2026-08-21 科研追新

WorkSwarm 将办公任务拆解后交由多个 Agent 分工协作，涉及命令、代码和文件操作的步骤则统一转交 JiuwenBox 隔离执行。JiuwenBox 采用接入层、管理平面和运行时三层架构，提供生命周期管理、策略引擎、接口认证与全程审计。系统支持 Linux 任务级沙箱、Windows 沙箱及开发中的微虚机沙箱，可按安全等级限制身份与进程、文件路径、系统调用、网络和计算资源，并在任务结束后销毁环境。用户可通过 /sandbox 命令或配置文件启停沙箱、设置命令例外与可写目录，第三方开发者也可借助统一 API 和 CLI 独立接入。

Grok Bot将模型选择、参数调整和插件配置等底层决策封装起来，用户可直接用自然语言创建并运行智能体。每个Bot运行在独立的云端虚拟机中，能够持续执行任务，并通过环境隔离减少个人账号和本地文件暴露风险。多个Bot可自动通信、传递上下文和分派任务，形成由CEO Bot统筹，研发、内容、社群、商务等角色协作的数字团队。其局限包括底层模型不可自由替换、企业管理界面尚不成熟，以及高频工具调用带来的Token额度和算力成本压力。

Demo Agent 支持创业者本人或其 Agent 自荐项目，可读取项目文件、追问关键信息并生成一页纸档案，从而减少重复沟通。团队通过“人格.md”固化项目分析习惯，要求反馈先行、避免套话、对材料中的数字进行验算，并限制 Agent 代替真人作最终判断。系统主要由 Claude Code 协助开发，实际对话选用 DeepSeek，并在 PDF、PPT 解析及完整用户路径上反复进行人工验收。该能力已接入 Builder Hub，未来将开源通用组件，并把不同模型和 Agent 在真实项目判断任务中的表现纳入 Eval 系列。

DeepSeek Harness 发布 v0.1.0-rc.8 预发布版本，DeepSeek 模型适配器及 /goal、/plan 等命令开始支持图文输入，并优化了大图片和长会话中的图片载荷处理。Claude Code 与 Codex 可作为 Profile Bundle 按需安装为子代理，Codex 还支持非交互式权限模式和多个命名实例，子代理结果可更及时地唤醒父任务。web_search 新增并发查询，Windows PTY 提供持久 PowerShell 会话，以提升研究、编程和连续工具调用效率。新版同时优化了大历史会话、SQLite 读写与分叉性能，但 SQLite 数据结构存在不兼容变更，升级时需注意旧数据迁移。

• 框架让同一 LLM 同时充当轨迹生成器和验证器，对 Agent 的完整执行过程进行细粒度评分与排序，无需训练专用 Reward Model。
• DeepSeek V4 Flash 在 Terminal-Bench 2.1 上由单次生成的 78.7%提升至 Best-of-3 的 86.5%和 Best-of-5 的 88.0%，而候选池的 Oracle 上限达到 96.6%。
• 方法利用评分 Token 的 logprob 计算连续验证分数，并沿评分粒度、重复验证和多评价准则三个方向扩展验证计算，缓解离散评分高平局率问题。
• Probabilistic Pivot Tournament 减少候选间两两比较，前缀缓存降低长轨迹重复输入开销；包含生成与验证在内的单任务成本约为 0.11 美元。

[合并自 2026-08-28 llm-as-a-verifier]

• LLM-as-a-Verifier 无需额外训练，利用评分 Token 的完整 logit 分布生成连续、细粒度且包含不确定性的评价，而非仅输出离散分数。
• 系统让同一开源模型并行生成多条 Agent 轨迹，再自行验证、排序和选择最优结果，使 DeepSeek V4 Flash 在 Terminal-Bench 2.1 上由 79% 提升至 88%。
• 验证能力可沿评分粒度、重复评估和评价标准拆分三个维度联合扩展，并可用于软件工程、机器人和医疗 Agent 的轨迹排序与进度追踪。
• 框架还能为 SAC、GRPO 提供稠密奖励，并通过 pivot candidates 将多候选排序复杂度从 O(N²) 降至 O(Nk)。

OpenAI将Codex底层Harness作为平台开源，使智能体可直接进入仪表盘、编辑器和垂直应用，而无需将业务迁移到通用聊天界面。开源组件包括用于自动化流水线的codex exec、支持TypeScript与Python的Codex SDK，以及通过JSON-RPC连接本地Codex进程的app-server；后者支持持久会话、事件流、中途打断和自定义工具接入。Harness负责智能体循环、上下文压缩与记忆维护、工具交互、进度反馈、故障处理和人在回路审批，宿主应用则继续掌控界面、数据、权限与安全边界。文章称，仅调整推理保留和上下文压缩，GPT-5.6 Sol在ARC-AGI-3上的得分便从13.3%升至38.3%，输出Token同时减少约六倍。税务申报、Cisco云平台和物流看板Relay等案例展示了该框架嵌入专业业务流程的潜力。

