LLM-DailyDigest
LLM-DailyDigest

2026-10-29 科研追新

LLM-DailyDigest
  采集 10-27 14:14 ~ 10-29 10:12  约 1700 字 预计阅读 4 分钟 

当日精选（由提交工具自动创建）。

今日概览

对当前研究的启发

由当日整备时的 LLM 从全部条目中挑选，完整展开。

The Trinity：能力驱动的多模态智能体递归自我改进

The Trinity 通过 Creator、Explorer 与 Evolver 三角色协同生成可验证环境、构建能力树并演化可复用 Harness，使多模态智能体在训练及未见任务上实现持续能力提升。

★ 3 子主题：递归自我改进 Hugging Face Papers  AgentEvolve HarnessEvolve EnvironmentEvolve GeneralizeEvolve Awesome-RSI SystemEvolve AgentTrainEvolve

 递归自我改进 智能体脚手架演化 环境合成 多模态 能力迁移

The Trinity 将世界生成与 Harness 演化耦合，通过 Creator、Explorer 和 Evolver 构成递归式自我改进闭环。Evolver 根据已验证的执行轨迹，将按任务表象组织的任务树重构为按共享需求组织的层次化能力树。Capability-Driven Real2Sim2Real 从同一能力节点的异构任务中抽象共同要求，创建简化且可验证的模拟环境进行能力学习，再以原始任务评估迁移效果。Explorer 通过选择性继承逐步演化可复用能力模块，并由 Capability-Aware Harness Router 按公开任务信息选择兼容配置；最终在 28 个训练基准和 18 个未见基准上分别平均提升 34 分和 26 分。

用途与启示
  • 为多模态智能体提供环境生成、能力学习、脚手架演化与任务路由一体化的自改进框架。
  • 以能力树替代表面任务分类，有助于发现跨模态、跨任务可复用的底层能力并提升迁移泛化。
  • 利用可验证执行轨迹约束环境和 Harness 更新，可降低人工迭代成本并积累可靠改进。
  • 能力感知路由展示了从模块化能力库中动态组合智能体配置的可行路径。
📝 原始笔记（逐字保留）
[三位一体：面向多模态智能体、由能力驱动的递归式自我改进（312 ▲）](https://huggingface.co/papers/2610.36077?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)

OpenAI 发布 GPT-6.1 Terra：电脑操作能力比肩 Astra，成本降至十分之一

OpenAI 发布面向电脑操作与日常工作的 GPT-6.1 Terra，以约 GPT-6 Astra 十分之一的单 Token 成本提供接近旗舰水平的视觉理解、桌面操作与编程能力。

★ 3 子主题：模型发布 机器之心  NewModel NewApply ResearchEvolve

 模型开发 智能体 成本优化 视觉推理 人工智能可靠性 人工智能辅助编程 图形用户界面智能体 模型评估 自动化科学研究 多模态

GPT-6.1 Terra 定位于高频办公和专业任务执行，可处理文档与表格、图纸和发票解读、跨软件操作、视频与三维内容制作及科研编程等任务。其在 Agents’ Last Exam、MMMU-Pro、OSWorld 2.1 和 Terminal-Bench 4.0 等评测中较 GPT-5.6 Terra 明显提升，Terminal-Bench 4.0 最高解决率达到 50.3%，事实错误率最低为 4.3%。标准 API 定价为输入、缓存输入和输出每百万 Token 分别 1 美元、0.05 美元和 5 美元，较上一代成本更低，但高难推理与综合任务质量仍可能不及 Astra、Sol 等更强型号。模型已接入 ChatGPT Work、Codex 和 OpenAI API，模型 ID 为 gpt-6.1-terra，同时改善了授权边界遵循和提示注入防护。

用途与启示
  • 为表单填写、发票录入、文档处理和跨软件工作流等高频桌面自动化任务提供更具性价比的基础模型。
  • 模型选型应综合评估任务成功率、执行速度、Token 效率和最终交付质量，而非仅比较基准分数。
  • 可采用分层路由策略，将常规执行任务交给 Terra，并把复杂软件工程、科研或深度推理任务升级至 Sol、Astra 等更强模型。
  • 部署涉及桌面控制、企业数据或网络操作的智能体时，仍需配置权限隔离、执行验证和提示注入防护。
📝 原始笔记（逐字保留）
NewModel | 刚刚，GPT-6.1 Terra发布！电脑操作比肩Astra，成本仅其1/10 https://mp.weixin.qq.com/s/w3jWPCkJyM4OtjY5mF22LA [合并自 2026-10-29 gpt-6-1-terra-astra] 标题：GPT-6.1 Terra首批网友实测来了！1折价格获得Astra级电脑操作能力 来源：量子位（微信公众号） 链接：https://www.qbitai.com/2026/10/505719.html 摘要：同一天，OpenAI还甩出3项AI科学新发现 [合并自 2026-10-29 openai-gpt-6-1-terra] 标题：OpenAI 推出高效执行型大模型 GPT-6.1 Terra 来源：AI工具集日报（ai-bot.cn） 链接：https://mp.weixin.qq.com/s/FBBzWGtSyWv_ZjP2bfW0Gw 摘要：（信源：APPSO）OpenAI推出GPT-6.1 Terra，主打低成本、高速度和AI Agent办公。GPT-6.1 Terra提升了视觉理解、电脑操作、事实准确率与编程能力，可处理图纸、发票、桌面软件及科研任务。标准API价格较上代降低50%，输入、输出每百万Token分别为1美元和5美元，已接入ChatGPT Work和Codex。

数十个 AI Agent 24 天形式化有限单群分类定理

Axiom Math 组织数十个 AI Agent，在 24 天内将横跨 500 多篇论文、约 1.5 万页的有限单群分类定理转化为约 4310 万行可由 Lean 检查的证明代码，并发现历史论证漏洞、参与构造新群论结果。

★ 3 子主题：形式化证明 机器之心  SwarmEvolve LogicEvolve ResearchEvolve

 形式化验证 多智能体协作 自动定理证明 智能体 数学人工智能 多智能体系统 执行验证

Axiom Math 使用 AxiomProver 协调数十个 AI Agent，将有限单群分类证明拆解为约 380 项任务，生成约 4310 万行 Lean 代码和 205 万个形式化声明。系统通过任务认领、递归拆解、证明生成、代码整合与并行验证推进工程，并利用共享构建缓存缓解大规模依赖重检问题。形式化过程发现 34 处值得关注的文献偏差，包括 John Walter 1986 年不平衡群定理论证中的闭包漏洞。Agent 还构造并形式化了“Preservation of simple tops”这一新群论结果；最终证明不含 sorry，可由 Lean 内核基于标准公理逐步检查。相关成果与规模目前亦见于社交媒体转述，仍需结合公开代码仓库、技术论文、证明依赖及差异清单进一步核验。

用途与启示
  • 展示多智能体系统承担超大规模数学证明任务拆解、依赖追踪、形式化编码与协作验证的能力。
  • 说明形式化验证不仅能检查推导是否合法，还能用于数学文献审计，暴露遗漏条件、错误等式和隐含前提。
  • 为长程科研智能体提供工程经验：需细化任务粒度、明确目标命题，并结合共享缓存、并行验证和依赖管理。
  • 将跨越数十年的数学知识转化为可检查、可维护、可复用的结构化证明资产。
  • 在复用相关结论前，应进一步核验公开代码、证明依赖、差异清单及技术论文。
📝 原始笔记（逐字保留）
标题：数十agent，24天挑战数学界巨型工程，还揪出40年前漏洞 来源：机器之心（微信公众号） 链接：http://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651070650&idx=2&sn=1bcc855c11892d70536a6e07fd15c06c&chksm=8578e34715c806f4a747724af855bb250c31eb977d73b32e937e0c21d644ad0ce303c97c09e9&scene=0&xtrack=1#rd 摘要： [合并自 2026-10-29 axiom] 标题：Axiom 智能体集群用 24 天完成有限单群分类定理的机器验证 来源：AIHOT 每日精选（aihot.virxact.com） 链接：https://aihot.news/items/o5s4s2z9njz29hgd7im06gzrf 摘要：（信源：x.com）作者称 Verified AI 迎来标志性月份，Axiom 的 AI 智能体集群用 24 天完成数学史上最长证明的验证，将跨越 500 多篇论文的 15,000 页有限单群分类定理（CFSG）转化为 3800 万行以上机器验证代码，并发现已发表记录中的 34 处严重出入。引用内容补充称该形式化证明可能是最大的开源项目之一，图中显示 Axiom CFSG 达 43.0M 行，约每 37 天翻倍。

ForgeKernel 登顶华为与英伟达算子评测榜

面壁智能的自进化算子生成系统 ForgeKernel 同时登顶华为 CANNBench 三项硬件榜单及英伟达 SOL-ExecBench，验证了跨硬件自动生成与优化高性能算子的能力。

★ 3 子主题：系统优化 面壁智能  CodeEvolve SystemEvolve RSI创业 InfraEvolve

 系统优化 自演化 异构计算 成本优化 智能体

ForgeKernel 在华为 CANNBench 950DT、950PR、A3 榜单以及英伟达 SOL-ExecBench 上均排名第一，实现同一套通用系统覆盖不同硬件路线。其在三项 CANNBench 测试中的基准加速比分别达到 1.523×、1.886× 和 1.894×，SOL-ExecBench 得分为 0.814101。系统不依赖固定优化流程，而是由模型结合经典实现和专业知识进行架构设计，并通过持续迭代改进算子实现。迭代过程中积累的算子经验与硬件知识可被长期复用，从而缩短新芯片的算子适配周期并降低算力部署成本。

用途与启示
  • 展示自进化智能体在底层算子生成和性能优化中的工程可行性。
  • 为国产新芯片快速补齐高性能算子生态提供自动化路径，缩短硬件上市后的适配空窗期。
  • 说明跨硬件复用的算子优化系统有望减少人工调优投入，并提升算力利用率。
  • 为“AI 制造 AI”的 RSI 工程体系提供可量化的榜单验证。
📝 原始笔记（逐字保留）
https://mp.weixin.qq.com/s/eov9eqzUarqzvmcNrzjFcQ?scene=1

