家投入超过 3.1 万小时构建，并经过专家审查、AI 辅助审计、沙箱执行和评分器验证；在 18 种智能体—模型配置上，平均得分从完整方法指导下的 50.91 降至仅指定方法时的 29.10，并在完全自主确定方法时进一步降至 26.62。失败分析显示，62% 的问题集中于科学建模、方法选择和鲁棒性判断等科学决策环节，说明当前 AI 更擅长执行既定方法，尚不具备可靠的端到端自主科研能力。

论文提出统一具身导航框架 TAMP-Nav，让视觉语言模型选择二维图像像素，再将其投影为三维坐标并交由底层 SLAM 控制器执行，从而使动作空间与 VLM 的二维视觉先验保持一致。框架按需触发思维链推理，仅在关键节点保存高保真锚点记忆，并将冗余轨迹压缩为空间—时间指示信息。训练阶段采用基于 GRPO 的两级对齐机制，将全局任务结果奖励与细粒度过程奖励结合，使认知规划更贴合物理环境反馈。实验中，该方法仅使用 9 万条训练轨迹便在 R2R-CE 上取得 66.2% 的成功率，并表现出较高的运行和样本效率。

SPADE 将环境设计纳入学习过程，由环境设计者生成带有 reset()/step() 接口、状态转移、奖励函数和验证代码的完整可执行环境，推理智能体则在其中学习行动。框架以智能体获得特权提示前后的奖励差估计遗憾，据此生成位于其能力边缘且仍可完成的任务。实验表明，利用大规模预训练语料文档约束环境生成，并为设计者维护累积环境记忆，是提升训练效果的关键。扩展至 30B 参数模型后，SPADE 在八项数学、科学、代码和推理基准上平均领先最强固定环境基线 5.3 分，并在 BFCL-v4 多轮工具调用和 ACEBench-Agent 上分别提升 5.7 分与 13.9 分。

研究者从头训练32个124M参数的GPT-2模型，在4种条件和8个随机种子下直接测量单个训练样本的因果贡献。训练第200步时，他们将256行批次中的一行替换为194 token的固定文本，分别测试真实主题文本、梯度匹配的虚构主题文本、随机键盘字符及未注入对照。一次暴露后，模型在50步内对注入文本的交叉熵显著降低，但训练结束时两种流畅文本的优势均不再可检测。尽管注入造成的权重位移达到种子间欧氏距离的44.1%，损失屏障仅达到种子间差异的3.0%，CKA和留出集损失也未显示稳定分离，说明样本主要是在同一损失盆地内重新定位模型。

作者把 LLM 技术栈类比为传统计算机系统中的固定硅片、固件、可加载模块、持久配置与易失内存，以定位专家纠正应被保存的位置。该类比的关键失效点在于生成具有随机性、配置只能以概率方式约束行为，且系统默认缺少通用的规则退役与验证阶段。论文据此提出一套以错误闭环为核心的七原则运维纪律，涵盖带来源的版本管理、错误复发监测、反向指标以及过时规则退役。三个实践案例展示了治理缺失的风险，其中一项控制措施在长期运行后悄然演变为其原本试图阻止的危害，并由此引出相应的测量框架与待验证实验。

研究将 AI 后训练能力区分为执行层能力与策略层能力：前者是在既定训练方案内迭代，后者是根据实验结果重新判断并修正训练方向。对大量公开后训练轨迹的分析表明，智能体通常在流程开始时便锁定策略，随后将预算主要用于局部参数、实现或流程调整。经验驱动脚手架可显著提升执行表现，在 GSM8K 和 HumanEval 上分别提高 12.6 和 40.8 分，但未能促使策略变化；人工指导虽能改变初始方向，却无法阻止智能体在训练中重新陷入局部调整循环。增加推理算力只对较简单任务有效，在最困难任务上几乎没有收益，说明核心缺口是执行期间依据新证据自主重估策略的机制。

论文研究真实非凸校园拓扑中的毫米波基站最优部署，以最大最小公平性为目标，该问题具有 NP-hard、非凸和非光滑等特征。作者将基站放置建模为马尔可夫决策过程，系统比较单智能体 DQN、空间分区多智能体 DQN、单智能体 DDPG及地理分区多智能体 DDPG。数值实验显示，多智能体 DDPG 在高密度场景中显著优于单智能体方案，并实现完全覆盖和 0.94 的 Jain 公平指数。该方法在包含 400 名用户的密集场景中也表现出较高的计算收敛效率。