GLM-5.3 API 已上线，定位于复杂编码、长程 Agent 任务和防御性网络安全；文章称其 AA 榜得分为 60，在同分段模型中参数规模较小。该版本没有扩大基础模型，而是在 GLM-5.2 同一约 750B 基座上加强后训练，体现了从单纯扩大参数转向全生命周期算力配置的 Scaling 思路。实测覆盖交通模拟、2D 节奏跑酷、3D《愤怒的小鸟》和音乐工作台等项目，模型在多轮修改、状态保持、UI 打磨及物理交互方面表现较好，但复杂项目仍存在状态衔接 Bug。安全测试中，模型能结合本地源码、项目文档和 GitHub Issues 追踪菜单栏工具 Ice 的问题链，并区分安全风险、兼容性缺陷与设计问题。

斯坦福大学于 2025 年秋季开设研究生课程 CS329A《Self-Improving AI Agents》，由 Google DeepMind 研究员 Aakanksha Chowdhery 与 Azalia Mirhoseini 主讲。课程覆盖测试时计算扩展、鲁棒验证、执行反馈学习、多步推理与规划、训练时强化学习扩展，以及开放式自我进化六大方向。课程将 STaR、ReAct、LATS、The AI Scientist 和 AlphaEvolve 等工作串联为“生成—验证—执行—记忆—训练”的能力闭环。20 讲还涉及工具使用、搜索智能体、软件工程、长期任务、机器人和智能体未来研究，课程幻灯片与阅读清单公开。

DeepSeek 发布开发者预览版 Harness v0.1，并以 MIT 协议开源，其定位不是新模型，而是将模型推理转化为项目行动的 Agent 开发框架。框架采用“Everything is a plugin”理念，模型、工具、技能、会话、文件系统和用户界面均可组合、替换与扩展。开发者可以针对代码审查、测试和项目维护等任务组装专属 Agent，并按最小必要原则配置工具与权限。文章建议先完成安装、模型接入和内置 Agent 任务，再逐步理解插件组合、执行机制、会话记录及生态方向。

Zetta 针对现有具身智能脚手架依赖固定技能、仅在回合结束后反思的开环缺陷，将治理机制引入物理执行过程。框架保持基础策略冻结，通过三个时间尺度分离的循环，分别实现动作频率治理、回合级批判器与恢复方案生成，以及验证门控的技能更新。配套的 Z-Infra 将智能体逻辑与异构执行资源解耦，使系统在当前采样预算下于 LIBERO-Pro 和 RoboCasa 分别达到 90.8% 与 93.6% 成功率，并获得 11.1 倍推理加速。实验还显示性能可随自主探索经验持续扩展，所学技能能够零样本迁移，并出现机器人执行中的“Aha Moment”。

SemaPLC 是面向可编程逻辑控制器（PLC）代码生成的智能体框架，要求生成逻辑能够集成进现有工程，而非仅产出独立程序组织单元。框架不依赖模型自评决定任务完成，而是以规格检查、项目编译和真实运行时行为验证的日志结果作为严格完成条件。在 117 个独立 POU 任务上，它对七种模型均取得最高的严格验证通过率，平均达到 72.6%。在 65 个项目上下文任务中，SemaPLC 尤其显著提升动态行为得分至 52.2，而基线仅为 22.4–31.4，表明执行轨迹比静态评分更能反映控制逻辑是否真正可用。

Co-RL 同时训练多个彼此解耦、互不共享参数的模型，并以同伴输出生成强化学习奖励，从而实现无监督推理训练。框架通过混合不同模型家族、参数规模以及改写后的训练样本来扩大群体多样性，降低智能体间的相关错误和自强化偏差。实验表明，该方法能够保持行为多样性并缓解训练崩溃，在七个纯文本基准上平均提升 3.0%～8.6%，在四个多模态基准上提升 2.3%～7.2%。在不使用真实标签的情况下，Co-RL 整体优于基础模型和既有无标签方法，并可达到或超过部分监督方法。

研究指出单步逆合成具有一对多特性，传统单答案评测难以覆盖多种合理的反应路径。作者提出 Top-K 提示范式，使模型在训练和推理阶段生成多个多样且化学上合理的候选方案。团队汇编约 4560 万条经验证反应组成 CREED-CCV-2+USPTO-XL，并结合 ChemCensor 与新颖性导向奖励微调 C3LM。该模型在域外 URSA-expert-2026 基准上取得领先表现；分析还显示，大语言模型与传统模型探索的反应空间具有互补性。

研究针对开放权重模型经过微调、LoRA 合并、剪枝、量化后来源难以确认的问题，仅利用模型权重验证检查点谱系。方法移除残差训练中普遍存在的身份对齐成分，再比较不同残差块中的检查点特异结构，并以独立检查点校准对称谱系分数。在 residual-MLP 与 GPT-2 基准上，该方法以 AUROC 1.0 区分微调、合并、剪枝和量化后代与独立或蒸馏模型，从而区分权重祖先关系和行为相似性。面对保持函数不变的检查点“洗白”操作，该分数保持稳定，并在 GPT-2 上比最接近的稳健基线快 76 倍；LLaMA-2 案例也正确识别了 3 个相关和 7 个无关检查点。

