2026-10-24 科研追新
当日精选（由提交工具自动创建）。
今日概览
- Agent 训练与系统演化走向可执行闭环：从 Harness 原生端到端强化学习框架 OpenForge RL、可验证真实工作环境 WorkForge，到以合成测试和帕累托优化降低 53% 成本的 HarnessPro，优化对象正由模型扩展到环境、脚手架与交付流程。
- 数据与知识层开始自主迭代：AutoSFT 用多智能体闭环分析短板并优化监督微调数据，EvoOntology 则从执行轨迹识别知识缺口、持续更新业务本体，体现数据飞轮从样本生成向语义资产演化。
- 多智能体规模化的收益与风险同时显现：1946 个 AI 智能体并行分析小鼠脑 CRISPR 图谱 展示大规模科研编排价值，但强模型指导使准确率下降 23.6 个百分点 表明通信协议与接收负担可能抵消群体信息优势。
- 推理模型研究转向训练来源、探索策略与过程忠实性：“Wait”标记来源追踪 质疑部分推理行为由 RL 自主涌现的说法，MOER 通过专家前缀和失败回滚改善探索，CausalCoT 则以因果隔离降低思维链注意力泄漏。
- 真实环境评测暴露 Agent 能力与比较方法的脆弱性：OpenDS-World 中最佳模型在真实开放 Web 深度搜索上仅达 39.0%，而工具增强模型比较中的提示敏感性 显示工具调用差异还会放大评测方差；热点延伸则集中于 Skills 生态、可复用 RGBA 图层编辑及预算感知扩散特征适配。
对当前研究的启发
- AgentTrainEvolve：OpenForge RL 的训练—推理解耦与 WorkForge 的可验证长程环境可组合为面向不同 Harness 的规模化 Agentic RL 数据闭环。
- HarnessEvolve：HarnessPro 证明 Harness 可被自动搜索优化，而工具增强模型比较中的提示敏感性 提醒评测必须同时披露提示措辞、调用频率和脚手架配置。
- DataEvolve：AutoSFT 提供“诊断模型短板—改写训练数据—闭环评测”的自主数据工程范式，可用于研究数据价值评估与迭代坍缩控制。
- AgentEvolve：EvoOntology 可将任务轨迹中的知识缺口沉淀为持续更新的语义层，为冻结参数 Agent 提供跨任务可复用的业务经验。
- SwarmEvolve：1946 个 AI 智能体并行分析小鼠脑 CRISPR 图谱 与通信导致准确率下降 的对照说明，群体扩展应优化通信拓扑、消息表达及接收能力匹配，而非单纯增加智能体和信息量。
- EvolveLRM：“Wait”标记来源追踪、MOER 与 CausalCoT 分别提供行为归因、探索控制和过程忠实性工具，可用于区分真正的 RL 能力增长与训练轨迹模仿。
- ResearchEvolve：Mirendil 与 Recursive 的 RSI 自动研究闭环 和 CRISPR 多智能体分析 表明自主科研已可规模化执行，但仍需实验审计、证据关联与人类判断作为质量闸门。
- EvalEvolve：OpenDS-World 的真实开放 Web 任务及工具调用提示敏感性研究 提示动态评测应同时覆盖环境变化、调用策略方差和跨来源证据质量。
- HumanEvolve：元认知脚手架实验 显示适度增加任务分解与目标设定的“生产性摩擦”能改善知识回忆和迁移，可作为避免 AI 辅助知识工作去技能化的具体交互原则。
⭐ 重点条目 14 条
由当日整备时的 LLM 从全部条目中挑选，完整展开。
OpenForge RL：Harness 原生智能体端到端训练框架
OpenForge RL 通过轻量代理与 Kubernetes 编排器解耦训练和推理，使不同 Harness 与环境中的智能体能够直接开展端到端强化学习训练。
OpenForge RL 使用轻量代理拦截 Harness 的模型调用，将交互自动重建为轨迹，并转换为 veRL 等格式的强化学习样本。Kubernetes 编排器在隔离的云端容器中执行 Rollout，支持弹性扩缩容、资源解耦与超时控制；配套数据合成管线通过任务提议、质量剪枝、环境及验证脚本构建和测试修补循环生成可执行任务。实验覆盖 Claw 文本工具调用和浏览器、桌面 GUI 操作，表明单一 Harness 上的训练可向未见 Harness 泛化，并主要改善自我验证、工具覆盖与多步任务完成能力。OpenForge-Claw 与 OpenForge-GUI 在 ClawEval、OSWorld-Verified、Online-Mind2Web 等基准上优于同规模开放模型，但错误恢复仍是明显短板。
- 无需为强化学习训练重写简化版 Harness，可降低训练系统与实际部署系统之间的行为偏差。
- 轻量调用代理可将现有智能体运行轨迹直接转化为标准训练样本，便于接入不同强化学习后端。
- 基于 Kubernetes 的隔离 Rollout 架构适合大规模并行训练，可缓解推理任务与训练节点之间的资源争用。
- 数据合成与自动验证流程说明，数百至数千个高质量可执行任务也可能获得较强训练收益。