DeepMind：自演化智能体能否持续学习？

Mila、蒙特利尔大学与 Google DeepMind 系统评估非参数化自演化智能体在连续任务流中的可塑性、稳定性、跨任务干扰与遗忘问题。

★ 3 子主题：持续学习 未知  AgentEvolve HarnessEvolve EvalEvolve GeneralizeEvolve

 持续学习 自演化 智能体评估 智能体脚手架 智能体记忆

论文固定基础模型权重，仅允许智能体通过修改系统提示词、外部记忆、技能文件和控制代码等运行框架来积累经验。研究比较 ReasoningBank、GEPA 与 Meta-Harness，分别代表检索式经验增强、共享策略改写和可验证的工作区自修改。实验以 BIRD、BFCL 和 ScienceWorld 构造主题、工作流程、领域及复合变化任务流，并在每个检查点测试全部任务组。评价框架同时衡量可塑性、学习前干扰和学习后遗忘；分析显示，强制检索低相关记忆、过度泛化共享规则以及依靠拒绝更新维持稳定，都可能限制真正的持续学习。

用途与启示
  • 为自演化智能体建立同时考察新能力获取、旧能力保留和未学习任务干扰的持续学习评价框架。
  • 提示运行框架更新应显式建模经验适用条件，并为记忆检索设置相关性阈值或拒绝机制。
  • 说明仅靠扩大可编辑范围或严格拒绝更新并不能保证能力持续积累，需要在可塑性与稳定性之间进行系统权衡。
  • 可用于设计面向长期部署智能体的任务流测试、全任务检查点评估和遗忘诊断机制。
📝 原始笔记（逐字保留）
https://mp.weixin.qq.com/s/97wnYf4JklDM8GG9qQi3-g?scene=1

Memory Tax：剖析智能体记忆的净价值

大规模评测发现多种专用智能体记忆系统常落后于朴素 RAG，并以“记忆收益—记忆税”框架分析记忆处理相对原始历史检索的净价值。

★ 3 子主题：记忆能力评测 Hugging Face Papers  MemoryEvolve EvalEvolve

 智能体记忆 模型评估 检索增强生成 长程任务 人工智能可靠性

研究在多个基准和模型骨干上，对专用记忆系统与直接从原始历史检索的朴素 RAG 进行了大规模比较。结果显示，许多记忆系统在不少场景中反而弱于 RAG，呈现负净价值。作者将相对直接检索产生的增益与损失分别定义为“记忆收益”和“记忆税”：记忆重组能够提炼事实与偏好，但也可能删除、遮蔽或扭曲关键证据。论文进一步从系统设计和评测机制两方面追溯记忆税的来源，并主张将评估重点从独立性能转向相对原始历史的净价值。

用途与启示
  • 为智能体记忆系统提供以朴素 RAG 为参照的净价值评估框架。
  • 提醒开发者关注摘要、压缩和重组过程中产生的证据丢失与信息遮蔽。
  • 支持在长程任务中权衡记忆收益、记忆税及系统复杂度，避免默认专用记忆必然优于原始历史检索。
  • 为更可靠的记忆架构设计、消融实验和跨基准评测提供分析视角。
📝 原始笔记（逐字保留）
[记忆税：剖析智能体记忆的净价值（124 ▲）](https://huggingface.co/papers/2610.34073?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)

TTME：测试时记忆演化以更低成本助力科学发现

测试时记忆演化（TTME）通过持续更新外部记忆而非模型权重，在五项数学发现任务上全面超过测试时训练，并显著降低计算量和运行时间。

★ 3 子主题：长期记忆 Hugging Face Papers  MemoryEvolve ResearchEvolve AgentEvolve

 智能体记忆 自动化科学研究 测试时计算 持续学习 成本优化

作者提出即插即用的测试时适应方法 TTME，通过蒸馏探索经验并持续更新外部记忆，为后续科学发现提供指导。该方法不执行在线权重更新，因而避免了测试时训练（TTT）随模型规模增长而产生的高昂计算开销。为保证公平比较，实验在同一科学发现框架中仅替换测试时适应模块。结果显示，TTME 在全部五项数学任务上优于 TTT，同时减少 82.8%–84.6% 的 FLOPs 和 47.7%–58.4% 的运行时间。

用途与启示
  • 为科学发现系统提供无需更新模型权重的高效测试时适应方案。
  • 表明外部记忆的持续演化可以替代部分在线训练，并在效果与成本之间取得更优平衡。
  • 为更大规模模型部署科学发现智能体提供可扩展的经验积累机制。
  • 启发后续研究系统比较参数更新、上下文记忆与外部持久化记忆的适应能力。
📝 原始笔记（逐字保留）
[测试时记忆演化能否胜过测试时训练，助力科学发现？（101 ▲）](https://huggingface.co/papers/2610.32046?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)

RuHarness：评判准则与智能体脚手架协同演化

RuHarness通过从执行轨迹中持续更新评判准则，并以动态识别的行为弱点指导脚手架迭代，实现更持久且能泛化至未见任务的智能体自我改进。

★ 3 子主题：脚手架演化 arXiv  HarnessEvolve AgentEvolve SystemEvolve EvalEvolve Awesome-RSI

 智能体脚手架演化 自我改进 过程评估 执行轨迹 持续学习

RuHarness提出评判准则与智能体脚手架协同演化框架，解决脚手架不断变化而监督标准相对静态的问题。框架从执行轨迹中持续发现并重新评估行为准则，优先处理当前最相关且尚未解决的行为弱点。在保持任务目标不变的情况下，这些动态准则被用于指导有针对性的脚手架更新。跨多种智能体任务和骨干模型的实验表明，该框架优于强脚手架演化基线，尤其在未见留出任务上表现出更稳定的持续改进与泛化能力。

用途与启示
  • 为持续自我改进系统提供监督标准与智能体脚手架同步演化的设计范式。
  • 利用执行轨迹动态追踪行为弱点，避免静态评判准则在多轮演化中逐渐失效。
  • 通过优先处理未解决的关键缺陷，提高脚手架更新的针对性和试错效率。
  • 为评估智能体演化系统的跨轮稳定性及未见任务泛化能力提供参考。
📝 原始笔记（逐字保留）
标题：When the Critic Falls Behind: Co-Evolving Rubrics and Harnesses for Continual Agent Self-Improvement 来源：arXiv 链接：https://arxiv.org/abs/2610.36826 摘要：Autonomous agents increasingly depend on harnesses that govern interaction, memory, tools, and execution around large language models (LLMs). While recent work has begun to evolve these harnesses from execution experience, the supervision used to guide evolution often remains relatively static, making it difficult to track changing behavioral weaknesses across rounds and potentially limiting generalization to unseen tasks. To address this issue, we propose RuHarness, a rubric--harness co-evolution framework for continual agent self-improvement. RuHarness continually discovers and reassesses behavioral criteria from execution trajectories, prioritizes the most relevant unresolved weaknesses, and uses them to guide targeted harness updates while keeping the task objective fixed. Extensive ex

Trajectory2Gym：面向工具使用智能体的决策驱动交互合成

Trajectory2Gym围绕组合依赖覆盖与决策依据充分性合成可执行交互，在五种Qwen3规模上显著提升工具使用智能体的多轮与有状态任务表现。

★ 3 子主题：智能体训练 Hugging Face Papers  AgentTrainEvolve DataEvolve EnvironmentEvolve

 智能体 智能体数据合成 工具调用 模型训练 执行轨迹

Trajectory2Gym指出，成功的工具调用轨迹未必适合作为监督数据，因为其中可能缺少多步依赖，或包含无法由智能体当时可见信息支持的动作。该方法针对支持不足的组合结构构造可执行交互，并仅从实际执行中具有充分决策依据的动作提取监督信号。它通过结构支持选择分配训练经验，并采用父级归一化监督微调，将完整语义交互作为训练权重单位。在五种Qwen3规模上，该方法均提升Tau1、Tau2和BFCL表现，三个基准等权平均提高16.9至29.8个百分点，尤其有利于有状态和多轮交互。

用途与启示
  • 将工具使用训练数据的目标从“收集成功轨迹”转向“构造可学习的交互经验”。
  • 可用于提升智能体训练轨迹中的组合依赖覆盖，减少缺乏可见证据支撑的监督动作。
  • 对多轮、有状态和依赖历史反馈的工具调用任务具有较强参考价值。
  • 表明扩展工具使用能力不仅需要增加轨迹数量，还需控制轨迹的决策可学习性与结构覆盖。
📝 原始笔记（逐字保留）
[Trajectory2Gym：面向工具使用智能体的决策驱动组合式交互合成（336 ▲）](https://huggingface.co/papers/2610.33568?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)

可控环境合成揭示工具使用智能体缩放定律

SynthAPI 通过控制工具、任务和数据库的多样性生成训练环境，并建立可预测工具使用智能体泛化能力的数据缩放定律。

★ 3 子主题：环境合成 arXiv  EnvironmentEvolve AgentTrainEvolve DataEvolve

 环境合成 工具调用 模型训练 数据合成 缩放定律

论文提出 SynthAPI 流水线，可沿工具、任务及底层数据库三个维度精确控制合成环境的多样性。研究在 458,752 个任务、849 个训练模型和四种模型规模上开展系统实验，推导出由环境规模与数据组成预测下游工具使用泛化能力的缩放定律。结果表明，随着数据预算增长，扩大工具和数据库多样性比单纯增加任务数量更有效，提高数据复杂度也能带来更大收益。依据这些规律扩展训练数据后，智能体在四项评测基准上超过了使用既有工具调用及合成环境数据训练的模型。