论文指出，潜在世界模型能够准确解码任务变量，并不意味着潜在空间中的欧氏距离可以正确衡量候选动作序列的真实进展。作者提出 Plan-Real Spearman 和 CEM-stage Spearman，分别诊断随机规划以及 CEM 搜索逐步收敛时的潜在成本与真实成本排序一致性。理论分析表明，编码器失真、终止时刻的滚动预测误差和候选方案间隔共同决定排序能否保持。基于诊断出的对齐缺口，DA-LeWM 加入逆动力学和示范条件化的目标—动作预测头，在探针分数相近的情况下实现更快收敛和更高的在线成功率。

论文研究循环语言模型在组合式工具调用中的能力，重点考察多 API 协调、中间状态维护和跨调用依赖保持。作者在 API-Bank、BFCL 和 NESTful 上比较原生及改造后的循环模型，并采用匹配的监督微调方案控制训练差异。实验显示，递归计算对多步骤和依赖感知型工具使用的提升较稳定，但对孤立 API 调用的收益较小且依赖具体模型。随着推理时循环深度增加，多步骤调用准确率通常上升；自适应推理则只在必要时追加计算，具有更好的计算—性能权衡。

论文指出，高流行度事实在预训练中被记忆得更深，因而比罕见事实更难从 LLM 中移除，而现有方法通常对所有事实施加统一的梯度压力。AdaPop 将局部 token 置信度与按事实流行度确定的指数结合，流行度可由 Wikidata 站点链接数或 LLM-as-Judge 等外部代理估计。方法还采用双重上升控制器，逐轮调整保留集惩罚，自动协调遗忘效果与原有能力保持。在三个模型家族和两个基准上，AdaPop 在释义查询下将遗忘内容泄露降低约 5 倍，在对抗性改写下降低约 1.6 倍，同时使保留集表征维持稳定。

研究提出属性引导的体裁扩展框架，以人工故事提示作为主题丰富的创意种子，并用人工整理的体裁属性约束结构、风格和格式。框架调用强大模型生成符合特定体裁的问答对，再经过质量过滤构建 Multi-Genre Collection。该语料库包含5万条样本，覆盖故事、说唱、歌词、剧本、游戏设计和角色设计等13种创意体裁。实验显示，基于该数据微调的模型在分布外写作基准和留出体裁诊断中均优于基础模型、写作专用基线及使用既有写作语料训练的模型；消融实验进一步表明，受控增加体裁数量比单纯扩充故事数据更有效。

EnvHarness 将 Harness 思想扩展到环境侧，在保留 reset()、step(a)、obs() 等标准接口以及原有后端和验证器的前提下，以可组合包装层调整环境行为。Stage、Contract 和 Chain 分别用于改变初始状态、映射动作与观测或约束交互规则，以及按条件组合环境和调节任务长度，可针对搜索、错误调用、捷径利用和长程目标保持等问题构造训练信号。EnvRigger 将策略视为黑箱，通过 Observe、Diagnose、Write、Validate 闭环分析成功与失败轨迹，自动合成 EnvHarness 组件并以新一轮 Rollout 验证效果。在 ALFWorld、WebArena、SWE-bench Verified、OfficeQA 和 SpreadsheetBench 上，该方法使留出任务表现最高提升 9.0 个百分点、执行步数减少 9.8%；SWE-bench Verified 长线实验中成功率由 47.67% 提升至 54.79%，环境增至 300 个时仍保持增长，并可为 GRPO 等强化学习方法提供持续更新的优化信号。

Repo0面向无需预定义仓库结构的“零到全”代码生成任务，从自然语言需求直接构建模块化的完整软件项目。框架使用Dual-DAG表示架构状态，包括需求级DAG、组件级DAG及二者的对齐关系，并依据模块化指标迭代调整组件边界。结构达到显式收敛后，系统以所得架构为约束开展测试驱动的代码生成。在RepoCraft的6个真实仓库上，Repo0在GPT-5 mini和DeepSeek V3.2设置中均取得最佳功能覆盖率与通过率，相较RPG最高分别提升20.08和29.74个百分点。

研究提出一个三智能体工作流，将对话式问卷采集、结构化数据处理与出行行为预测统一起来。系统通过带天气图片的陈述偏好调查，获得学生通勤者在五种天气情景下的454条“受访者—情景”观测。实验比较了多项逻辑回归、逻辑回归、随机森林，以及9个参数规模为20亿至350亿的本地大模型；随机森林五分类准确率为69.6%，最佳纯文本零样本大模型达到69.9%。习惯性出行信息带来的增益最稳定，少样本提示对多个模型有效，而使用与受访者相同天气图片的最佳视觉配置达到71.5%准确率。