- 后续可重点加强故障诊断、状态恢复和失败轨迹训练，以弥补智能体错误恢复能力不足。
📝 原始笔记（逐字保留）
HarnessPro：无标签多智能体进化将 Agent 成本降低 53%
清华大学与智谱 AI 团队开源 HarnessPro，通过无标签多智能体协同进化、合成测试与帕累托优化，在提升 Agent 任务通过率的同时将单任务成本最高降低 53%。
递归自我改进 智能体脚手架演化 成本优化 多智能体协作 人工智能辅助编程 多智能体系统 SWE 软件工程
HarnessPro 由轨迹诊断、进化规划、代码编辑和测试合成四类 Agent 构成闭环，可依据执行轨迹自动修改并验证 Agent Harness，无需接触官方测试用例或标准答案。测试合成器根据任务描述生成可执行单元测试，使失败案例召回率从 41.7% 提升至 83.3%，缓解 LLM 裁判的乐观偏差。框架将任务性能与执行成本纳入帕累托优化，生成 Lite、Medium 和 Heavy 三档方案；在 SWE-Bench Pro 上，Medium 方案以 79.0% 通过率将单任务成本从 2.68 美元降至 1.26 美元，降幅达 53%。进化后的 Harness 自动形成动态推理路由、工具预算运行时钩子、前缀缓存保护和日志压缩等机制，并在 Terminal-Bench 2、SWE-Bench Pro 与 ProgramBench 上展现性能和成本优势。
- 为无需官方标签的 Agent Harness 递归自我改进提供自动化方案。
- 展示任务性能、Token 成本与运行延迟可通过多目标帕累托优化共同改进，而非以持续增加推理开销换取性能。
- 以合成可执行测试替代单纯的 LLM 主观评判，为无标签环境中的候选验证提供更可靠的反馈信号。
- 动态路由、工具预算钩子、缓存保护和日志压缩可作为生产级 Agent 控制推理成本与无效探索的通用设计。
- Lite、Medium、Heavy 三档帕累托方案便于按部署预算和性能需求选择运行配置。
📝 原始笔记（逐字保留）
WorkForge：规模化构建可验证的真实工作智能体环境
腾讯混元与复旦大学推出WorkForge，通过真实资源构建1.67万个可验证工作环境，并以长程执行轨迹显著提升工作智能体的探索、核查与交付能力。
WorkForge按照场景蓝图、真实资源采集、工作区分析与任务验证、智能体执行四个阶段，规模化生成可验证的专业工作环境。其WorkForge-16K数据集包含16,665个环境，覆盖40个专业领域和60种文件类型，单条执行轨迹平均约需31.8步、33.8次工具调用及7.6万tokens。框架同时采用程序化检查与LLM语义评分，实验表明混合验证比使用单一评分信号更适合筛选训练轨迹。基于这些轨迹训练的WorkForge-A3B和WorkForge-27B在五项工作智能体基准上均获提升，其中WorkForge-27B在GDPval达到82.4分，并展现出更主动的外部探索、证据检索和失败后重新规划行为。
- 为长程工作智能体提供基于真实文件、代码仓库、数据集和网页资源的规模化训练环境构建方案。
- 说明环境真实性、轨迹规模和交互长度均是提升专业工作流执行能力的重要因素。
- 混合程序化验证与语义评分，可形成更可靠的轨迹筛选和过程监督信号。
- 可用于训练能够浏览目录、交叉核验证据、处理异常数据并生成报告、表格或演示文稿的数字员工。
📝 原始笔记（逐字保留）
清华 AutoSFT：多智能体自主优化训练数据
清华大学团队提出 AutoSFT，通过多智能体分析模型短板、优化训练数据并闭环评测，使 AI 能够自主开展监督微调数据工程。
- AutoSFT 将数据质量、失败案例、训练过程及历史实验复盘分配给不同智能体，再由 Meta Agent 决定下一轮优化方案。
- 系统支持数据混合、剪枝、修复、重新监督、合成和排序六类操作，可根据评测反馈自动修改训练数据配方。
- 在 Qwen3-1.7B-Base 实验中，多视角分析将 IFEval 最佳成绩从 60.60 提升至 67.10，另一项数据合成实验则从 78.15 提升至 81.58。
- 该工作展示了从提出假设、设计实验到验证和复盘的自动化研发闭环，但尚未验证在更大规模模型上的效果。
- 为自动化监督微调提供多智能体数据策展框架，减少人工分析训练数据和失败案例的成本。
- 表明数据配方本身可以成为智能体闭环优化对象，而不必局限于超参数搜索或提示优化。
- 可进一步与训练策略优化、智能体脚手架演化结合，构建端到端的自动化模型研发流程。
- 实际应用时需关注不同实验结果的可比性，以及扩展至更大模型后的训练成本与收益。
📝 原始笔记（逐字保留）
多智能体通信可能适得其反：强模型指导使准确率下降23.6个百分点
研究发现，多智能体协作中信息充分并不保证通信有效，消息表达、接收模型能力与协议处理负担可能抵消信息收益，甚至显著降低下一步决策准确率。
多智能体系统 多智能体协作安全 交互成本 工具调用 成本优化