用途与启示
  • 为工具使用智能体的合成训练数据配比提供可量化的扩展依据。
  • 在较大数据预算下，应优先增加工具和数据库多样性，而非仅堆叠同类任务。
  • 可利用缩放定律预估环境合成投入对下游泛化能力的收益，优化数据与训练预算。
  • SynthAPI 的可控生成思路可用于构建更复杂、更具覆盖度的多步工具调用训练环境。
📝 原始笔记（逐字保留）
标题：Scaling Laws for Tool-Use Agents via Controllable Environment Synthesis 来源：arXiv 链接：https://arxiv.org/abs/2610.37648 摘要：We explore how to build performant large language model (LLM) tool-use agents that complete complex, multi-step tasks. Specifically, we study how data composition in synthetically generated tool-use environments affects the training of such agents. To do so, we propose the SynthAPI pipeline, which explicitly controls the diversity of generated environments along the axes of tools, tasks, and the databases on which the tools operate. By systematically varying SynthAPI's generation controls in 458,752 tasks across 849 trained models of four different sizes, we derive a scaling law that predicts downstream tool-use agent generalization based on the scale and composition of the synthesized environments. These predictable relationships reveal several lessons for scaling tool-use agent data. As

TraceTrial-Bench：智能体运行框架可靠性与故障归因基准

TraceTrial-Bench通过执行轨迹、多源证据和机制链归因，对智能体运行框架的可靠性及其与底层模型行为的交互进行可审计评测。

★ 3 子主题：智能体评测 Hugging Face Papers  HarnessEvolve EvalEvolve Groom

 智能体评估 人工智能可靠性 智能体执行框架 故障归因 轨迹审计

TraceTrial-Bench将智能体运行框架的可靠性划分为上下文、执行、治理、生命周期、可观测性、工具和验证七个组成部分，并构建95项专家级机制导向任务。基准引入轨迹追踪（TT）模块记录智能体执行过程，以双层评估框架分别衡量任务表现与运行框架可靠性。多源证据获取（MEA）模块从智能体上下文、运行框架和执行环境收集证据，故障归因（FA）模块则利用显式机制链完成运行级归因。针对4种运行框架、9个模型的3420次运行，框架宏平均得分为59.8%至72.0%，且31.1%的运行虽完成任务，却至少违反一项框架可靠性标准。

用途与启示
  • 为不同智能体运行框架提供可复现、可审计且保留其原生行为的横向比较方案。
  • 将任务成功率与框架可靠性分离，避免以最终结果掩盖执行、治理或验证环节的缺陷。
  • 通过轨迹和多源证据定位故障机制，可用于运行时诊断、框架优化及可靠性回归测试。
  • 揭示底层模型能力与运行框架设计之间的交互，为可信智能体系统选型提供依据。
📝 原始笔记（逐字保留）
[追踪记录的考验：智能体运行框架的可靠性与故障归因基准测试（249 ▲）](https://huggingface.co/papers/2610.32285?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)

Ai2 发布新颖性评判基准，揭示 LLM 裁判高度不稳定

Ai2 发布 Old Ideas, Novel Problems 基准与自动化数据流水线，发现 LLM 对研究想法新颖性的判断易受提示词、模型和评估设置影响，增加检索与推理预算也无法稳定改善结果。

★ 3 子主题：科研评测 Ai2  EvalEvolve ResearchEvolve

 模型评估 自动化科学研究 科学研究基准 评估方差 提示敏感性

  • 该研究基于 ICLR 2026 同行评审构建新颖性评测集，包括 154 个高新颖性人类想法、145 个较低新颖性想法，以及人类想法与 LLM 生成想法的配对。
  • 对六种 LLM 裁判的测试显示，轻微提示词变化即可显著改变结论；GPT-5.4 在同一 Human+Generated 配对上的准确率曾从 93.5% 降至 40.9%。
  • 检索、额外推理和专用评估流水线并未持续提升可靠性，高推理预算智能体的成本约高 10 倍，但 macro-F1 仍低于简单的 Claude Opus 4.6 基线。
  • Ai2 同步发布基准、数据、代码及可复用流水线，以支持跨同行评审社区和未来模型的新颖性评估研究。
用途与启示
  • 提醒自动化科学研究系统不能直接将单一 LLM 裁判结果视为可靠的新颖性证据。
  • 新颖性评估应报告提示词、模型、检索配置和推理预算变化下的敏感性与方差。
  • 应使用与实际目标一致的 AI 生成想法验证评判器，而不能只在人类论文上测试。
  • 简单基线可能同时优于复杂专用系统的准确率和成本，系统设计前应进行严格消融与成本比较。
📝 原始笔记（逐字保留）
标题：Ai2 发布 Old Ideas, Novel Problems 研究与 benchmark，揭示 LLM 新颖性裁判不稳定 来源：AIHOT 每日精选（aihot.virxact.com） 链接：https://aihot.news/items/p92a4pkxkheznj9nmt50o08l6 摘要：（信源：allenai.org）Ai2 发布研究 Old Ideas, Novel Problems、配套 benchmark、数据、代码和自动化流水线，测试 LLM 作为研究想法新颖性裁判的可靠性。

智元 Genie Master 在便利店跑通具身递归自我改进

智元机器人发布具身 Agent 框架 Genie Master，通过经验演化与动作策略更新双路径，让机器人在真实便利店业务中自主诊断失败、组织练习并持续改进。

★ 3 子主题：递归自我改进 量子位  RobotEvolve HarnessEvolve AgentEvolve Awesome-RSI

 递归自我改进 具身智能 智能体 持续学习 执行反馈

智元 Genie Master 通过具身执行协议 EEP，统一连接上层 Agent 的任务推理与底层机器人的动作执行、物理反馈和任务接续。系统会从真实便利店作业中识别失败、不稳定或耗时过长等能力缺口，并利用空闲时间自主组织针对性练习、评估与异常恢复。Harness RSI 在不改变模型权重的情况下优化提示、长期记忆和执行规则，将成功与失败轨迹沉淀为可复用经验。Policy RSI 则筛选自主执行、人工接管和异常恢复产生的数据，通过监督学习、模仿学习或强化学习更新动作策略，形成从现场执行到经验积累和策略内化的闭环。

用途与启示
  • 展示具身递归自我改进从仿真或实验室设定进入真实商业业务流的可行路径。
  • 通过 EEP 打通推理、执行与反馈，为具身 Agent 的持续学习和跨设备调度提供统一接口。
  • 将轻量的经验与规则更新和较重的动作策略训练结合，可兼顾快速适应、低延迟执行与能力长期沉淀。
  • 有望减少机器人部署后的人工排障和重复调试成本，缩短新任务交付周期并提升规模化复制效率。
📝 原始笔记（逐字保留）
标题：Physical RSI第一站！便利店打工“人”自己进化，物理AI飞轮启动了 来源：量子位（微信公众号） 链接：https://www.qbitai.com/2026/10/505799.html 摘要：无人在环进店实测啃下长尾场景

Anthropic实验：AI建议显著影响专家决策与自我归因

Anthropic随机对照实验显示，Claude Code的预设立场可显著左右专业分析师的关键决策，而多数参与者未能准确意识到或承认这种影响。

★ 3 子主题：自动化偏见 新智元 ASI爆点  HumanEvolve

 人机协同决策 人在回路 人工智能可靠性 行为建模 人工智能辅助编程

Anthropic招募专业数据分析师完成一项商业因果分析任务，并通过随机系统提示让Claude Code在四个关键决策点持有特定倾向。使用AI的分析师有86%的技术选择与随机分配的AI立场一致，估计净翻转率达到72%；在事先已表达偏好的案例中，AI提出反对意见后有60%的参与者改变选择。任务结束后，77%的参与者在解释决策时复述了AI提供的论据，但仅15%主动注明观点来自AI，超过半数仍认为结论主要源于自己。与此同时，AI协作组的任务耗时更短，严重方法或代码错误率为6%，显著低于非AI组的55%，揭示了效率增益与判断自主性之间的张力。

用途与启示
  • 说明“人在回路”并不天然构成可靠的安全兜底，人类审核者可能在不自知的情况下继承AI的立场与论证。
  • 在咨询、科研和商业分析流程中，可要求专家先独立记录初始判断，再查看AI建议，以保留可审计的决策基线。
  • 可让AI强制生成正反两方论证、披露建议来源与不确定性，降低单一立场造成的自动化偏见。
  • 人机协同评估除准确率和效率外，还应测量观点翻转率、来源归因、独立判断保持度与提示立场敏感性。
📝 原始笔记（逐字保留）
标题：现实版「思想钢印」！ Anthropic惊悚实验曝光，86%顶尖专家关键决策被AI控制 来源：新智元 ASI爆点（aiera.com.cn） 链接：https://aiera.com.cn/asi-preview/asi-item.html?id=tg503885 摘要：现实版《盗梦空间》，真的来了！电影中，有一个让人脊背发凉的设定：要改变一个人的决定，便是把思想「植入」对方的潜意识深处，然后让他坚信这个念头是自己长出来的。主角柯布曾表示…

OpenAI 邀外部专家与 Lean 核查 AI 科学证明

OpenAI 邀请外部专家独立核查其 AI 在复杂性理论、调和分析和量子场论中的重大证明主张，并将部分证明转写为 Lean 进行逐步形式化验证。

★ 3 子主题：形式化验证 AIHOT  ResearchEvolve EvalEvolve LogicEvolve

 自动化科学研究 形式化验证 人在回路 模型评估 证据审查

OpenAI 声称其 AI 分别给出了否定指数时间假设（ETH）、证明任意维局部平滑猜想，以及证明部分四维量子场论存在性的结果，但这些重大主张尚待独立确认。公司邀请相关领域专家担任“shepherds”，其中复杂性理论结果由 Ryan Williams、Russell Impagliazzo 和 Ramamohan Paturi 等人公开核查，物理学方向则由 David Gross 等专家推进审查。数学和计算机科学证明以及部分 Yang–Mills 证明被翻译为 Lean，以检查形式化陈述下每一步推导是否成立。Lean 验证不能替代专家判断，因为形式系统只能确认编码后的命题与证明一致，无法保证形式化陈述准确对应原始科学问题；事件也引发了 AI 科学成果的评审准入、证据公开和功劳归属讨论。