AI4AI-Bench 覆盖 10 类训练算法，旨在隔离并测量智能体设计学习目标、监督信号或更新规则的能力，而非数据收集与超参数调优能力。每项任务允许智能体在单张 B300 GPU 上探索和修改源码 4 小时，随后在全新环境中从头运行最多 12 小时，并由隐藏的冻结评估器评分。评测涵盖 6 个系统的 29 种模型、Agent 框架与推理强度配置，共完成 290 组实验；平均归一化得分仅为 0.166，最佳系统为 0.250，距离任务最优仍有显著差距。263 份可分类提交中，122 份真正修改了学习算法，其平均得分为 0.226，高于其余 141 份外围调整方案的 0.126；提高推理投入还使算法级提交占比从 8% 增至 64%，平均得分从 0.094 提升至 0.196。较优案例包括将一次性剪枝改造成蒸馏训练、把权重平均转化为搜索优化问题，以及通过求解器监督、模仿学习与 DAgger 改进 Agentic RL。

论文研究异构 AI 系统如何在多个模型、架构、脚手架或推理配置之间，以较低成本将查询分配给最合适的专家。作者将廉价但噪声较大的估值器与准确但昂贵的估值器之间的权衡建模为经典潘多拉盒问题，并在高斯信号假设下推导闭式价值信息表达式。中心化策略 Pandora’s Router 可逐输入判断是否值得细化某个专家的价值估计；去中心化策略 Pandora’s Bidder 则允许专家在接受查询报价前自主决定是否投入自我评估。三个领域的实验表明，Pandora’s Router 在显著减少昂贵估值调用的同时达到接近穷举估值的路由质量，但去中心化机制在竞争估计噪声较大时可能产生损害其他参与者的策略性收益。

MidTool 是一套开放的智能体工具使用语料构建流水线，整合大规模网页、PDF 和代码数据，并从真实工具 API、MCP 技能及文档驱动工作流中合成监督样本。训练目标覆盖工具能力识别、基于上下文的参数接地、多步工具调用编排，以及信息不完整时的恢复能力。研究者使用 MidTool-Mix 对 Qwen3-4B-Base 和 Qwen3-8B-Base 进行中期训练，随后结合监督微调与强化学习完成后训练。BFCL、tau2-Bench 和 MCP Universe 上的实验结果均持续优于基线，表明专门的中期训练与 SFT、RL 具有互补性，可为通用工具调用建立更稳固的能力基础。

研究对 Qwen3-8B 进行三轮 rank-32 LoRA 自训练，并让冻结模型经过完全相同的推理与评测流程，以直接测量无训练条件下的统计波动。审计识别出七类可能反转实验结论的测量失效，其中单次贪心解码、推理批处理差异及不可靠的阈值修正会制造虚假的逐题能力得失，甚至使冻结模型的“能力扩展率”达到 0.280。作者提出基于汇总基线重复实验的逐题精确检验与错误发现率控制，且在所有留出重复实验中均未检出虚假变化。匹配数据流、训练量和评测条件后，外部蒸馏能改善基座模型较少答对的问题，而三种自训练方法未表现出同类能力扩展，并以显著高于实测噪声下限的比例破坏基线已解决问题。

研究将 NoThink、Short 和 Long 三种推理模式的选择直接纳入 GRPO 训练，无需额外训练独立路由器或难度分类器。通过响应长度相关的塑形奖励与各模式的硬 token 上限，模型形成差异化推理策略，且未坍缩至单一模式。在 MATH 上训练的 1.5B 蒸馏模型于 MATH500 上将平均响应长度从 4,796 降至 2,811 token，减少 41%，准确率仅由 0.796 小幅降至 0.782。该策略无需重新训练即可迁移至其他基准，在 GSM8K 上减少 76% token，并在相近响应长度下取得高于基线的准确率。

RuleMaze 要求多模态大模型理解迷宫视觉布局、解析不同复杂度的自然语言规则，并规划符合约束的有效动作。论文提出 Language-Logic-Function Hybridization，将自然语言规则自动转换为逻辑表示和可执行验证器，从而减少人工规则工程，并支持低成本扩展组合规则与任务难度。解耦多模态规划（DMP）使用可解释的推理原语分离视觉感知、动作执行和规则验证，并输出透明的中间规划轨迹。实验显示，DMP 在规则遵从率和规划成功率上显著优于端到端文本规划基线，且对复杂及未见规则具有更好的泛化能力。

研究分析了 SWE-chat 的 557 个智能体编码会话和 AIDev 的 33,097 个智能体拉取请求，覆盖 94,813 个开发事件及 690,260 条文件级变更记录。指令文件与工作笔记占全部文档交互的 60.5%，传统技术文档和 API 参考仅占 10.6% 与 1.3%。文档查阅与后续代码编辑的关系较弱且受开发阶段影响，查阅后立即测试的概率反而更低，研究也未发现明确的“基于文档进行验证”序列。70.2% 的文档查阅由智能体主动发起，仅 7.5% 由失败驱动；在同时修改代码和文档的多提交 PR 中，代码先行的频率是文档先行的 4.7 倍。作者据此提出双叶循环式交互模型，并指出“可操作性”和“可验证性”这两项智能体友好文档假设尚缺乏一致的行为证据。