研究指出，满足贝叶斯充分性的压缩消息仍可能因接收模型无法有效吸收信息而导致错误，并将通信效果分解为信息收益与“protocol tax”。同一组Qwen 80B发送端与9B接收端在ContextBench上使准确率提高14.2个百分点，却在ToolSandbox上使准确率下降23.6个百分点，说明通信收益高度依赖任务和接收模型。论文进一步将失败划分为信息未写入、信息未被提取和动作选择错误三个环节，并发现更强的主Agent或更完整的消息不一定改善协作。团队提出无需重新训练的推理时策略，可按步骤选择跳过通信、发送压缩消息、发送原始上下文、更换接收模型或更新共享状态，在部分测试中减少约46%至58%的token消耗。
- 多智能体系统不应只评估消息是否包含必要信息，还应联合评估表达形式、接收模型和动作选择能力。
- 可按“信息外化—信息吸收—动作闭合”的顺序定位协作故障，避免对错误环节盲目补充上下文。
- 在推理时引入按需通信与接收模型路由，可在维持准确率的同时减少无效调用和token成本。
📝 原始笔记（逐字保留）
Mirendil与Recursive发布RSI自动化研究成果
Mirendil与Recursive分别以智能体主导的基座模型训练和自动研究闭环展示递归自我改进潜力，同时凸显人类判断、实验审计与基础能力的重要性。
递归自我改进 自动化科学研究 智能体 模型训练 人工智能辅助编程
Mirendil宣称由一名研究员配合智能体，在3.5个月内完成100B–500B参数编程基座模型Mirendil-Base的训练，智能体承担了超过99%的代码编写、实验执行与故障诊断工作。Recursive发布开放权重的40B编程模型Flint，并以Eureka Machine自动执行“提出想法—实现—测试—决策”的研究循环，探索自动化知识发现。两项发布共同指向“编程能力提升—科研提速—构建更强模型”的递归自我改进闭环。文章同时指出，智能体仍可能受到数据泄漏、实现缺陷、随机性和评测错配影响，因此研究方向选择、结果审计及底层技术判断仍需人类负责。
- 展示智能体可显著压缩基座模型训练所需的人力与研发周期，推动自动化模型开发。
- 为构建“提出假设—运行实验—评估结果—规划下一步”的闭环科研智能体提供案例。
- 提醒研究团队加强数据泄漏检查、实验复现、消融分析和训练故障诊断，避免自动化放大错误。
- 表明研究人员的价值正从重复执行转向问题定义、方向选择、可信评测与结果判断。
📝 原始笔记（逐字保留）
1946个AI智能体并行分析小鼠脑CRISPR图谱
GPT-Rosalind调度1946个智能体并行分析覆盖数百万小鼠脑细胞的CRISPR图谱，在32分钟内生成连接基因干预、细胞变化、文献证据与潜在机制的Reasoning Atlas。
自动化科学研究 多智能体系统 科学发现 生物信息学 科研智能体
OpenAI、PerturbAI与斯克里普斯研究所使用生命科学模型GPT-Rosalind，让1946个智能体分别分析一种基因干预，并检索文献解释相关细胞响应。系统在32分钟内处理覆盖数百万个小鼠脑细胞的CRISPR图谱，将结果汇总为连接基因、细胞变化、文献证据和潜在机制的Reasoning Atlas。分析除复现部分已知结论外，还提出了Tsc1与Tsc2在部分小脑神经元中的差异效应，以及DCTN1可能影响神经元胆固醇分布等待验证假设。生物学专家盲测中，75%的评审偏好分布式智能体报告；该系统一次引用700余篇文献，而单智能体仅引用11篇。
- 展示大规模多智能体并行架构可将组学数据到科学假设的分析周期从数月压缩至分钟级。
- Reasoning Atlas为基因干预、细胞表型、文献证据和机制假设提供可追溯的结构化连接。
- 专家盲测结果表明，任务拆分与文献并行检索能显著提高科研报告的覆盖度与质量。
- 系统提出的生物机制仍需湿实验验证，适合作为假设生成和实验优先级排序工具，而非最终科学结论。
📝 原始笔记（逐字保留）
CausalCoT：通过上下文隔离缓解思维链注意力泄漏
CausalCoT 将问题分解为原子子问题构成的有向无环图，并通过仅保留直接因果父节点的隔离上下文，提高思维链解释的因果忠实性与可干预性。
CausalCoT 针对标准自回归推理中稠密注意力造成的上下文泄漏问题，避免模型直接查找全局信息后再生成事后合理化解释。框架将问题表示为原子子问题组成的有向无环图，每个节点只能在包含其直接因果父节点的隔离上下文中求解。该马尔可夫结构切断了通往非父节点内容的注意力路径，使下游预测更依赖局部推理过程。在多类推理基准上，该方法保持了有竞争力的预测性能，并使中间步骤的因果敏感性平均提升12个百分点、最高提升21个百分点，同时支持局部纠错向下游可预测传播。
- 为检验思维链是否真正驱动最终答案提供结构化推理框架，而非仅依赖表面合理的解释文本。
- 可利用依赖图实施测试时局部干预，观察纠错如何沿因果链传播并定位错误节点。
- 上下文隔离机制可用于构建更忠实、可审计的推理系统，并降低全局信息泄漏带来的捷径推理。
📝 原始笔记（逐字保留）
工具增强模型比较中的提示敏感性
研究发现，工具调用虽能提升部分问答任务的准确率，却可能因调用频率受问题措辞影响而放大模型间比较结果的提示敏感性与排名不稳定性。
模型评估 提示敏感性 工具调用 评估方差 人工智能可靠性 评估透明度