用途与启示
  • 展示“领域专家独立审查 + Lean 形式化验证”可作为高影响 AI 科学发现的双重核验流程。
  • 提醒研究者区分证明在形式系统中的正确性、形式化命题的忠实性，以及其对真实科学问题的适用性。
  • 为 AI 生成科研成果建立原始材料公开、阶段性核查、利益披露和功劳归属机制提供参考。
  • 若相关证明最终成立，可能对复杂性理论、调和分析和量子场论产生基础性影响，但当前不宜将其视为已获学界确认的结论。
📝 原始笔记（逐字保留）
标题：OpenAI 请外部专家核查其 AI 在数学、计算机科学和物理学领域产出的证明 来源：AIHOT 每日精选（aihot.virxact.com） 链接：https://aihot.news/items/xuhb122ijbtqkri3h6er2m21y 摘要：（信源：the-decoder.com）The Decoder 报道 OpenAI 请外部专家担任"shepherds"核查其 AI 在计算机科学、数学和物理学领域的三项证明结果，并将部分证明翻译成 Lean 供计算机逐步验证。

点击标题展开完整内容；同子主题 3 条以上合并为专题卡。

PersonalEvolve1 条
★3 蚂蚁百灵开源面向 Personal Agent 的 Ling-3.1-flash-1019 量子位 · 模型发布 · 原文 蚂蚁百灵开源 Ling-3.1-flash-1019 及基础版本，以混合线性 MoE、后训练和真实应用反馈增强个人智能体的长程任务、工具使用与多步骤执行能力。

★ 3 子主题：模型发布 量子位  PersonalEvolve NewModel

 智能体 长程任务 模型开发 工具调用 智能体记忆

Ling-3.1-flash-1019 面向 Personal Agent 场景，在 Ling-3.1-flash 基础上继续训练，Artificial Analysis Intelligence Index 得分提升至 44。该版本在复杂知识工作、流程自动化、科学问题求解及代码任务等评测中均有提升，重点强化目标遵循、工具使用和多步骤执行。同步开源的 Ling-3.1-flash-base 采用约 560B 总参数、每 Token 激活约 25B 参数的混合线性 MoE 架构，并以 BF16 权重和 MIT 许可证开放。模型研发结合灵光 2.0、阿福医生版等真实应用反馈，探索跨会话记忆、任务状态保持和持续事务管理；视觉语言版本 Ling-3.1-flash-VL 也已在灵光中应用。

用途与启示
  • 为个人智能体开发提供兼顾容量、长序列处理能力与计算效率的开放基础模型。
  • 展示从基础模型、后训练到真实应用反馈的闭环迭代路径，可用于增强长程任务执行和工具调用。
  • 支持开发者围绕自身知识、业务流程和工具开展继续预训练、领域适配及后训练。
  • 为旅行规划、购物跟踪和专业工作流等持续性个人事务提供模型能力参考。
📝 原始笔记（逐字保留）
PersonalEvolve | Personal Agent走向真实任务，蚂蚁百灵开源 Ling-3.1-flash-1019 https://www.qbitai.com/2026/10/505928.html
EvolveLRM6 条
★3 超衍智能发布35B自进化模型 Apex-35B-V1.0 未知 · 递归自我改进 · 代码 · 原文 超衍智能发布基于 Qwen3.6-35B-A3B 训练的 Apex-35B-V1.0，并以 AI 参与实验、分析和成果回用的递归自我改进流程提升科研、智能体、编程与推理能力。

★ 3 子主题：递归自我改进 未知  EvolveLRM RSI创业 Awesome-RSI EvolveLLM ResearchEvolve

 递归自我改进 模型开发 模型训练 自动化科学研究 智能体

Apex-35B-V1.0 是超衍智能发布的首款 35B 模型，基于 Qwen3.6-35B-A3B 进行中期训练和后训练，并加入自有数据与研究轨迹。其研发流程引入递归自我改进，让 AI 参与实验执行和结果分析，并将验证有效的成果用于后续模型迭代。发布方称，该模型在研究、智能体、编程和推理四类共 21 项基准中，20 项领先同量级基础模型，对比 Recursive Flint 则取得 18 项领先、1 项持平。模型重点覆盖论文复现、科学问题求解、工具调用、代码工程和深度搜索等任务，相关权重与代码已公开。

用途与启示
  • 展示将递归自我改进嵌入基础模型研发流程的产业实践，为构建“实验—验证—训练—评测”闭环提供参考。
  • 说明中等参数规模模型可通过高质量研究轨迹、中期训练与后训练强化科研和智能体能力，而不只依赖参数扩张。
  • 可用于研究科研智能体、工具调用、论文复现及代码执行能力之间的协同训练。
  • 公开权重和代码便于复核其基准成绩，并进一步评估自进化流程的可持续性与泛化能力。
📝 原始笔记（逐字保留）
EvolveLRM | 清华27岁助理教授杀入AI自进化赛道！首个35B模型刚刚亮相https://mp.weixin.qq.com/s/ebcoQ-nClgWK4oT43B-QNw
★2 FORK：精确率目标缓解评分标准强化学习中的奖励投机 Hugging Face Papers · 奖励机制设计 · 论文 FORK 奖励通过联合优化评分标准覆盖率与回答精确率，在保持覆盖率的同时减少冗余和事实错误，显著缓解基于评分标准强化学习中的奖励投机。

★ 2 子主题：奖励机制设计 Hugging Face Papers  EvolveLRM

 强化学习 奖励作弊 奖励建模 模型训练 医疗人工智能

基于评分标准的奖励通常侧重最大化条目覆盖率，本质上偏向召回率，容易诱导模型生成冗长、非必要甚至事实错误的内容。FORK 奖励在覆盖率目标之外引入精确率目标，要求回答中的每个信息单元既有必要性又具备事实正确性。该目标分别通过评分标准驱动的必要性信用和事实正确性评分器进行度量。实验显示，FORK 在维持相近评分标准覆盖率的同时缩短回答并提高精确率，在 RubricHub-Medical 和 HealthBench 上相对基础策略的胜率分别由 10.6% 提升至 68.0%、由 22.1% 提升至 74.1%。

用途与启示
  • 为不可验证任务中的强化学习提供兼顾覆盖率、简洁性和事实正确性的奖励设计。
  • 表明只优化评分标准覆盖率会产生类似“召回率偏置”的奖励投机，需要对回答中的每个内容单元施加精确率约束。
  • 可用于改进医疗问答等高风险场景的后训练，减少冗余陈述和事实错误。
  • 提示奖励评估应关注覆盖率与整体回答质量之间的帕累托权衡，而非单一分数最大化。
📝 原始笔记（逐字保留）
[追求精确：精确性目标缓解基于评分标准的强化学习中的奖励投机（33 ▲）](https://huggingface.co/papers/2610.33512?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)
★3 Guided-RLVR：以引导式探索提升可验证奖励强化学习 arXiv · 采样控制 · 论文 Guided-RLVR通过轻量控制器在关键推理步骤注入语义引导词元，拓展RLVR的轨迹探索空间并提升数学推理与代码生成表现。

★ 3 子主题：采样控制 arXiv  EvolveLRM

 强化学习 探索与利用 推理 采样控制 训练算法

RLVR虽能有效增强数学与编程推理能力，但其采样轨迹容易坍缩至少数固定模式，限制推理空间的探索。Guided-RLVR引入轻量控制器，在关键步骤向采样分布注入具有语义意义的引导词元，促使模型从不同角度求解问题。该设计利用关键思考词元对推理路径结构的影响，在不引入复杂训练组件的情况下提高轨迹多样性。数学推理和代码生成基准实验显示，该方法持续优于现有RLVR方案，并产生更多样的推理轨迹。

用途与启示
  • 为缓解RLVR训练中的轨迹坍缩提供轻量、可控的探索机制。
  • 表明对关键思考词元进行干预可有效塑造推理路径并扩大搜索空间。
  • 可用于数学推理、代码生成等具备可验证奖励的训练任务。
  • 启发将语义引导、采样控制与探索多样性联合纳入推理模型训练。
📝 原始笔记（逐字保留）
标题：Guided-RLVR: Guided Exploration in Reinforcement Learning with Verifiable Rewards 来源：arXiv 链接：https://arxiv.org/abs/2610.37041 摘要：Reinforcement learning with verifiable rewards (RLVR) has shown strong empirical gains in improving the reasoning ability of large language models (LLMs) on tasks such as mathematics and programming. However, recent studies have shown that RLVR rollouts often collapse onto a narrow set of reasoning trajectories, limiting the explored reasoning space. Motivated by findings that thinking tokens at critical steps serve as critical structural elements in LLM reasoning pathways, we propose Guided-RLVR, a novel approach that augments RLVR with a lightweight controller. The controller strategically injects semantically meaningful steering tokens into the sampling distribution, encouraging the model to approach problems from multiple reasoning perspectives and thereby expanding the exploration spa
★3 PICO：全失败采样下的策略兼容联合解码 arXiv · 策略优化 · 论文 PICO通过专家引导的分布约束联合解码生成可验证且与当前策略兼容的轨迹，为RLVR在所有采样均失败的困难问题上恢复有效学习信号。

★ 3 子主题：策略优化 arXiv  EvolveLRM

 强化学习 策略优化 推理 模型训练 后训练

RLVR在超出模型当前能力的问题上可能遭遇“学习悬崖”：当全部 rollout 失败时，GRPO、RLOO等组相对估计器会产生零优势，无法更新策略。直接引入专家轨迹又会因其处于学生策略的低概率区域而造成分布失配，容易退化为表层模仿。PICO使用专家数据进行词元级引导，同时保留学生策略的相对词元概率，并通过动态 top-k 在有限散度预算内约束采样分布。生成的正确且策略兼容轨迹与在策略 rollout 共同训练，再以重要性采样缓解混合行为分布的不匹配；实验显示其在多类推理数据集和智能体基准上优于标准RLVR及既有离策略基线。