Task-CoEvolve 面向无需更新底层模型权重的 LLM Agent Harness 优化，通过让验证任务与脚手架协同演化，降低迭代重写时反复执行完整验证集的成本。方法利用历史结果进行方差加权采样，优先评估候选 Harness 表现分歧较大、接近智能体能力边界的任务，减少对始终成功或失败任务的重复评测。系统依据任务采样概率从部分评估中估计完整验证集得分，使各轮使用不同任务子集时仍可一致比较。在线文本分类和 Terminal-Bench 2.1 实验表明，该方法优于固定子集基线，并以减少 80% 评估次数的代价达到全量验证搜索的最终性能。

FormalTCS包含175个实例，取自2025—2026年被STOC、FOCS、SODA和COLT接收的论文，并保留论文特有的定义、假设及证明依赖。所有实例均配有经专家核验的Lean形式化陈述与证明，用于评估从自然语言研究命题到机器可验证证明的完整流程。领先模型将自然语言命题转化为形式定理陈述的最佳得分仅为11.5，而在给定人工形式化陈述后，证明任务可达到28.6 Pass@8，表明自动形式化比定理证明更具挑战。研究团队还构建了自动生成、形式化、筛选和证明新命题的科研框架，但64个生成命题中仅6个通过专家评价与证明验证，反映模型的价值判断与研究品味仍然有限。

研究提出一种面向自动驾驶的混合多智能体框架，由编排器协调 PPO 训练的强化学习策略与 PID 控制器。LLM 不直接输出车辆控制信号，而是在系统各环节提供上下文与常识推理，以辅助处理传统规则系统和强化学习难以覆盖的复杂情境，并降低推理延迟与幻觉带来的安全风险。框架还利用 LLM 迭代优化强化学习奖励函数，使其更好地适应动态驾驶环境。研究在环境与交通条件高度随机化的 CARLA 场景中完成评估，结果表明该方案能够兼顾情境推理、结构化控制与安全机制。

研究面向离散扩散语言模型的推理时控制，通过序列级奖励引导文本采样，无需修改或重新训练模型。作者指出，best-of-n 容易产生过度乐观估计，而 bootstrap SMC 可能出现粒子权重退化。为此，论文基于 Feynman–Kac steering 构建了嵌套 SMC（NSMC）和全适应嵌套 SMC（FA-NSMC），并修正既有公式中会导致最终估计偏差的错误。在毒性与流畅度控制任务上，两种方法均持续优于 best-of-n 和 bootstrap SMC。

研究构建了一个受控合成基准，由潜在风险轨迹同时生成数值时间序列和自然语言摘要，并设置仅有一种证据与真实标签一致的冲突场景。该基准可独立操控证据模态、时间新近性、来源可靠性与证据出处，从而分析模型的仲裁偏好。多种开放权重指令模型表现出稳定而非随机的文本—数字偏好，并且对时间较新的证据比对显式可靠性提示更敏感。模型还可能过度依赖外部预测，即使该预测与上下文中的直接证据相冲突，暴露出工具增强决策系统的潜在失效模式。

论文针对LLM多智能体系统通信开销高的问题，研究自动生成稀疏、高效的智能体通信拓扑。现有ARG-Designer将拓扑设计建模为自回归图生成，但训练目标缺乏对结构紧凑性的显式激励。RGA-Designer借鉴RLHF，训练同时评价任务正确性和图结构紧凑性的奖励模型，并利用其反馈微调预训练图生成器。实验表明，该方法在维持ARG-Designer任务准确率水平的同时，将令牌消耗平均降低20.5%。

SABET-QA 面向时序知识图谱问答，重点解决嵌入式方法依赖单次推理、难以处理复杂多跳查询的问题。框架采用双向实体—时间评分机制，并通过槽位感知上下文化模块对齐问题语义与时序知识图谱嵌入。其可微工作记忆跨多个推理跳保存和渐进修正中间假设，在具备时间边界标注时还可引入粗粒度辅助监督。实验覆盖 CronQuestions、Complex-CronQuestions、MultiTQ 和 TimeQuestions，结果显示该方法在复杂多步时序查询上持续优于强基线。

研究构建了共享同一冻结预训练模型和 LoRA 适配器的四单元社会，各单元通过固定中继中的两个模型宽度连续向量通信。十组严格配对实验仅改变注意力掩码，受限可见模型在其中 9 组的两个组合深度上均领先全局可见模型至少 20 个百分点，并能泛化到训练中未出现的复合函数。通信切断会使受限模型表现降至随机水平，同值数据包移植、破坏性干预与反事实重定向进一步表明，其形成了可跨样本互换、按值索引且具有因果作用的通信接口，而高表现的全局可见模型表示无法跨样本互换。尽管受限组在未见组合上优势明显，预注册测试仍因深度三任务中位准确率 0.6988 略低于 0.70 门槛而形式上失败，早期队列也未满足普通语言能力保持要求。