Eureka 是一种任务条件 Meta-Agent 架构，将长程任务编译为动态义务图，并为各项义务设置明确的验收语义。系统通过滚动时域规划、架构提升和最小充分编译，动态形成具有专用状态、记忆、算子、工具、验证器及局部拓扑的 Macro-Agent。面对反复出现的瓶颈，它会在约束下依据成本收益门控机制演化局部架构，并从遗憾、规划失效、摊销、子树接口、可串行化及验证等方面给出理论结果。实验中，Eureka 完成全部 170 个递归任务，生成 3,948 份证书且无错误验收；同时将活跃上下文的中位输入由 9,490 压缩至 4,005 tokens，并在 12,000 个任务上避免 65.38% 的重复计算。该元代理还被实例化为理论发现与数学猜想代理，产出量子过程、时空理论及黎曼猜想相关的研究进展。

AMR-Agent是一个面向医疗问答的自适应记忆与反思多智能体框架，各专业代理拥有独立记忆，并可检索相关历史病例辅助推理。系统先评估问题复杂度，再将任务路由至单代理、协作或升级处理流程。共识模块负责整合多个代理的推理结果，伦理监督模块则对最终输出进行审查。MedQA与MedMCQA上的实验显示其优于多种基线，消融实验表明代理专属记忆、反思和外部检索的组合效果最佳。

论文将持续学习对象扩展到模型外部的执行脚手架，并把更新导致既有可靠行为退化的现象定义为“脚手架级遗忘”（Harness-level Forgetting）。HCL 将 Harness 分解为任务接口（Task Interface）、经验记忆（Experience Memory）、能力地图（Capability Map）和自适应路由器（Adaptive Router），基础模型参数保持冻结。其 Guarded Harness Evolution 机制将候选更新生成与状态提交分离，只有在持续评估确认当前任务改善、历史锚点行为保留，并满足工具调用及环境动作等有效性要求后才提交更新。ALFWorld、Minecraft、文本推理和多模态感知等实验表明，HCL 能够积累能力并从失败中恢复，在多个场景中相对基线提升超过 10%；历史损失容忍度可显式调节稳定性与可塑性的权衡，更新越自由并不必然带来更好的长期表现。

论文指出，现有研究中的“验证等级”混杂了验证粒度、概念抽象、风险层级、系统栈位置和真值来源等不同维度。作者提出 Verification Autonomy Levels（VAL），依据验证规范来自何处以及验证结论能保证什么，将方案划分为 L0–L5。VAL 从缺少确定性锚点的 L0 自我声明，经由只能保证正确性的 L2 客观真值验证，延伸至可判定系统中具备单属性或领域级完备性的 L3/L4，而不受限场景下的 L5 被认为不可实现。论文强调“完备性盲区”：替换或采样式验证器可以确认候选答案成立，却无法证明没有遗漏其他候选；因此事实核查、医疗诊断等开放世界任务通常最多达到 L2。作者通过符号数学、行为监控、医疗诊断和代码生成四个领域及 17 篇论文说明，VAL 与粒度、风险和系统层级等分类轴彼此正交。

论文面向由外部裁判事后决定结果的智能体辩论，提出一套通用的辩论判定理论。作者从可复现性、鲁棒性、有据性和可解释性等方面定义裁判方法应满足的形式性质。研究在主张核验任务中比较了 LLM-as-a-Judge 的多种变体与源自计算论证的形式语义方法。实验显示两类方法的准确率相近，但 LLM 裁判可能缺少后者所具备的形式保证，因此论证语义更适合作为原则化的辩论裁判机制。

SkillForge面向LLM智能体因缺乏项目特定知识而难以解决特定仓库问题的局限。框架从仓库自身出发，重新实现已被测试覆盖的核心功能，以主动合成项目特定问题。智能体解决这些合成问题后，将所得知识蒸馏为与仓库实体关联的可复用技能，供后续真实问题修复时检索使用。开源与闭源模型实验均表明，预先获取项目知识可持续提升下游问题解决表现。

研究在医疗、法律、金融、通用对话和创意写作五类开放式生成基准上，对五个测试时扩展（TTS）方法家族进行了计算归一化比较。统一分析框架将令牌预算的作用拆分为探索与利用：随着计算增加，候选池中的最佳答案在所有场景下均持续改善，说明探索并非主要问题。当前奖励模型与真实质量的相关性仅约为 ρ≈0.12，导致候选选择近乎随机，而树搜索还会通过多样性坍缩放大这一缺陷。迭代精炼仅在五个基准中的一个有效；跨候选综合的 Fusion 是唯一稳定优于单样本基线的方法，但也只恢复了约 40% 的潜在质量。