用途与启示
  • 为RLVR在全失败 rollout 场景中提供非零、可验证的训练信号。
  • 通过有限散度约束降低专家轨迹与学生策略之间的分布偏移，减少大幅参数更新。
  • 将专家引导解码与在策略探索结合，有助于学习可迁移的推理能力，而非仅模仿答案表面形式。
  • 可用于提升推理模型在超出当前能力边界的高难度任务上的后训练稳定性。
📝 原始笔记（逐字保留）
标题：When All Rollouts Fail: Policy-Compatible Joint Decoding for Hard-Problem Reasoning 来源：arXiv 链接：https://arxiv.org/abs/2610.36849 摘要：Reinforcement Learning with Verifiable Rewards (RLVR) derives its learning signal from binary rewards via on-policy exploration and becomes a powerful paradigm for improving the reasoning of large language models. Yet it faces a learning cliff on problems beyond model's current ability: when every rollout fails, the samples reveal nothing about a correct solution, and group-relative estimators (e.g., GRPO, RLOO) collapse the update to zero advantage. Expert trajectories offer a remedy, but they are incompatible with the current policy and often lie in the student's low-probability regions, so the surviving updates demand large parameter shifts and decay into surface-level imitation rather than transferable reasoning. We argue that a useful learning signal on hard problems must be both veri
★3 跨任务耦合驱动无监督 RLVR 策略坍缩 arXiv · 强化学习 · 论文 论文将无标签 RLVR 随训练问题增多而发生的策略坍缩解释为跨任务参数共享引发的集体不稳定性，并提出相应的稳定化机制。

★ 3 子主题：强化学习 arXiv  EvolveLRM EvolveLLM Awesome-RSI

 强化学习 群体动力学 人工智能可靠性 奖励作弊 模型训练

无标签 RLVR 以模型自身多数投票的一致性作为奖励，初期可改善推理，但随后可能出现自评奖励趋近于 1、真实准确率持续下降乃至所有问题输出同一答案的策略坍缩。作者构建了一个可解析的多问题模型，指出共享参数会放大跨任务的共同扰动，而单任务策略锐化速度随训练问题数 $N$ 增大而以 $1/N$ 减慢。理论给出的临界问题数满足 $N_c\simeq\ln(1/\delta)/(\lambda^2G)$，模拟验证了 $N_c\propto\lambda^{-2}$、批量大小的对数影响以及高初始置信度模型不易坍缩等预测。小型 Transformer 实验进一步表明，移除共享方向可完全阻止坍缩；保护性耦合与边际熵奖励也能稳定统一的集体模式。

用途与启示
  • 揭示无标签自强化训练中“奖励上升但能力下降”的机制，为 RLVR 可靠性诊断提供理论依据。
  • 训练集规模、跨任务耦合强度和基础模型熵可作为策略坍缩的风险指标。
  • 可通过抑制危险的共享更新方向、引入保护性耦合或边际熵奖励来稳定训练。
  • 提醒无监督 RLVR 评估必须同时监测外部准确率与输出多样性，不能仅依赖自评奖励。
📝 原始笔记（逐字保留）
标题：Collective Dynamics of Self-Reinforcement: How Cross-Task Coupling Drives Policy Collapse in Unsupervised RLVR 来源：arXiv 链接：https://arxiv.org/abs/2610.37553 摘要：Label-free reinforcement learning with verifiable rewards (RLVR) rewards a language model for agreeing with its own majority vote. It improves reasoning at first but eventually collapses: the self-assessed reward goes to one while accuracy falls, often until the model gives the same answer to every problem. The collapse appears only when training uses many problems. We explain this dataset-size dependence as a collective instability. In a solvable many-problem model in which problems share parameters, a population whose problems prefer different answers amplifies any shared perturbation for as long as the population-averaged slope $\langle F'\rangle$ of the single-problem self-reinforcement drift $F$ is positive. This holds while problems are still uncertain about their answers. Per-proble
★3 视频 RLVR 中的捷径放大与感知不确定性坍缩 arXiv · 视觉推理 · 论文 研究揭示视频 RLVR 会放大文本先验捷径并削弱视觉证据贡献，并提出双焦点自蒸馏策略优化 BSPO 以提升视频推理性能与视觉忠实性。

★ 3 子主题：视觉推理 arXiv  EvolveLRM GeneralizeEvolve

 视觉推理 强化学习 多模态 不确定性估计 自蒸馏

研究发现，基于结果奖励的 RLVR 虽能增强视频推理能力，却会使模型更偏向缺乏视觉证据支持的文本先验答案。训练过程中，模型答案分布持续变得尖锐，但由视觉证据带来的不确定性下降逐渐减弱，形成“感知不确定性坍缩”。梯度方向分析进一步表明，置信度提升越来越由文本先验压缩主导，而非与视觉落地的不确定性降低保持一致。作者提出双焦点自蒸馏策略优化（BSPO），利用组内正确与错误轨迹识别推理敏感词元，并通过捷径感知的视觉扰动惩罚对关键视觉证据弱化不敏感的预测。实验显示，BSPO 在保留 RLVR 任务收益的同时改善了视频推理表现和视觉忠实性。

用途与启示
  • 揭示仅依赖结果级可验证奖励可能导致置信度增长与真实视觉理解脱钩。
  • 可通过分别比较视频条件与纯文本条件下的预测不确定性，监测视觉证据是否被有效利用。
  • BSPO 为抑制多模态强化学习中的捷径学习提供了结合轨迹自蒸馏与视觉扰动的策略优化方案。
  • 提示视频推理训练除准确率外，还应评估视觉忠实性、扰动敏感性及文本先验依赖程度。
📝 原始笔记（逐字保留）
标题：Uncovering Shortcut Amplification in Video RLVR through the Lens of Perceptual Uncertainty Collapse 来源：arXiv 链接：https://arxiv.org/abs/2610.37211 摘要：Reinforcement learning with verifiable rewards (RLVR) has emerged as an effective post-training paradigm for enhancing the video reasoning capability of Large Multimodal Models (LMMs). Despite its empirical effectiveness, we show that outcome-level optimization can introduce an undesirable shortcut amplification effect, whereby models increasingly favor text-prior answers even when they are not supported by the visual evidence. To characterize this behavior, we investigate the training dynamics of video RLVR through the lens of perceptual uncertainty, analyzing how predictive uncertainty evolves under video-conditioned and text-only contexts. Our analysis identifies a perceptual uncertainty collapse phenomenon, in which RL training continuously sharpens the model's answer distribution whil
Awesome-RSI3 条

专题：递归自我改进 3 条

RSI递归自我改进：一年的研发或将压缩至5周

剑桥大学 CASP 团队联合多位人工智能领域专家分析递归自我改进的实现层级、关键瓶颈与潜在增速，认为全面自动化人工智能研发可能将一年进展压缩至约5周。

★ 3 子主题：递归自我改进 未知  Awesome-RSI ResearchEvolve

 递归自我改进 自演化 自动化科学研究 模型开发 人工智能安全治理

📄 详细内容

文章将 RSI 区分为三个层级：在固定框架内优化提示与测试脚本、利用已知方法搜索更优系统，以及改进“自我改进方法”本身，第三层目前尚无公开证据。自我改进对象可涵盖输出物、智能体脚手架（Harness）、模型权重、评估器和科研流程，其中 Harness 的改进可能持续影响后续任务且无须重新训练模型。研究强调评估器是闭环中的关键瓶颈，其偏差会使整个优化过程朝错误方向加速，因此需要关注人在环、环上监督与完全脱离人工的不同自动化程度。论文以人工智能研发回报率参数 r 描述进步是否加速，并估计若全面自动化且较高回报率得以维持，研发速度可能在约1.5年内提升10倍。

用途与启示
  • 为递归自我改进研究提供分层定义，避免把一次性任务优化误称为 RSI。
  • 提示优先研究可跨任务复用的 Harness、评估器与科研流程，而不只关注单次生成结果。
  • 建立对评估偏差、奖励作弊和闭环失控的审计机制，防止自改进系统放大错误目标。
  • 可使用研发回报率与自动化程度衡量智能爆炸风险，为算力治理和安全监管提供量化参考。
📝 原始笔记（逐字保留）
https://mp.weixin.qq.com/s/3e2qXAdF4gqBGDkZzxHOjw?scene=1

递归自我改进：当 AI 开始进化 AI

机器之心联合黄大年茶思屋邀请多位专家，系统讨论 AI 通过自我博弈、评估和修正实现递归自我改进的技术路线与发展前景。

★ 2 子主题：递归自我改进 机器之心官方  Awesome-RSI

 递归自我改进 自演化 自我改进 智能体 强化学习

📄 详细内容

视频围绕递归自我改进（RSI）展开，探讨 AI 从被动训练转向主动迭代与自主能力提升的趋势。内容结合 DeepSeek 的高效训练、OpenAI o 系列的自我推理等案例，梳理产业界对自主进化技术的探索。分享涉及自我博弈微调、递归内省、自主评估与纠错等潜在技术路径。来自北京大学、上海交通大学、清华大学、KAUST 与 Recursive 的嘉宾共同讨论相关理论突破、工程落地及未来图景。

用途与启示
  • 用于了解递归自我改进与一般持续学习、自我优化之间的概念边界。
  • 可作为梳理自我博弈、递归内省和评估反馈闭环等技术路线的入门材料。
  • 为跟踪学术界与产业界在 AI 自主进化方向的最新布局提供参考。
  • 提示研究者关注无人类干预下持续改进所伴随的评估可靠性与安全控制问题。
📝 原始笔记（逐字保留）
https://www.bilibili.com/video/BV17Z7a6vEVH/?-Arouter=story&buvid=Y940AD9458AC58564283B3D47E095A73B68C&from_spmid=tm.recommend.0.0&is_story_h5=false&mid=KZwNXUvbKV2Pd%2FtZb6lqcw%3D%3D&plat_id=163&share_from=ugc&share_medium=iphone&share_plat=ios&share_session_id=9C88FF66-6E44-415E-A976-331D3B64534C&share_source=weixin&share_tag=s_i&spmid=main.ugc-video-detail-vertical.0.0&timestamp=1793145235&unique_k=cCrBbv5&up_id=73414544