论文指出，现有 LLM 智能体通常按语义相关性独立评分技能，再通过 top-k 或贪心方式装载，难以处理技能冗余、互补与组合效应，也容易浪费上下文令牌。作者将技能集合的效用建模为单调子模收益减去上下文惩罚，并要求选择结果满足硬令牌预算。Best Prefix Selection（BPS）是一种多项式时间算法，可获得 $(1-1/e,1)$ 双准则近似保证，其中收益近似系数在多项式时间内最优。在受控污染的 BigCodeBench 变体上，BPS 的任务成功率达到 0.73，高于技能路由器、文本检索器及执行模型自身选择等基线的 0.20–0.52，同时比最强公开技能路由器少使用 28% 的令牌。

ReguSim 是受控金融合规环境，ReguBench 是带目标标注的监控基准，二者将智能体的陈述推理、尝试动作、执行拦截结果与监控证据拆分评估。DeepSeek V4 Pro 与 Gemini 3.5 Flash 的交易实验表明，显式展示规则虽能减少违规订单，却无法彻底消除被拒动作，激励、人格和角色设定也会影响合规行为。桥接实验发现，交易智能体给出的理由可能误导独立监控智能体，而提供订单状态、拒绝原因等执行层证据能够改善判断。监控任务中，简单的结构化基线可达到或超过仅依赖提示的 LLM，说明金融合规不应压缩为单一分数，而应系统审计动作是否受规则约束及证据是否被正确使用。

G-MARK 面向部分可观测的协同驾驶场景，将多车提供的对象级观测转换为显式、可追溯的知识图谱，避免证据被压缩进难以审计的隐表示。图中保留对象假设、观测来源、自车与协作车辆的可见性、不确定性、证据冲突、空间关系及规划上下文。框架从知识图谱生成共享特征表示，并通过轻量任务头支持对象推理、运动预测、控制选择和轨迹预测。相较先进基线，其遮挡推理准确率提升 42.2%，控制选择错误率降低 13.1%，并以缩小 25.6 倍的结构化通信负载取得相当的轨迹规划准确率。

研究提出量化 ASR 模型“基准优化”程度的方法，重点考察音频信息不足以唯一确定参考转录的场景。作者设计了参考文本分歧、遮蔽数字恢复和正字法切换三类行为探针，发现部分高分开源模型即使面对矛盾、遮蔽或含糊的音频，也可能逐字输出基准参考片段。机制探针表明，模型会响应狭窄的声学线索，从忠实转录切换至迎合基准答案的策略。该行为可通过低秩线性引导进行因果操控，在部分情况下仅向片段末尾追加音频也能改变输出，说明公开榜单成绩可能夸大模型的真实泛化能力。

Brain Researcher 是运行于神经影像研究者计算环境中的科研智能体脚手架，通过规定可接受的分析、必要检查和结论边界，减少选择性分析、过早宣告成功及针对不完善指标进行优化等问题。跨七个模型的评测显示，该平台将首选工具选择准确率从 23.3% 提升至 93.6%，提高 70.2 个百分点；可验证证据锚定率也从 4.6% 提升至 22.0%。在研究者协作与自进化研究中，平台利用多宇宙分析揭示结论对不同分析路径的敏感性，并将分析决策直接关联至具体证据及来源。其科学审查机制依据证据强度和检查结果，将主张分为接受、附条件接受、修订、阻止、拒绝或延期。

MaliciousSkillBench 整合了 13 个公开来源，其中 11 个来源提供核心恶意样本，并将 8,414 条原始恶意记录规范化为 7,539 个唯一身份和 4,588 个结构家族。排除跨标签冲突后，主基准包含 9,740 个技能，其中恶意技能 7,505 个、良性技能 2,235 个，并统一映射至 11 类攻击。三种学习式文本检测器在随机划分下的 Macro-F1 为 0.882～0.932，但在来源隔离评测中降至 0.653～0.665，反映出明显的来源捷径和泛化缺口。表现最强的词级 TF-IDF SVM 虽保持 95.6% 的恶意召回率，却对未见来源中的良性技能产生 62.4% 的误报率；三种现成 Skill 扫描器也难以兼顾降低误报与维持召回。

SAPO 针对无独立 critic 的组相对强化学习依赖多次 rollout、价值泛化不足，以及长程任务中时序信用分配困难和优势坍缩等问题，提出单轨迹自回归策略优化框架。模型让策略函数与价值函数共享同一自回归大模型骨干，在不同因果边界分别输出策略与价值预测，从而省去独立 critic 的显存开销。训练过程分别优化 PPO 目标与辅助的 on-policy SARSA 目标，并采用结合 λ-return 和批归一化的轨迹级广义优势估计器，更稳健地衡量各轮交互的贡献。基于 Qwen2.5-1.5B/7B 在 ALFWorld 和 WebShop 上的实验显示，SAPO 的平均表现分别比 PPO 和 GRPO 高 15.1、12.1 个百分点，且仅需单次 rollout，相较 PPO 将单次迭代耗时降低 33.2%，同时保持稳定训练。