论文提出匹配式评测协议，将工具增强问答拆分为答案读取、推理、调用决策、工具返回及未调用时的报告等环节，以定位敏感性来源。作者在五个领域、五种问题措辞下评估六个开放模型，发现当程序能够直接解题时，使用工具可提高准确率。与此同时，许多模型两两比较的排名对措辞变化更加敏感，且敏感性的扩大与工具调用频率密切相关。原生工具调用接口、工具说明和返回结果类型均会影响波动，因此确定性的工具输出也不能保证模型比较稳定。
- 评测工具增强模型时，不应只报告单一措辞下的准确率，还应测试多种改写下的排名变化与比较稳定性。
- 建议同步披露不同措辞下的工具调用频率，以区分性能波动来自推理能力还是调用决策变化。
- 可通过匹配式协议隔离答案读取、推理、调用决策、工具输出与结果报告等环节，诊断提示敏感性的具体来源。
- 工具接口、说明文本和返回结果类型会影响评测结论，设计基准时应将其纳入受控变量，以提高构念效度与透明度。
📝 原始笔记（逐字保留）
推理模型中“Wait”标记的训练来源追踪
研究通过追踪开放模型的训练历史发现，推理过程中的“wait”标记通常继承自中期训练或推理轨迹微调数据，而非由强化学习自主发明。
研究利用词频、位置、形式、用法等无标签指标及注入错误测试，追踪开放推理模型输出中“wait”标记的来源。实验表明，基础模型未使用该词时，RL 即使显著提升 MATH-500 准确率，也几乎不会自行产生该标记；它主要由 OLMo-3 的中期训练或推理轨迹微调引入。若基础模型已使用“wait”，不同强化学习方案会产生不同影响：部分 RL-Zero 配方会放大其频率，KL-free GRPO 则未必如此，甚至可能擦除微调植入的标记。研究还指出，单独统计标记频率不能证明模型获得了 RL 驱动的推理能力，LLM-as-a-judge 对修正行为的评估也可能与人工标注趋势相反。
- 区分强化学习真正习得的推理行为与训练数据继承的表面语言模式。
- 提醒研究者不要将“wait”等思维链标记的出现频率直接视为推理能力或自我修正能力的证据。
- 为分析中期训练、监督微调与不同 RL 配方对推理轨迹的影响提供无标签诊断指标。
- 强调使用人工标注校验 LLM-as-a-judge，避免自动评判造成趋势反转。
📝 原始笔记（逐字保留）
MOER：专家前缀引导与选择性回滚的混合策略优化
MOER通过递减专家思维链前缀、失败轨迹选择性回滚及混合训练目标，在保证离策略轨迹正确性的同时增强模型自主探索与推理能力。
MOER将离策略专家数据引入强化学习循环，以突破纯在策略强化学习的能力边界。该框架向提示中注入逐步缩短的专家思维链前缀，由模型完成后续推理，从而逐渐提高自主探索比例。对于失败的续写，选择性回滚机制使用原始完整专家轨迹替换，以保证每条离策略训练轨迹的正确性。训练目标对在策略词元采用GRPO损失，并以信赖域SFT损失监督专家前缀及续写词元；实验显示其在数学和通用推理任务上优于多种在策略及混合策略基线。
- 为专家示范与模型自主探索之间的权衡提供可逐步退火的训练方案。
- 通过选择性回滚控制错误离策略轨迹带来的训练崩溃风险。
- 将GRPO与信赖域SFT结合，为混合策略强化学习提供更稳定的优化目标。
- 可用于提升不同规模和基础类别模型的数学及通用推理能力。
📝 原始笔记（逐字保留）
EvoOntology：Data Agent 自动构建持续进化的本体层
EvoOntology 在 Data Agent 与底层数据之间引入可持续进化的本体层，通过分析任务执行轨迹、识别知识缺口并验证更新，使智能体逐步掌握 schema 之外的业务语义。
EvoOntology 面向真实数据环境中 schema 无法覆盖指标定义、字段关系、取值含义和隐式使用规则的问题，引入可持续演化的 Ontology Layer。系统首先结合数据与任务自动构建初始本体，再收集 Data Agent 实际执行任务时产生的成功和失败轨迹。它从这些轨迹中定位知识缺口、生成候选修改，并在验证后更新本体。与一次性建设固定语义层不同，该方案让知识结构伴随任务和数据变化持续演进。
- 减少 Data Agent 对人工整理和维护业务语义知识的依赖。
- 将成功与失败执行轨迹转化为可复用、可验证的本体知识。
- 为动态数据环境中的语义层维护提供闭环自进化机制。
- 启发智能体通过外部知识结构沉淀经验，而非仅依赖上下文或参数更新。
📝 原始笔记（逐字保留）
OpenDS-World：真实 Web 环境中的深度搜索评测
OpenDS-World 通过200项真实开放 Web 任务评测智能体跨来源检索、浏览器交互、证据整合与长程搜索能力，最佳前沿模型准确率仅为39.0%。
论文提出 OpenDS 任务，要求智能体在实时开放 Web 中自主搜索、访问并连接多个独立来源的证据，最终确定唯一事实答案。团队构建了包含200项高难度任务的 OpenDS-World 基准，覆盖多种信息模态、异构文件格式及交互式访问机制，并通过独立人工核验保证证据有效性与答案唯一性。研究在统一工具环境和执行协议下评测了12个前沿模型，其中最佳模型准确率为39.0%，而1,000次独立人工尝试的准确率为21.1%。工具使用、搜索成本、停止行为和失败恢复分析表明，不同模型的搜索策略差异明显，工具协调与长程搜索管理仍是主要瓶颈。