同专题其余 1 条

★2 2027年RSI或引发超级智能失控风险 未知 · 递归自我改进 · 原文 文章预测递归自我改进可能在2027年前后加速形成软件驱动的智能爆炸，并呼吁加强研发透明度、监管约束与社会风险准备。

★ 2 子主题：递归自我改进 未知  Awesome-RSI

 递归自我改进 自我改进 人工智能安全治理 风险控制 人工智能可靠性

文章认为，先进系统持续开发更强后继者所形成的递归反馈循环，可能在2027年底前后显著加速并超出人类控制能力。潜在影响包括社会适应速度落后、制度制衡弱化、监管缺位以及大规模就业冲击。作者同时承认收益递减、算力限制和部分任务难以自动化，可能抑制智能爆炸的增长速度。面对高度不确定性，文章主张提升人工智能研发自动化的透明度，并建立针对先进系统的治理与约束框架。

用途与启示
  • 将递归自我改进的技术进展纳入前瞻性安全评估与情景推演。
  • 持续监测研发自动化、算力扩展和任务自动化程度等智能爆炸先行指标。
  • 推动能力评估、信息披露、外部审计和风险分级治理机制建设。
  • 对“2027年失控”等时间预测保持审慎，区分风险警示、专家观点与可验证证据。
📝 原始笔记（逐字保留）
https://mp.weixin.qq.com/s/b9ZcAOKExiYWvE9dlznUIQ?scene=1
HarnessEvolve4 条
★3 Evo²：冻结执行器权重，协同进化工作流与演化策略 未知 · 脚手架演化 · 论文 · 原文 Evo² 在冻结任务执行器权重的前提下，通过外部评测驱动可执行工作流搜索，并训练 Proposer–Reflector 演化策略持续改写工作流。

★ 3 子主题：脚手架演化 未知  HarnessEvolve SystemEvolve

 智能体脚手架演化 进化搜索 智能体 强化学习 跨域泛化

Evo² 将系统拆分为冻结的任务执行器、可修改的 harness 工作流，以及承担 Proposer 和 Reflector 角色的演化器策略，实际进化对象主要是提示、工具、上下文与控制流程。候选工作流通过提案、执行、外部评测、反思、修订或跨分支 crossover 形成搜索树，成功轨迹再经 SFT 和交错 GRPO 用于训练演化器。实验显示，该框架在多个编程基准及记忆任务上取得较高点估计，并展示了固定权重条件下的工作流优化和部分跨基准迁移能力。现有证据仍受预算不统一、候选择优不对称、统计报告不足及代码和日志未公开等限制，不能据此推断跨模型迁移或无限递归自我改进。

用途与启示
  • 为无法修改闭源或基础模型权重的场景提供“冻结内核、优化可编程外壳”的持续改进路径。
  • 展示如何将工作流代码、执行轨迹和外部评测结果组织为可追溯的进化搜索与训练闭环。
  • 提醒系统能力提升依赖评测器、奖励规则和候选准入机制，需重点审计裁判独立性与目标有效性。
  • 后续比较应统一搜索、训练、评测和模型调用预算，并补充多种子结果、置信区间及跨模型直接迁移实验。
📝 原始笔记（逐字保留）
https://mp.weixin.qq.com/s/67pV18ngiuyNr4kWpyoumg?scene=1
★3 Microsoft 通过 Foundry 开放 Copilot Harness，支持多模型智能体开发 Microsoft Official Blog · 智能体框架 · 原文 Microsoft 将 GitHub 团队打造的 Copilot Harness 通过 Microsoft Foundry 开放，为企业提供支持多模型路由、工具调用、沙箱执行和长程任务的托管式智能体运行时。

★ 3 子主题：智能体框架 Microsoft Official Blog  HarnessEvolve NewApply

 智能体执行框架 模型路由 工具调用 长程任务 系统优化

Microsoft Copilot Harness 是围绕模型构建的智能体编排与执行层，负责管理指令、上下文、工具、执行环境及控制机制，并支持 MCP、Agent Skills 和插件。该框架支持超过 20 个前沿模型及自带密钥，可依据任务在一个或多个模型间进行智能路由，而无需更换技术栈。其运行时已迁移至 Rust，以降低会话开销和首 Token 延迟，并已用于 Copilot Code、Copilot Studio、GitHub Copilot、CLI 和 VS Code。开发者既可下载 SDK，也可通过 Microsoft Foundry 使用包含智能体循环、沙箱、治理与性能优化的全托管服务。

用途与启示
  • 为多模型智能体提供统一运行时，降低自行开发和维护 Harness、模型路由器及执行沙箱的成本。
  • 允许开发者按任务选择合适模型，并复用统一的技能、工具和插件体系。
  • 可作为企业构建长程任务智能体时，在性能、治理、互操作性和模型选择权之间取得平衡的基础设施。
  • 展示了通过统一 Harness 将底层优化同步传递至多个产品界面的平台化路径。
📝 原始笔记（逐字保留）
标题：Microsoft 通过 Foundry 开放 Copilot harness，支持多模型 Agent 开发 来源：AIHOT 每日精选（aihot.virxact.com） 链接：https://aihot.news/items/tdp7qmrh74fdfarxbi4jaoc6v 摘要：（信源：blogs.microsoft.com）Microsoft 宣布将 GitHub 团队打造的 Copilot harness 通过 Microsoft Foundry 向开发者和企业开放，该 harness 已驱动 Copilot Code、Copilot Studio、GitHub Copilot app 和 CLI 等产品。
★3 LangChain 开源设计智能体 Content Studio 的 harness LangChain Blog · 智能体框架 · 原文 LangChain 复盘 Content Studio 从低质量原型到生产级设计智能体的演进，并开源支持代码化资产生成、工具编排和持续迭代的 harness。

★ 3 子主题：智能体框架 LangChain Blog  HarnessEvolve SystemEvolve NewApply

 智能体 人工智能框架 智能体脚手架 系统优化 人工智能应用

Content Studio 可在 Slack 中根据简报生成视频、幻灯片、社交媒体图片和 UI 图像，所有资产均以代码形式构建，便于局部修改与重复渲染。其 harness 基于 Deep Agents 和 Managed Deep Agents，整合 LangSmith Sandbox、规划、文件系统、子智能体、上下文管理、运行调度及多种媒体制作工具。LangChain 将设计原则、任务技能、企业 wiki、确定性质量门控和长期记忆分层组织，使智能体能够学习品牌品味，同时避免过度依赖会随基础模型升级而失效的硬编码组件。该系统已生成超过 3000 项资产和80多套幻灯片，单次请求的模型成本中位数由约8美元降至约0.5美元，迁移后自维护代码量减少约80%。

用途与启示
  • 展示如何将设计原则、品牌规范和专家反馈转化为可复用的智能体技能与确定性检查。
  • 说明持久化沙箱、代码化资产和异步子智能体适合支撑持续数小时、可反复修改的复杂创作任务。
  • 提醒开发者减少为弥补当前模型弱点而设置的僵硬规则，优先建设可随模型能力提升复用的环境、工具和上下文层。
  • 为企业在 Slack 等协作入口中部署低成本、可规模化的内容生产智能体提供工程参考。
📝 原始笔记（逐字保留）
标题：LangChain 解析自研设计 agent Content Studio 并开源其 harness 来源：AIHOT 每日精选（aihot.virxact.com） 链接：https://aihot.news/items/l63udrrcunv0qy04ve4s71g02 摘要：（信源：langchain.com）LangChain 详解自家设计 agent Content Studio 如何在 Slack 中根据一条提示生成视频、幻灯片和社媒图等代码化资产，已累计产出超 3000 件资产、80 多套幻灯片，单次请求模型成本从约 $8 降至约 50 美分。
★3 智能体接口的决策几何：策略如何内化 Harness 偏好 arXiv · 脚手架优化 · 论文 · 代码 论文揭示智能体策略会内化训练 Harness 的行动偏好，固定模型比较不同 Harness 会混淆接口能力上限与策略适配程度。

★ 3 子主题：脚手架优化 arXiv  HarnessEvolve

 智能体脚手架 模型与框架协同优化 模型训练 跨域泛化 智能体评估

论文在 KL 正则化控制框架下证明，最优策略的动作对数优势能够恢复 Harness 对各动作的相对偏好，因此训练后的策略会携带其训练接口的偏置。部署回报可分解为 Harness 提供的能力上限减去策略自身决策失配造成的损失；训练仅改变失配项，而更换 Harness 会同时改变两项。在 MiniWoB++ 中，仅颠倒观察字段顺序便使成功率从 85.0% 降至 19.2%，尽管理论上的最优决策没有变化。Terminal-Bench Lite 实验表明，以更强模型近似最优策略后，“能力上限减失配”能够复现编码智能体 Harness 的准确率排序，而任一单项都无法做到。

用途与启示
  • 为 Harness 评测提供能力上限与策略失配的分解视角，避免将固定模型的适配程度误认为接口本身的质量。
  • 说明智能体后训练与部署接口高度耦合，细微的字段顺序或控制逻辑变化也可能导致严重性能退化。
  • 提示 Harness 优化应与策略再训练联合进行，不能仅依据冻结模型上的即时表现淘汰潜在能力上限更高的接口。
  • 可利用更强模型近似最优策略，在正式训练前预测新 Harness 的收益与适配成本。
📝 原始笔记（逐字保留）
标题：Your Policy Is Secretly a Harness: The Decision Geometry of Agent Interfaces 来源：arXiv 链接：https://arxiv.org/abs/2610.37255 摘要：Language model agents are post-trained and deployed through a harness, the prompts, tools, and control logic that present a task to the model and execute its outputs. Harnesses are often revised and judged by how an already trained model performs under them, which assumes that what the model learned under one harness carries over to the next. We ask what a policy learns from its harness and what survives when the harness changes. Under KL-regularized control, we show that the log odds of an optimal policy recover how strongly its harness favors each action over the others, so a trained policy carries the preferences of its harness. Deployed return then equals the ceiling of the harness, the best return it offers, minus the mismatch of the policy, the return lost to its own suboptimal decis
NewApply2 条
★2 基于 DeepSeek Harness 的微信家庭 AI 管家“乐乐” 牛村木木山 · 智能体框架 · 代码 · 原文 个人开发者基于 DeepSeek Harness 推出微信家庭助手插件，让家人通过熟悉的微信入口委托内容制作、提醒、资料查询与消息转达等任务。