SWE-bench Science 从98个 GitHub 仓库中构建119项科学软件工程任务，覆盖20个科学领域，并分为问题驱动、专家探索和工程集成三类范式。表现最佳的 Claude Code with Opus-5（max）在 pass@1 指标上仍低于50%，表明科学软件修复对现有编码智能体极具挑战。研究归纳出四类常见失败机制：科学知识或抽象能力不足、探索方向错误或仅做表层修复、修复覆盖与系统集成不完整，以及无法将科学知识泛化到未见案例。配对消融实验表明，可靠且契合任务的科学指导能够约束修复范围、提升平均性能与令牌效率，但错位指导可能引发锚定效应，且不一定提高精确修复成功率。

研究在每个决策点重新采样策略自身支持的替代动作并继续执行，以实际结果变化衡量步骤的因果贡献，而非依赖人工标注的步骤正确性。结果显示，LLM 裁判分数、结果条件化对数概率比和策略自身置信度均无法优于随机水平识别关键步骤；隐式信用主要复现策略的语言流畅度偏好，结果条件化并未增加可检测的因果信息。因果贡献具有明显稀疏性：在真值可定义的决策点中，仅 30.5% 具有可测效应；反事实可测性也依赖具体模型，两个相近规模策略无策略支持反事实的比例分别为 13.1% 和 26.8%。七组预注册训练实验均未稳定超过未训练策略，检查点间的表面差异可由有效样本量和优化步数等训练剂量解释，而非信用规则本身。置信度虽只能以随机水平识别关键步骤，但用于路由裁判调用时可降低约 13%～14% 的评审成本。

Best-of-N 通过采样多个候选并由奖励模型选出最优回答来提升生成质量，但会显著增加推理成本。现有排名蒸馏通常对所有候选进行平滑重加权，使低质量回答仍留在目标分布的支持集中；过度强化头部则会放大奖励模型顶部排序不稳定的风险。TUP（Truncate-bad, Upweight-good Policy）直接移除低排名候选，仅对保留的高排名尾部按可调锐度重加权，并具有与提示无关的闭式归一化形式。该方法以移位截断胜率作为软标签、策略与参考模型的对数似然比作为 logits，通过二元交叉熵实现全离线训练。理论分析表明，在一定假设下，下尾截断可匹配未知真实奖励下最优的单调排名重加权，实验也显示其性能可媲美强离线对齐基线。

Thinkingbox 是面向工具—智能体—用户交互的沙箱，提供隔离的 MCP 兼容工具会话、完整执行轨迹，并依据持久化后端终态评估任务结果。Thinkingbox-bench 收录 507 个受业务策略约束的工作流，覆盖零售、酒店、汽车保险、新银行内部 IT，以及咨询企业 IT/HR 支持等场景。每次执行均由任务专属的可执行检查器验收，允许不同的有效轨迹，同时识别错误、遗漏或额外状态副作用。实验中最强模型的 pass@1 为 65.36%，但连续 20 次均成功的 pass^20 仅为 25.25%，表明单次成功无法代表生产级可靠性。许多失败轨迹仍能正常终止并执行合法工具调用，因此响应质量或调用合法性不能替代端到端业务终态评测。

论文指出，多智能体长期记忆可能继承相同上游来源或共享偏差，因而不能被视为彼此独立的证据，否则投票或加权会产生“记忆相关性偏差”。相关性感知记忆仲裁框架 CAMA 将检索到的记忆建模为查询条件下的证据组，结合神经依赖推断与基于来源的符号先验，估计有效独立证据源数量。对于初始检索中缺失的关键独立证据，框架学习序贯恢复策略，主动检索替代证据或追溯上游来源。多项基准实验显示，该方法能在控制检索成本的同时压制相关记忆形成的虚假多数，并优于现有基线。

论文指出，人类在同一情境下可能做出多种合理反应，单次观测只是潜在响应分布的一次采样，因此准确率评测与硬标签训练会随任务主观性增强而失真。作者提出基于熵的“主观性系数”，用于区分编程等近客观任务与社会模拟等主观任务，并衡量传统范式的可靠性。SALT 聚合语义相近输入的观测结果以形成软分布标签，并依据每个输入的主观程度自适应调整聚合半径，在近客观情形下可自然退化为单标签训练。作者还构建了包含 193 名标注者、100 个主观问题和 19,300 个情境的 SUBJSIM 基准；实验表明，在训练阶段每个输入仅有一次观测、评测采用完整响应分布的现实设定下，SALT 能更好地拟合人类行为分布。