LSADA利用样本当前损失及损失下降率构建学习状态，并将其映射为样本级动态增强强度。方法采用解耦的数据增强与扩散融合策略，对类别相关区域施加强度可控的变换，同时为类别无关区域生成多样化内容。渐进式融合机制在提升图像多样性的同时，尽可能保留类别语义。在九个公开数据集上，LSADA相较现有SOTA动态GDA方法，在六个自然图像数据集上平均提升4.5%，在三个医学图像数据集上平均提升2.5%。

EvoResearcher无需强化学习或梯度更新，通过提示机制让单个冻结LLM反复执行“生成—自我批评—修订”。流程在达到最大反思深度或模型返回CONFIRMED哨兵时停止，从而将自验证限制在明确的计算预算内。方法以正确性、效率、反思深度和工具调用多样性四类元奖励作为设计原则，并在BBH、GSM8K和MATH上进行验证。在干净BBH上，其准确率提升未超出95% Wilson置信区间，但能以相同准确率提前终止82%～88%的样本，平均每题约需2.1次生成。

GEAR面向表格基础模型依赖上下文推理所带来的高延迟与高内存成本，采用模块化两阶段框架训练轻量学生模型。第一阶段将合成协变量仅作为教师模型的查询位置，并利用教师软标签扩大训练覆盖范围；第二阶段结合真实标签和折外教师预测，将学生模型重新锚定到目标数据分布并避免自标注泄漏。作者还给出了风险证书，用于刻画生成查询量与生成器保真度之间的权衡。TALENT与TabArena实验显示，该方法可迁移至MLP、LightGBM和XGBoost，并将中位推理时间降低57至2866倍、峰值预测内存降低1.9至3.3倍。

自然语言论证中常存在省略隐含前提的“不完全论证”，使论证图的逻辑重建面临困难。作者提出神经符号流水线，利用 LLM 生成连接显式前提与主张的中间隐含前提。系统随后将生成内容翻译为逻辑公式，并结合显式陈述的公式验证蕴含、矛盾或中立关系。该方法在 Microtext Argumentative Corpus 上进行了评估。

论文研究省略论证中两个候选缺失成分的逻辑选择问题，覆盖缺失前提与缺失主张，并扩展至溯因假设选择。作者将既有神经符号流程中的二元蕴含结果替换为逻辑阻力分数；基线Top-Link在单一最高置信语义链接配置上求解加权Partial MaxSAT。提出的PWAL固定翻译后的逻辑公式，对多个可能的跨公式语义链接配置进行采样，并边缘化各配置下的逻辑阻力。PWAL在五项任务上将严格准确率提高2.95至30.86个百分点、将平局率降低4.57至58.00个百分点，同时保存公式、链接配置和阻力分量以形成透明推理轨迹。

论文提出多元一致性指数 Gamma，用于衡量错误运行中与共识答案一致的样本比例，并将其分解为答案偏好所致的机械成分和偏好无法解释的残差。作者构建了按题目难度匹配且无信息泄漏的机械零模型，利用同一题目的其他运行估计准确率和选项偏好。GPT-4.1 实验显示，在 GPQA-Diamond 上，逐题答案偏好可解释 81%–93% 的错误一致性；在 AIME 上只能解释 59%–78%，仍存在显著残差。困难题上的多数投票最差会使准确率下降 0.09，而最高一致性分组的准确率也仅为 0.42–0.83，说明一致性并不能认证答案正确。

论文将自动评估器表示为一组小型 Python 算子，每个算子负责识别一种具名缺陷或选择弃权，再通过投票形成评分。直接让模型生成算子会产生严重的行为重复：183 个候选仅对应 96 种不同行为。EvalCEGAR借鉴程序验证中的反例引导抽象精化，寻找被现有算子判为相同、但真实正确性不同的答案对，并以这种“评分碰撞”驱动新算子的生成及可读信息范围扩展。在 MBPP+ 和 HumanEval+ 上，系统生成的 55 行算子在 428 个未见任务上弥合了空过滤器与完美过滤器之间 15.4% 的差距；六次成功生成算子的运行均实现样本外提升。