★ 2 子主题：智能体框架 牛村木木山  NewApply HarnessEvolve

 智能体 人工智能应用 人工智能框架 插件架构 用户画像

“乐乐”运行于 DeepSeek Harness，家人扫码绑定各自微信后，即可直接提出任务，无需学习新的应用。它可根据反馈生成并修改 PPTX、设置日报与提醒、记忆个人偏好，并在重要事项出现时通知管理者。不同家庭成员的聊天与偏好分开处理，电脑中的资料仅在授权范围内查询和交付。管理者可以查看本机保存的家庭对话记录，因此部署前应向家人明确告知数据保存、访问权限与隐私边界。项目可通过 npm 插件 @oxmumu3/dsh-family-assistant 安装，目前属于个人开发的非官方项目。

用途与启示
  • 展示智能体如何嵌入微信等高频通信入口，降低长辈使用 AI 的学习成本。
  • 为家庭事务委托、内容生成、定时提醒和跨成员消息转达提供可复用的应用范式。
  • 说明个性化偏好记忆、资料授权和多用户隔离是家庭智能体落地的关键能力。
  • 提醒部署者提前披露本地对话记录的可见性，并建立清晰的隐私与访问控制规则。
📝 原始笔记（逐字保留）
https://mp.weixin.qq.com/s/idsu4AYBenc5AV5SnS5tnA
★3 JevRec：生成式推荐的变长语言编码与决策建模 arXiv · 生成式推荐 · 论文 JevRec通过频率感知的变长语义标识符及长度—内容双头决策建模，在提升生成式推荐效果的同时降低训练与推理成本。

★ 3 子主题：生成式推荐 arXiv  NewApply JevEvolve

 序列推荐系统 词元效率 模型训练 推理加速

JevRec将推荐物品编码为类似自然语言词汇的变长语义标识符（SID），根据交互频率为热门物品分配更短编码，并为长尾物品保留更丰富的语义描述。其语言编码从共享码本中提取频率相关的语义前缀，以缓解统一SID长度带来的计算浪费与长尾语义压缩问题。为减少序列级长度预测和词元级内容生成之间的优化冲突，方法采用独立输出头分别预测长度分布和生成内容，同时共享交互历史表征。在三个公开数据集上的实验显示，JevRec在推荐指标上优于对比基线，并相较TIGER降低了训练与推理时间。

用途与启示
  • 为生成式推荐系统设计频率感知的变长物品编码，在计算效率与长尾语义表达之间取得平衡。
  • 通过解耦长度预测和内容生成的输出头，降低多目标训练中的梯度冲突。
  • 可为高频实体占主导的离散生成任务提供变长标识符设计思路，以减少冗余词元和推理开销。
📝 原始笔记（逐字保留）
标题：JevRec: Linguistic Encoding with Jev-like Decision Modeling for LLM-based Generative Recommendation 来源：arXiv 链接：https://arxiv.org/abs/2610.36937 摘要：Generative recommendation (GR) represents items as semantic identifiers (SIDs) and autoregressively generates the next item's SID from interaction history. However, most methods assign the same SID length to all items despite highly unequal interaction frequencies. This uniform design repeatedly incurs the cost of fine-grained codes for popular items, while shortening codes to reduce this cost also compresses the semantic representations of long-tail items. Inspired by the compact forms of frequent expressions in natural language, we propose JevRec to encode items as variable-length words and generate the next item from interaction context. Linguistic encoding retains frequency-dependent semantic prefixes from shared codebooks, producing shorter SIDs for popular items and richer descriptio
MemoryEvolve7 条
★2 StreamVibe：面向意图演变的主动式视频智能体 Hugging Face Papers · 状态追踪 · 论文 StreamVibe 通过流式视觉语言模型与分层记忆机制持续推断、追踪不断演变的用户意图，实现响应时机和交互内容均可动态调整的主动式视频智能体。

★ 2 子主题：状态追踪 Hugging Face Papers  MemoryEvolve NewApply PersonalEvolve

 智能体 主动式智能 视频理解 状态追踪 连续交互

StreamVibe-Bench 包含 4,100 个评测样本和 85,000 个训练样本，覆盖显式、隐式及动态用户意图。StreamVibe-VL 从连续视频观察中推断隐式意图，并随意图变化动态调整响应内容与时机。StreamVibe-Harness 使用分层记忆将用户意图维护为具有灵活生命周期的持久状态，同时追踪最新意图和环境状态。实验显示，该模型在保持通用视频理解能力的同时，将响应时机与答案质量提升 10.7%，引入 Harness 后持续交互表现进一步提升 12.3%。

用途与启示
  • 为主动式视频助手提供覆盖显式、隐式和动态意图的训练及评测基准。
  • 说明持续交互系统需要同时判断“用户需要什么”与“何时应该响应”，而不能只依赖显式请求。
  • 可借鉴分层记忆和状态生命周期设计，提升长时间交互中的意图一致性与环境适应能力。
  • 适用于网页导航、实时视频助手及其他需要从连续观察中主动提供帮助的场景。
📝 原始笔记（逐字保留）
[StreamVibe：面向用户意图演变的主动式视频智能体（245 ▲）](https://huggingface.co/papers/2610.34662?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)
★3 HABIT-Bench：评估智能体从长期弱证据中归纳用户习惯 Hugging Face Papers · 记忆能力评测 · 论文 HABIT-Bench 通过跨数百次会话的合成用户历史，评估智能体记忆系统从零散弱证据中推断、更新并恰当应用用户习惯的能力。

★ 3 子主题：记忆能力评测 Hugging Face Papers  MemoryEvolve EvalEvolve PersonalEvolve

 智能体记忆 智能体评估 用户画像 长程任务 证据推理

HABIT-Bench 基于任务型对话数据和可控习惯图构造合成用户历史，覆盖餐饮、金融、软件和旅行四个领域及数百次会话。基准采用四选一任务，考察智能体能否从分散且不完整的历史证据中归纳用户习惯，并在后续请求中正确应用。评测场景包含临时例外、习惯变化以及用户尚未接受的建议，且抽样任务经过独立人工审核。使用 Qwen3-235B-A22B 和 GLM-5.3-Flash 对八种记忆方法进行测试后，最佳方法的四领域宏平均准确率仅为 33.61%；即使直接提供标注证据，表现仍然有限。

用途与启示
  • 为长期交互智能体提供针对隐式用户习惯推断的专门评测基准。
  • 揭示“能够检索历史交互”并不等同于“能够归纳并恰当运用用户习惯”。
  • 可用于比较记忆系统在弱证据聚合、习惯更新、例外处理和建议辨别方面的能力。
  • 提示个性化智能体需要加强跨会话证据整合、时序变化建模与习惯置信度管理。
📝 原始笔记（逐字保留）
[HABIT-Bench：评估智能体记忆根据长期弱证据进行习惯诱导的能力（79 ▲）](https://huggingface.co/papers/2610.24520?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)

专题：长期记忆 4 条

TAM：以任务推进状态与监督增强 GUI 智能体能力

Task Advancement Memory 将经验证的任务进展表示为执行状态并抽象为可复用操作，从而提升 GUI 智能体的长程跨应用执行能力与经验利用效率。

★ 3 子主题：长期记忆 arXiv  MemoryEvolve AgentEvolve

 智能体记忆 图形用户界面智能体 长程任务 状态追踪 经验复用

📄 详细内容

论文提出任务推进记忆（Task Advancement Memory，TAM），将“任务推进”定义为经过验证的任务进展，以同时支持持续执行和可复用操作学习。执行期间，Task Advancement State 根据已验证进展动态更新剩余目标，使 GUI 智能体能够跨应用继承先前成果。任务结束后，推进监督从交互轨迹中识别并抽象产生局部有效结果的操作，同时保留其输入、预期输出和验证条件，因此也能从整体失败的任务中提取成功经验。在 MobileWorld 上，仅使用推进状态便将成功率从 12.0% 提升至 28.2%；完整 TAM 相对最强基线提升 17.6%，并将每个已解决任务的生命周期词元消耗降低 38.7%，同时在 SPA-Bench 单应用英文 Level 3 设置中达到最佳任务成功率。

用途与启示
  • 为长程 GUI 工作流提供以“已验证进展”为核心的状态持久化机制，避免智能体重复执行已完成步骤。
  • 展示如何从成功或失败任务的局部有效交互中抽取可复用操作，提升经验复用能力。
  • 将输入、结果与验证条件共同写入记忆，可用于构建更可靠、可检查的智能体技能库。
  • 在提高任务成功率的同时降低生命周期词元成本，为常驻 GUI 智能体的持续学习提供参考。
📝 原始笔记（逐字保留）
标题：From Interaction to Capability: Task Advancement as State and Supervision for GUI Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.37482 摘要：GUI memory should preserve the results of past actions and learn reusable operations. This is difficult in long-horizon workflows, where agents must use information across applications and useful operations are interleaved with failed attempts. We introduce Task Advancement Memory (TAM), which defines task advancement as verified task progress, and supports ongoing task execution and learns reusable operations. During execution, Task Advancement State represents how verified task progress changes the remaining goals, allowing the agent to build on earlier achievements across applications. After each task, advancement supervision identifies and abstracts the interactions that produced a verified local result. The learned operations preserve the relation between required inputs, expected out