- 为真实开放 Web 上的深度研究智能体提供统一、可复现的端到端评测框架。
- 可用于诊断工具协调、证据整合、停止策略与失败恢复等关键能力缺陷。
- 提示后续智能体训练应重点优化长程搜索管理、跨来源证据连接和交互式信息访问能力。
📝 原始笔记（逐字保留）
元认知脚手架以“生产性摩擦”提升 AI 辅助知识工作
随机实验表明，动态生成的目标设定与任务分解脚手架虽增加主观认知负担、降低易用性感知，却能提升 AI 辅助写作质量、知识回忆及无脚手架情境下的提示能力迁移。
人在回路 提示工程 以人为本的人工智能 人工智能应用 能力迁移
研究对 297 名知识工作者开展随机组间实验，共收集 594 篇 AI 辅助写作文章，以测试动态元认知脚手架的效果。脚手架通过引导目标明确和任务分解提升写作质量，且在移除脚手架后的短期迁移任务中仍保持增益。参与者三天后的主题回忆有所改善，其提示 AI 的方式也在接触脚手架后发生变化。尽管脚手架组认为 AI 帮助更小、更不易用且认知负担更高，但实际表现更好，说明适度的“生产性摩擦”可能比单纯追求主观流畅性更有利于学习与绩效。
- 为 AI 辅助写作和知识工作系统引入目标设定、任务分解等动态元认知支持提供实验依据。
- 提醒产品评估不能只依赖有用性、易用性等主观指标，还应衡量任务质量、知识保持和能力迁移。
- 可将适度认知负担设计为促进用户主动规划、评估和编排 AI、减少被动依赖的“生产性摩擦”。
- 可用于设计在用户形成稳定技能后逐步撤除的自适应脚手架，以促进提示策略学习与独立能力迁移。
📝 原始笔记（逐字保留）
🔬 相关条目 12 条 · 按研究项目分组
点击标题展开完整内容；同子主题 3 条以上合并为专题卡。
EvolveLRM1 条
★2 单人训练大模型，EvolveLRM 指标挑战 K3V4 文章介绍 EvolveLRM 如何尝试以单人可承担的训练流程和资源成本训练大模型，并在指标上挑战 K3V4。
文章聚焦 EvolveLRM 的低门槛大模型训练实践，强调单人完成训练的可能性。其核心看点是在有限人力与资源条件下取得可与 K3V4 对比的指标表现。由于链接正文未能正常读取，具体训练方案、实验设置及指标数据尚无法确认。
- 关注低人力、低成本大模型训练流程的工程可行性。
- 为评估自演化训练能否降低团队与算力门槛提供案例。
- 后续需核验完整实验配置、对比基线和指标口径。
📝 原始笔记（逐字保留）
HarnessEvolve1 条
★2 从 Harness 到 Loop：Agent 的可靠交付与持续进化 业界实践表明，生产级 Agent 需从完成任务的静态 Harness 升级为覆盖问题发现、归因、修复、验证和发布的持续反馈 Loop，同时保留人工决策与验收环节。
- Harness 负责连接 MCP、子智能体和执行工具以完成任务，Loop 则利用线上反馈持续发现并修复问题，使 Agent 越来越适配具体业务。
- 生产故障通常来自 Harness、底座模型和数据三类问题；可将发现、归因、工单路由、修复、自动评测及灰度发布串成闭环。
- 模型决定能力上限，工程体系决定交付下限；代码生成率并不能代表生产力，更应关注端到端交付周期、一次通过率和线上事故率。
- 当前主要瓶颈包括组织上下文缺失、需求澄清不足、复杂结果难以验证、并发环境冲突，以及多模态和真机验收的不确定性。
- Loop 可以自动化执行，但方案取舍和最终验收仍需人在回路，以保障安全性、稳定性与业务价值。
- 为生产级 Agent 设计“发现—归因—修复—评测—发布”的持续反馈闭环。
- 将自动化评测、轨迹级可观测性、安全沙箱、权限控制和灰度发布纳入 Harness 基础设施。
- 用交付周期、一次通过率和事故率替代单一代码生成率，衡量 Agent 的真实业务价值。
- 明确自动执行与人工决策的边界，避免 Agent 自我验证流于形式或将风险直接带入线上。
- 建设可被 Agent 访问的代码、文档、会议记录和历史决策体系，补足组织上下文。
📝 原始笔记（逐字保留）
PersonalEvolve1 条
★2 Personal AI 入口争夺：巨头押注与超级 App 权限壁垒 国内 Personal AI 竞争正从模型能力转向用户关系、长期记忆、服务连接与应用操作权限的综合较量，超级 App 生态成为决定个人智能体落地的关键壁垒。
- 国内 Personal Agent 赛道迅速拥挤，阿里、腾讯、字节跳动、阶跃星辰和 Today AI 分别押注交易闭环、社交连接、系统权限、软硬件一体化及跨平台上下文。
- Personal AI 的价值既包括激活因办理成本过高而被放弃的增量需求，也包括替代用户在订票、购物、预约等场景中的既有操作路径。
- 当需求入口与服务交付平台分离后，竞争焦点将由 App 流量转向需求理解、服务编排和执行路径控制，平台的广告、佣金及用户关系可能被重新分配。
- 国内超级 App 对自动化操作和接口开放较为谨慎，第三方智能体因此面临权限、风控与生态兼容性限制，平台也陷入开放新入口与保护既有商业模式的两难。