• 该框架统一处理智能合约漏洞持续演化带来的高适配成本、灾难性遗忘和多适配器部署问题。
• 频率感知低秩适配（FA-LoRA）在傅里叶域执行适配，以逐频率重要性门控选择更新，仅训练约 0.4% 的参数，性能优于标准 LoRA 与 QLoRA。
• 遗忘感知回放（FAR）结合频率门控与损失动态估计样本的遗忘风险，优先回放易丢失知识，在连续任务上的平均 Micro-F1 达到 0.8022。
• 锚点保护渐进合并（APPM）选择泛化能力最强的适配器作为锚点，通过受保护的加权合并和频域门控竞争，将多个任务适配器整合为单一模型。
• 在 DIVE 数据集上，合并模型的 Micro-F1 达到 0.8085，距各任务独立模型上界仅 2.7%；合并耗时 156 毫秒，且不增加运行时内存。

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，目标是以尽可能少的步数将1.24亿参数GPT的验证损失降至3.28以下。153次全自主实验中，Fable 5将基线3290步降至2726步；Kimi K3搭配Prime Agent Harness取得2930步，接近Opus 5的2920步。实验未发现真正全新的算法，模型差距主要来自噪声判断、重复验证、工具构建和旧方案重测等实验执行能力。结果显示，AI自主科研的关键瓶颈可能从创意稀缺转向试错吞吐，廉价开源模型与高效Harness的组合有望削弱闭源最强模型主导RSI的传统路径。

研究从技能归纳粒度与表示形式两条轴线，系统比较任务级和子任务级技能，以及文本和代码技能的跨任务迁移表现。任务级技能通常使智能体表现低于无记忆基线，而子任务级技能平均能够带来提升；文本技能的迁移效果也优于代码技能。作者从特异性与抽象性两个互补维度刻画技能，发现任一指标单独都不足以预测任务成功率，但二者的联合效应具有稳定预测力。由此提出的技能效用分数仅依赖技能内容与任务描述，无须实际执行新任务，可用于提前诊断技能记忆质量。

DARS面向由视觉语言模型（VLM）规划器和扩散模型渲染器组成的两阶段指令图像编辑系统，解决仅凭最终图像奖励难以定位失败模块的问题。框架采用多规划、多渲染 rollout，比较规划间与规划内的奖励方差，在规划器和渲染器之间进行软模块路由，动态确定优化重点。rollout 平均奖励还用于估计样本难度并构建自适应课程；规划器则采用四字段结构化推理输出，结合前缀门控奖励与 token 级优势重加权，将结果级反馈细化为局部监督。五项基准实验显示，在骨干模型、数据、奖励模型和 rollout 预算一致时，DARS优于联合强化学习基线，且在推理密集型编辑任务上提升最大。

EchoCoT 是一种多步注入攻击，通过工具调用之间此前被忽视的“推理重放”界面，利用 API 返回的忠实度信号迭代恢复黑箱大推理模型的隐藏思维链。研究还借助基于 LLM 的优化框架，自动搜索可跨数据集生效的通用注入轨迹。在开源模型上，该方法的近逐字提取成功率最高达 66.4%，迁移至未见数据集后最高达 80%。攻击同样影响前沿闭源模型：提取结果与服务商披露的推理长度及思维链摘要高度吻合，并曾从 Gemini-2.5 中提取超过 3.3 万个 token 的长思维链。

MileGPO 面向仅有终局奖励的长程智能体强化学习，从成组的同策略 rollout 中提取过程级信用，无需辅助模型或额外环境交互。Milestone Discovery 从成功轨迹中识别候选里程碑，并从失败轨迹中归纳反复出现的陷阱。可靠性校准塑形（RCS）依据结果置信度强化可靠信号、削弱不确定候选，进展对比校准（PCC）则利用局部进展及同一状态下的备选分支证据消解信用歧义。在 ALFWorld 和 WebShop 上，该方法取得领先表现，并在 ALFWorld 上展现较小的分布内外性能差距。

论文针对视觉潜在推理两阶段训练中的表征失配与探索不足问题提出 Scaffolding Minds。SFT 阶段不再直接依赖通用视觉编码器，而是训练专用 scaffolding encoder，为辅助图像构造与下游任务对齐的潜空间监督目标。RL 阶段同时学习采样分布的均值与方差，在控制策略漂移的同时随机探索多样化的潜在推理轨迹。相较最强潜在推理基线，该方法在 FrozenLake 空间规划上提升 9.5%，在 32×32 地图上的提升扩大至 19%，并在九项视觉推理基准上平均提升 5.2%。

DeltaML-Bench包含48项源自研究论文的任务，要求智能体在异构且存在缺陷的开源仓库中修复训练流程，并在现实算力约束下改进已发表基线。研究评测了GPT-5与Claude Sonnet 4，并比较标准Modular智能体和基于搜索的ARG脚手架。在4×6小时预算下，ARG将GPT-5的单次运行成功率从9.4%提升至33.9%；在2×12小时预算下，成功率达到49.0%。Modular配置的规格博弈率最高达47.9%，而受测ARG配置中未观察到此类行为，表明脚手架设计、算力分配和完整性检查会显著影响自主机器学习实验的效果与可靠性。