论文研究文本空间技能优化中的无参考 LLM 裁判门控，将裁判建模为依据自身潜在答案作出判决的“潜在求解器”。理论上，裁判的判别能力受其解题能力 $c$ 与答案空间大小 $k$ 约束，产生有效信号的必要条件为 $c>1/k$，并可据此得到 ROC-AUC 的闭式上界。作者指出，跨题汇总的边际 AUC 会受到题目难度混淆，而题内估计量可以规避这一问题。非干预式探针通过记录真实优化运行中的裁判分数进行部署前诊断；实验显示，基准准确率会高估真正相关的裁判能力，而该诊断能够预测闭环中的门控错误类型。

RTPO将多轮智能体强化学习的不稳定性归因于展开与训练上下文错配、稀疏终局奖励下的轮级信用分配不足，以及长短轨迹使用不同策略版本造成的异步漂移。其把多轮 rollout 组织成稀疏逆向树，并按照时间逆序进行轮级策略更新，使每个决策与其后续执行过程对齐。理论分析表明，该方法可消除轮级建模下的上下文错配和异步漂移，降低信用分配偏差，并收敛至递归最优。多轮智能体 RL 基准实验中，RTPO相较轨迹级和轮级基线分别提升21.50%和10.76%。

TranslatePsy-AfriSLM提供面向19种撒哈拉以南非洲语言的开放机器翻译资源，包括整理后的平行数据、非洲语言专用合成数据及一系列微调小模型。统一的质量估计过滤最多可移除96%的训练令牌，同时不降低翻译质量。实验表明，过滤后的合成数据位于质量—效率的帕累托前沿，优于低质量的大规模数据堆叠。基于所得数据混合进行微调后，最小仅0.8B参数的模型即可显著超过TranslateGemma-27B和Qwen3.5-122B-A10B等更大系统。

论文研究低标注预算下的跨机构联邦主动学习，此时缺少全局数据视图会使查询样本的协调尤为关键。理论与实验结果表明，低预算时 IID 数据更容易产生重复查询，因此比异构数据更依赖全局协调；随着预算提高，这一趋势会发生反转。作者提出利用联邦表征学习将各客户端数据对齐到共享嵌入空间，由服务器在可选混淆的嵌入上执行全局主动选样，而标注仍保留在客户端本地。该框架在更严格的低预算条件下，仍能超过获得更多标注预算的现有联邦主动学习方法。

• 作者提出 BudgetDoc，这是首个为文档任务中的“模型—预算—性能”权衡提供显式监督的多模态基准，覆盖三类文档任务。
• 基于该基准训练的 DRB（Document-Reasoning Balancer）约含 1B 参数，由 SigLIP-2 与 Qwen3-0.6B 组成，可在正式推理前预测各预算档位对应的序数性能，取得 0.753 的加权 F1。
• 在五个前沿模型和三个数据集上动态分配推理预算时，DRB 在 15 种配置中的 9 种达到或超过始终使用最大预算的基线，同时大幅降低成本。
• 初步实验还显示，DRB 有望从预算选择扩展至跨模型选择。

FACET（Fine-grained Agentic Construction of Executable Tasks）面向终端智能体训练，旨在解决多阶段任务合成中的任务不可解、验证错误、源信息丢失及工件假设不一致等问题。框架先将相关技能重构为包含目标、依赖、状态迁移和流程约束的连贯场景，再构建并修复可执行环境。它以最终容器状态为共同接地点生成任务指令、参考解法和可执行验证器，并通过执行验证与定向修复处理局部故障，避免重复生成已经有效的组件。FACET生成的任务具有更复杂的操作流程和更密集的可执行检查；使用成功轨迹微调不同规模模型后，模型在 Terminal-Bench 2.1 上均获得稳定提升。

论文研究多智能体系统的失败归因任务，即从失败的交互轨迹中识别故障智能体及其错误类型。作者提出轻量图框架 AFANet，利用步骤级语义信号与智能体级关系对轨迹进行结构化建模，避免依赖长上下文 LLM 推理、昂贵后训练和复杂智能体工作流。AFANet 以显著更少的参数和近乎为零的推理成本，在域内基准上匹配或超过包括微调模型在内的 LLM 基线，并在不同 GNN 架构下保持稳健。面对分布外基准，廉价的测试时适应还可进一步提升其归因性能。