- 用于判断 Personal AI 的核心竞争壁垒已从基础模型能力迁移至长期用户关系、服务生态和执行权限。
- 为个人智能体产品选型提供参考：GUI 自动化覆盖面广但容易触发平台风控，API 合作更稳定但依赖生态开放。
- 提示关注需求入口与履约平台分离后，广告、佣金、流量分发及支付网关的价值重构。
- 可将应用权限、身份授权、支付确认和跨平台 Connector 覆盖率纳入 Personal Agent 的产品及投资评估框架。
📝 原始笔记（逐字保留）
NewApply1 条
★2 DeepSeek 智能体涌入 B 站评论区，引发自动互动与治理争议 DeepSeek Harness 插件让智能体自动检索、理解和评论 B 站视频，在提升信息获取效率的同时造成评论刷屏、身份识别和社区治理问题。
DeepSeek Harness 是支持工具调用和任务执行的智能体运行环境，开源插件 dsh-bili-scroll 可自动搜索 B 站视频、读取字幕、评估内容并生成 Markdown 日报。用户授权账号后，智能体还可按预设人设发表评论、回复及发送私信，并通过定时任务在优惠计费时段运行。大量采用“大肥鱼”人设的智能体集中进入评论区后，产生了重复内容、机器身份模糊和信息噪声等问题。开发者随后推出 dafeiyu-cleaner 浏览器插件，通过账号与文本特征在本地识别并隐藏相关评论，形成智能体自动发布与自动治理并存的现象。
- 展示智能体从内容检索、理解到发布和互动的端到端网络操作能力。
- 提醒平台为自动化账号建立身份标识、频率限制、授权审计与反滥用机制。
- 说明个人层面的效率优化可能转化为社区层面的信息噪声和治理成本。
- 可作为研究智能体身份披露、工具权限控制及人机内容生态的现实案例。
📝 原始笔记（逐字保留）
Awesome-RSI1 条
★2 中国特色的RSI：中美递归式自我改进路径差异 文章认为中国的递归式自我改进目前主要是由企业融资、研发自动化和算力约束驱动的自下而上商业趋势，而非国家主导的地缘政治竞赛。
递归自我改进 自演化 自动化科学研究 人工智能安全治理 评估透明度
中国企业近期开始以RSI统一描述此前称为“自我进化”“自主学习”或“AI训练AI”的实践，但各家公司对其内涵仍缺乏一致定义。相关布局主要聚焦自动生成数据、改进代码与基础设施、构建强化学习环境及利用反馈循环持续优化系统，商业融资和缓解算力约束是重要驱动力。中国政策层面仅初步将RSI视为需要警惕的潜在趋势，治理讨论强调递归能力分级、权力分离、外部监督与人类最终控制。MiniMax、小米、Z.ai和Moonshot等企业披露了较具体的研发自动化流程与效果，显示中国企业在AI参与研发方面具有一定透明度。总体而言，公开证据尚不支持中国正在国家层面竞逐率先实现RSI的判断。
- 区分RSI作为技术实践、融资叙事与“智能爆炸”设想，避免将不同含义混为一谈。
- 推动中美研究机构建立可比较的RSI术语、研发自动化披露指标和透明度标准。
- 为递归能力分级治理提供参考，重点约束研究、评估、资源和部署权限集中于单一系统。
- 关注AI研发自动化对国产算力适配、数据合成、实验执行和系统效率优化的现实价值。
- 要求能力进步同步匹配安全对齐、过程监督和人类最终决策机制。
📝 原始笔记（逐字保留）
NewModel4 条
★2 WeVisOne-VL：统一物体级与像素级视觉感知 WeVisOne-VL以结构化下一词元预测统一目标检测、指代定位、OCR、分割和抠图等物体级与像素级视觉任务，并在30余项基准上取得领先表现。
WeVisOne-VL（WeChat Vision All-in-One）旨在解决现有视觉语言模型在细粒度视觉感知上的可靠性不足。模型通过特殊的 <OBJ> 词元将轻量级像素解码器接入视觉语言架构，可按点、边界框、掩码和 Alpha 蒙版等不同粒度输出定位结果。训练采用三阶段课程式监督微调，随后进行多任务混合强化学习，覆盖目标检测、计数、OCR、指代定位、分割和抠图等任务。在30余项基准上，该模型在物体级和像素级任务中表现领先，同时能够稳健拒绝针对不存在物体的查询。
- 为构建统一视觉感知系统提供从离散物体定位到像素级预测的一体化架构。
- 展示特殊视觉词元与轻量级像素解码器结合的多粒度输出方案，可用于检测、分割和图像编辑工具链。
- 其课程式监督微调与混合任务强化学习流程可为多视觉任务联合训练提供参考。
- 对不存在物体查询的拒绝能力有助于提升真实场景中视觉感知结果的可靠性。
📝 原始笔记（逐字保留）
★2 FAPL：让 MLLM 潜变量驱动电影级视频生成 FAPL 通过潜变量生成对齐、因子跨度替换和预测学习，使 MLLM 表征可有效控制电影级视频的角色、场景、动作、镜头与时序生成。
FAPL 将有效利用 MLLM 潜变量设为电影级视频生成的共同前提，避免视频扩散 Transformer 通过原生条件通路绕过多模态表征。第一阶段冻结 MLLM 与连接器，仅训练 DiT，使生成器建立对潜变量的依赖。第二阶段利用配对视频和因子跨度替换，实现角色、场景、动作或镜头等目标因子的改变，同时保持非目标因素稳定。第三阶段冻结 DiT，并通过生成器反向优化 MLLM 与连接器，使有限输入获得兼容视频生成的时序预测能力；实验覆盖稀疏输入到视频、因子感知编辑和多镜头生成三项任务。
- 为稀疏条件下的长时序视频补全提供可训练的预测表征方案。
- 支持角色、场景、动作和镜头等电影要素的解耦控制与协调编辑。
- 揭示仅接入 MLLM 特征并不能保证生成器实际使用它们，需要通过潜变量专属训练路径建立有效对齐。
- 可为多镜头叙事生成和可控视频编辑系统设计分阶段训练流程。
📝 原始笔记（逐字保留）
★2 GAFU：解锁统一多模态模型的细粒度视觉理解 GAFU 将统一多模态模型生成侧的视觉表征压缩为紧凑令牌并供理解路径按任务检索，显著提升细粒度属性与空间关系辨别能力。
研究发现，统一多模态模型的生成侧表征对细粒度语义变化更敏感，能够捕获理解侧表征遗漏的任务相关差异。该优势依赖正确的空间组织，说明生成路径保留了与理解路径互补的丰富视觉信息。作者提出后训练框架 GAFU，将生成侧视觉表征压缩为紧凑的 G tokens，并允许理解路径根据任务进行检索。使用相同训练数据时，GAFU 持续优于 SFT 基线，在 VStar-Bench、OmniSpatial 和 VSR-Bench 上最高相对提升分别为 20.00%、17.94% 和 8.62%。
- 为统一多模态模型融合生成与理解能力提供无需显式生成的后训练方案。
- 表明生成侧原生表征可作为细粒度视觉理解的重要补充信息源。
- 可用于改善局部属性辨别、空间关系推理及视觉指代等高精度任务。
- 提示后续模型设计应重视生成路径中的空间结构保持与任务条件检索。
📝 原始笔记（逐字保留）
★2 Meta Expert：跨层专家共享提升 MoE 存储与检索效率 Meta Expert 通过跨层共享专家消除 MoE 的参数冗余，仅使用 Vanilla MoE 约 70%～80% 的专家即可达到相当性能，并改善信息存储与检索效率。
论文指出，主流分层 MoE 中不同层的局部专家彼此独立，但其存储内容存在显著相似性和冗余。作者提出跨层共享的 Meta Expert，并从多个维度与传统 Local Expert 进行实证比较。实验显示，在激活专家数量和专家粒度不变时，该架构仅需 Vanilla MoE 约 70%～80% 的专家即可匹配其性能，同时获得更低的交叉熵损失和更高的下游任务准确率。理论分析进一步表明，Meta Expert 可为隐藏状态提供更灵活的残差路径，从而提高信息检索效率。
- 为大规模稀疏 MoE 提供跨层参数复用方案，降低专家存储开销与参数冗余。
- 在保持激活计算量和专家粒度不变的情况下减少所需专家总数，提升扩展效率。
- 表明专家共享不仅能压缩参数，还可通过更灵活的残差路径改善信息检索与下游性能。
- 可为存储受限或需要高效部署的 MoE 架构设计提供参考。
📝 原始笔记（逐字保留）
MemoryEvolve1 条
★2 Deep Fusion Memory：分块级参数化记忆 Deep Fusion Memory通过分块级记忆预测与门控交叉注意力将外部知识深度融合进隐藏状态，在冻结主干模型且无需在线检索的情况下显著提升问答和领域适应性能。
Deep Fusion Memory（DFM）是一种分块级参数化记忆架构，由因果记忆预测器根据前序上下文生成记忆，并以语料库检索得到的分块嵌入作为监督信号。预测记忆由同一分块内的词元共享，再通过门控交叉注意力融合至中间隐藏状态；训练时冻结主干模型，推理时不需要显式检索。相比构造词元级记忆目标的既有方案，DFM将训练数据构造所需的检索查询和检索条目分别减少至原来的 1/32 和 1/2048。在六项问答任务上，DFM相对最强基线在 Mistral-7B-v0.3 和 Qwen3-8B-Base 上分别提升 12.71% 和 11.19%，并在领域适应中取得稳定增益。
- 为外部知识注入提供一种无需在线检索的参数化记忆方案，可降低推理延迟与检索基础设施开销。
- 分块级监督大幅减少离线训练数据构造成本，适合扩展到大规模知识语料。
- 冻结主干并在隐藏状态中进行深层记忆融合，可用于低干扰的领域适应，并缓解持续预训练带来的灾难性遗忘风险。
- 共享分块记忆的设计为长上下文建模和知识密集型问答提供了更高效的状态表征方式。
📝 原始笔记（逐字保留）
RobotEvolve2 条
★2 LaLa-World：以自然语言动作扩展潜在世界模型 LaLa-World 将数值动作与视觉变化统一表述为自然语言，使单一潜在世界模型能够跨仿真、机器人、图像和视频数据训练，并以更低成本支持规划与策略微调。
LaLa-World 采用语言条件接口，将异构数据中的数值动作和视觉变化统一转换为自然语言描述，从而联合训练单一未来状态预测器。其预测器建立在语言模型之上，在理解动作条件的同时预测未来潜在视觉状态，可用于基于想象的 MPC 规划。加入通用图像和视频数据后，模型的平均规划性能以及对不同动作措辞的鲁棒性进一步提升。与 RAEv2 视频生成基线相比，该方法以约 6 倍更低的训练成本实现相近规划性能，规划速度提高 13.9 倍；微调得到的 LaLa-Policy 在 LIBERO 和 RoboCasa 上表现具有竞争力，推理速度最高提升 5.5 倍。