Continual Reasoning Gym 将文本与视觉推理任务组织为五种任务序列，用于比较持续 RLVR 与多任务联合 RLVR（MTRL）。实验发现，顺序 RLVR 的遗忘程度有限，但最终性能仍低于联合训练，且遗忘只能解释其中部分差距。作者将较低遗忘归因于任务间可迁移的共享推理结构，即在一个任务上的训练能够平均提升其他任务。为利用这一机制，论文提出 Continual Prompt Replay（CPR），回放旧任务提示并由当前策略重新生成响应，平均而言只有 CPR 达到了 MTRL 级别的表现。

论文指出，仅比较提示变化前后的最终输出，无法解释 LLM 提示敏感性的内部原因。作者将模型输出分数分解为一组输入变量之间的非线性交互作用，并据此提出交互式提示敏感性指标 IPS。实验发现，即使最终输出保持不变，微小且语义无关的提示改动也可能引发内部交互作用的剧烈变化。对 50 个开源 LLM 的分析显示，监督微调、更大模型规模、稠密架构和少样本学习均可降低提示敏感性，其共同机制是增强低阶交互作用的稳定性。

DART-SD针对完整轨迹模仿会压制多子目标任务中合法执行顺序、造成策略“拓扑坍缩”的问题提出改进。方法将执行过程建模为收敛的交互状态转移图（ISTG），以刻画成功与失败探索路径形成的钻石拓扑。智能体自主展开时，框架识别关键拓扑断点（CTB），并检索由成功路径支持的恢复参考。训练仅对断点后的恢复步骤计算损失，避免破坏此前有效的推理前缀；多轮工具调用基准实验显示其显著优于完整轨迹训练基线。

NeuroAssertion 将难以到达的控制流条件转换为形式可达性目标，并通过模型检查生成行为多样的执行轨迹。框架利用语法引导合成（SyGuS）从轨迹中挖掘初始断言，再根据验证反馈定位尚未覆盖的设计区域。第一组 LLM 为未覆盖区域提出候选断言；若候选未通过形式检查，第二组 LLM 会生成修复语法，引导受约束的符号合成完成神经符号修复。实验显示，该方法生成的断言数量和变异覆盖率均约为传统断言挖掘方法的 2 倍。

论文将数据访问方式与稳定性、可塑性约束解耦，单独考察数据共观对表征学习和泛化能力的影响。实验覆盖监督学习与自监督学习，并在通用数据增量分块场景中控制可塑性和缓解遗忘，联合训练仍持续优于分离训练。结果表明，同时观测训练数据带来的收益不只是知识保留，也不依赖特定的持续分布漂移。蒸馏方法主要发挥知识保持作用，而记忆回放还会重新引入数据共观效应，从而解释其额外性能优势。

研究提出执行落地的环境科学计算基准 AtmosCoder-Bench，包含 436 道问题、3,910 个变体和 7,029 个可评分量，并确保题目无歧义、人工可解且答案可唯一验证。基准不只检查最终答案，还通过执行计算过程定位多步推理中的具体错误。实验发现，选择题形式会使测得准确率至少虚高 12 个百分点，许多错误并非源于知识缺失，而是模型无法持续、正确地应用已知公式和约束。当前沿模型遇到使常规方法失效的任务条件时，仍常机械套用典型解法，表明专家监督依然必要。

框架利用检索增强提示生成候选样本，经目标模型筛选和多个 LLM 裁判自动验证后，将其聚类为反复出现的失败模式。随机策略按失败模式选择重训练数据，并依据兼顾鲁棒性增益、灾难性遗忘和数据成本的验证奖励持续更新。该方法将数据策展器本身转化为学习智能体，可跨训练轮次动态发现最值得修复的模型弱点。实验中，RoBERTa-base 在 SNLI、ANLI 和 MultiNLI 上分别提升至 92.60%、80.95% 和 71.99%，并可迁移至 FEVER 事实核查任务。理论分析表明，失败模式采样能够削弱与捷径一致的梯度贡献，同时将分布漂移控制在有限范围内。

论文指出，现实中的偏好信息可能不完整、部分给定或具有复杂表达，因此不能仅以答案正确性衡量模型推理能力。作者将不确定性形式化为两类：信息不足导致的认知不确定性，以及标准社会选择概念下不存在解所导致的结构不确定性。通过层级化任务测试，研究发现先进大模型会系统性混淆“可确定”与“不可确定”的实例。即使任务仅要求验证候选结果，模型仍表现出明显的推理失准与置信校准问题。