- 展示自然语言可作为跨机器人任务与数据域的统一动作接口，缓解动作空间和数据格式不一致问题。
- 证明潜在状态预测相比完整视频生成更适合高效率的想象规划，可显著降低训练与推理成本。
- 为利用大规模图像和视频数据增强机器人世界模型提供路径，并可将预训练预测器迁移至下游策略学习。
- 提示未来可进一步研究动作语言表述的标准化、歧义控制及跨具身平台泛化。
📝 原始笔记（逐字保留）
★2 FRED：面向世界动作模型的自蒸馏未来视频表征 FRED通过时序上下文自蒸馏，让世界动作模型在单步去噪中学习高质量未来视频表征，显著提升长程操控、零样本环境泛化与人到机器人技能迁移能力。
FRED以真实未来观测提取的表征为蒸馏目标，训练视频模型从噪声中经单步去噪预测未来表征。模型额外利用历史观测作为时序上下文，以增强对未来状态及动作相关信息的建模。该设计允许动作解码器直接使用中间表征，避免视频生成所需的多轮迭代去噪，从而兼顾表征质量与推理效率。在多种真实机器人操控场景中，FRED优于其他世界动作模型，尤其在长程任务和分布外零样本泛化上增益明显；对于仅在人类视频中演示、未包含于机器人训练数据的任务，成功率达到50.0%，而最佳基线为19.4%。
- 为基于视频扩散模型的机器人策略提供高效的单步未来表征学习方案。
- 表明以真实未来观测表征进行自蒸馏，可在不执行完整视频生成的情况下改善动作预测。
- 历史观测提供的时序上下文有助于提升长程任务和分布外环境中的泛化能力。
- 可用于加强从人类视频到机器人策略的零样本技能迁移。
📝 原始笔记（逐字保留）
🔥 热点延伸 3 条 · 当日热门但非主要研究方向，仍有启发
这些条目相关性判定为 0~1 分，是有意收录的当日热点；不进入重点与研究项目分组，点击标题展开。
★1 Skills 生态迎来重大变化 文章关注日常使用的 Skills 所发生的重要变化及其对智能体工具生态与基础设施的潜在影响。
- 文章聚焦 Skills 生态近期出现的一项重大变化。
- 该变化可能涉及技能的开发、分发、调用或生态兼容方式。
- 从 InfraEvolve 视角看，其核心价值在于推动智能体能力组件与底层基础设施持续演化。
- 跟踪 Skills 生态及智能体工具基础设施的最新动态。
- 评估相关变化对技能复用、工具集成与插件兼容性的影响。
- 为智能体技能库和运行框架的后续选型提供参考。
📝 原始笔记（逐字保留）
★0 Policy-Mask：扩散特征的预算感知判别适配 Policy-Mask通过预算条件策略联合选择冻结扩散模型的时间步、网络块和特征通道，在受限维度下提升分割、分类与语义对应任务表现。
Policy-Mask面向冻结扩散模型的判别特征提取，解决有效信号分散于去噪时间步、网络深度和通道维度的问题。该方法依据给定通道预算，联合学习时间步、网络块与通道子集的选择策略，并按子集大小归一化通道得分以稳定三个策略头的联合训练。在相同预算下，它优于固定提取和特征过滤基线，在ADE20K、CIFAR-100和SPair-71k上分别达到38.9 mIoU、75.4% top-1和76.3 PCK@0.1。消融实验表明网络块选择显著影响精度，256个保留通道是较优的紧凑表示工作点；该方法还可适配PixArt-Σ和SD3.5 MMDiT等扩散Transformer。
- 为冻结扩散模型迁移到判别任务提供统一、可学习的特征选择机制，减少人工设定提取位置。
- 可根据计算或存储预算动态选择紧凑表示，适用于资源受限的视觉系统。
- 表明时间步、网络块和通道应联合优化，单独搜索时间步可能遗漏关键性能因素。
- 通道得分的基数归一化可用于稳定多决策头之间的联合训练。
📝 原始笔记（逐字保留）
★1 LayerEditor：将图像编辑为可复用 RGBA 图层 LayerEditor 通过上下文 RGB-Alpha Token 建模与组合式编辑先验蒸馏，在保持编辑质量的同时生成可独立操控和复用的有序 RGBA 图层。
LayerEditor 将指令驱动的图像编辑与可复用 RGBA 图层生成统一在一个框架中，解决传统编辑结果扁平化、难以局部调整和复用的问题。其 In-Context RGB-Alpha Token Modeling 在单一词元序列中联合表示编辑后的画布及有序 RGB-Alpha 图层，从而支持语义编辑与图层级控制。组合式编辑先验蒸馏同时约束编辑画布和预测图层的合成结果，以保留预训练编辑能力。作者还构建了包含有序 RGBA 图层标注的 LayerEditor-100K 配对数据集及专用评测基准，实验显示该方法兼顾编辑保真度、图层准确性和多层分解能力。
- 为图像编辑系统提供结构化、非破坏性的图层输出，便于后续局部修改、重组与素材复用。
- 展示如何通过蒸馏将预训练编辑先验迁移到新的结构化输出空间，降低适配过程中的能力退化。
- LayerEditor-100K 与分层编辑基准可用于训练和评估图层生成、透明度预测及多层分解能力。