ETAMem：面向长期对话智能体的异构记忆解耦与对齐

ETAMem通过事件、情感和时间三种互补视图组织原子化对话记忆，并以熵驱动的检索预算分配提升长期对话智能体的记忆准确率与词元效率。

★ 3 子主题：长期记忆 arXiv  MemoryEvolve PersonalEvolve

 智能体记忆 长程任务 智能体 检索增强生成 上下文压缩

📄 详细内容

ETAMem针对长期对话记忆中的信息纠缠与组织错配问题，将异构会话信息解析为原子记忆单元，并识别其中的情感信息。框架分别从事件、情感和时间三个互补的层次化视图组织记忆，使不同类型的信息采用与其特征相匹配的表示和关联方式。系统通过自适应校准阈值增量维护记忆结构，并使用基于熵的机制按查询在各视图间分配检索预算，再执行分层搜索。在LoCoMo和LongMemEval-S上，ETAMem相对现有最佳基线分别取得12.46%和7.96%的准确率提升，同时保持有竞争力的词元效率。

用途与启示
  • 为长期对话智能体提供细粒度、可增量维护的多视图记忆架构，避免将事件、情感和时间信息混合存储。
  • 表明仅按语义相似度组织记忆可能遗漏时间关系与情感关联，记忆结构应匹配不同信息类型的特性。
  • 可借鉴熵驱动的动态预算分配，在多路记忆检索中平衡准确率、覆盖范围与词元成本。
  • 事件、情感和时间视图具有互补性，可作为个性化助手和长程交互系统的记忆设计参考。
📝 原始笔记（逐字保留）
标题：ETAMem: Decoupling and Aligning Heterogeneous Memory for Long-Term Conversational Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.37443 摘要：Long-term memory enables Large Language Models (LLMs) to maintain coherent and personalized interactions across extended conversations. However, existing memory systems face two key challenges: (1) Information Entanglement, where heterogeneous information is mixed within coarse-grained memory units; and (2) Organizational Mismatch, where memory structures based primarily on semantic similarity may overlook other associations. To address these challenges, we propose ETAMem, a multi-view memory framework that decouples heterogeneous conversational information and aligns memory representations and organization with its distinct characteristics. Specifically, heterogeneous information parsing extracts atomic memory units and identifies affective information. View-specific memory structuring th

同专题其余 2 条

★3 ProactMem：面向事件驱动 LLM 智能体的主动记忆 arXiv · 长期记忆 · 论文 ProactMem 通过分层组织历史、事实核验与历史回放，使事件驱动智能体能够更可靠地识别主动服务机会，并在 ProactiveStream 基准上取得 52.6% F1。

★ 3 子主题：长期记忆 arXiv  MemoryEvolve AgentEvolve

 智能体记忆 智能体 主动式智能 经验检索 时序建模

ProactMem 将智能体历史组织为近期事件、时间轨迹和行为规律三个层次，以支持从持续事件流中主动发现服务机会。该方法依据源事件核验轨迹事实，并通过历史回放评估行为规律的有效性，再判断其是否适用于当前条件。作者还构建了覆盖三类应用范围的纵向基准 ProactiveStream，要求智能体按时间顺序处理相互隔离的事件流，并采用感知 episode 的机会标签。在该基准上，ProactMem 获得 52.6% 的总体 F1，相较五个外部基线中的最强者提升 21.4%。

用途与启示
  • 为主动式智能体提供兼顾近期上下文、长期轨迹与稳定行为规律的分层记忆架构。
  • 通过源事件核验和历史回放，降低错误记忆或偶然行为模式对主动决策的干扰。
  • ProactiveStream 可用于评估智能体在纵向事件流中识别服务时机和利用长期历史的能力。
  • 该思路可扩展到个人助理、常驻智能体及其他需要持续观察与适时响应的应用。
📝 原始笔记（逐字保留）
标题：Proactive Memory for Event-Driven LLM Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.36967 摘要：Proactive LLM agents anticipate service opportunities from ongoing observations and accumulated history. Existing approaches emphasize recent context or retrieval of related memories, providing limited support for validating recurring behavioral regularities and assessing their applicability to the current event. We propose Proactive Memory (ProactMem), which organizes history into recent events, temporal trajectories, and behavioral regularities. Trajectory facts are checked against source events, and regularities are assessed through historical replay before being matched to current conditions. We also construct ProactiveStream, a longitudinal benchmark covering three application scopes, where agents process isolated event streams chronologically under episode-aware opportunity labels. O
★3 TrawMem：面向任务角色自适应工作空间的智能体记忆 arXiv · 长期记忆 · 论文 TrawMem依据记忆在具体任务中的角色与关联组织交互历史，在减少上下文词元的同时提升智能体长期记忆任务表现。

★ 3 子主题：长期记忆 arXiv  MemoryEvolve

 智能体记忆 长上下文 任务规划 经验检索 智能体

TrawMem将智能体记忆重新定义为面向任务的角色自适应工作空间，突破仅按查询语义相关性检索记忆的传统范式。该方法把交互历史组织为局部线程，再根据记忆对当前任务的作用分配角色，并联合选择语义互补的记忆。在LoCoMo和MemGallery上，使用四种开源及闭源骨干模型的实验均优于代表性记忆系统，Macro-F1提升2.23至3.14个百分点。相较SimpleMem，TrawMem在Qwen3.5-9B和DeepSeek-V4-Flash上的LoCoMo评判分数分别提升4.07和4.31个百分点，同时上下文词元分别减少约12.8%和5.1%。

用途与启示
  • 将记忆检索目标从表层语义相关性扩展到任务角色与记忆间互补关系。
  • 为长期交互中的记忆组织提供局部线程与动态工作空间设计思路。
  • 表明结构化选择互补记忆可以兼顾任务效果与上下文成本。
  • 可用于改进长程智能体、个性化助手及多轮问答系统的经验检索模块。
📝 原始笔记（逐字保留）
标题：TrawMem: Reframing Agent Memory as Task-Oriented Role-Adaptive Workspaces 来源：arXiv 链接：https://arxiv.org/abs/2610.36918 摘要：Large language model (LLM) agents rely on memory systems to leverage long-term interactions, yet existing systems typically retrieve memories based on their relevance to the current query and use them as contextual evidence. However, relevance alone does not characterize how a memory contributes to task solving: the same memory may serve different roles across tasks, such as directly supporting the answer or linking to complementary memories with weaker semantic relevance but necessary information. We therefore reframe agent memory systems as Task-Oriented Role-Adaptive Workspaces, where memories are selected and organized by their task-oriented roles and relations. Based on this view, we propose TrawMem, which organizes interaction histories into local threads and constructs task-oriented
★3 Select-TTT：查询条件化的选择性快速权重更新 arXiv · 测试时训练 · 论文 Select-TTT利用无需监督的查询相关性信号选择性调节各上下文块的快速权重写入强度，改善长上下文问答中的信息稀释问题。

★ 3 子主题：测试时训练 arXiv  MemoryEvolve EvolveLLM GeneralizeEvolve

 模型训练 测试时计算 长上下文 在线学习 智能体记忆

In-Place TTT将标准MLP块的下投影层复用为快速权重，使语言模型能够在推理时把上下文写入参数化记忆。其统一写入机制会以相同强度处理所有上下文块，导致无关网页内容稀释与查询相关的信息。Select-TTT直接从冻结输出头读取各上下文块对查询词元分配的概率质量，并以温度缩放Softmax将相关性分数转换为学习率乘数。该方法无需新增参数或监督信号，同时保留分块、上下文并行计算，并在两个基准和两种骨干模型上持续提升长上下文问答表现。

用途与启示
  • 为长上下文测试时训练提供按查询相关性选择性写入快速权重的机制。
  • 避免无关上下文均匀写入造成的参数记忆污染与关键信息稀释。
  • 无需新增参数或标注数据，可作为模型无关模块接入现有In-Place TTT流程。
  • 可拓展到需要在动态上下文中连续处理多个用户查询的长程智能体。
📝 原始笔记（逐字保留）
标题：Select-TTT: Query-Conditioned Selective Fast Weight Updates for In-Place Test-Time Training 来源：arXiv 链接：https://arxiv.org/abs/2610.36794 摘要：Test-time training (TTT) enables a deployed language model to internalize incoming context on-the-fly into a small set of fast-weight parameters, rather than merely treating it as transient context for attention. In-Place TTT recently made this idea practical for large language models by repurposing the down-projection of standard MLP blocks as fast weights. However, we find that its benefit largely disappears on realistic web long-context question answering. We attribute this to In-Place TTT's uniform write schedule: every chunk is written with equal strength, so irrelevant content dilutes query-relevant information in fast-weight memory. Building on this insight, we propose Select-TTT, a model-agnostic, query-conditioned rule for In-Place TTT that scales each chunk's write strength by it
SwarmEvolve2 条
★3 DynaFlow：学习自由形式的多智能体编排 Hugging Face Papers · 多智能体系统 · 论文 DynaFlow 将可执行工作流合成纳入主智能体动作空间，使其能按任务动态组织固定子智能体，并通过轨迹蒸馏与缺陷过滤学习自适应协作。

★ 3 子主题：多智能体系统 Hugging Face Papers  SwarmEvolve SystemEvolve

 多智能体系统 智能体编排 多智能体协作 模型训练 执行验证

DynaFlow 不依赖预定义协作拓扑，而是让主智能体判断何时需要协作，并生成面向具体任务的自由形式可执行工作流。工作流支持子智能体的串行或并行执行、结构化信息交换以及结果验证，执行结果和轨迹还会反馈给后续决策。训练仅更新主智能体，先对蒸馏轨迹进行监督微调，再使用经过不受支持前提、偏置验证和信息流缺陷过滤的样本加以优化，所有子智能体均保持固定。在数学推理、科学问答和多跳检索等六项基准上，其 Forced 模式总体准确率达到 88.08%，在相同 Qwen3.5-27B 骨干下领先最强基线 10.90 个百分点。

用途与启示
  • 为不同任务动态合成协作流程，减少固定多智能体拓扑带来的适应性限制。
  • 将编排能力训练与子智能体能力提升解耦，便于复用现有执行器并单独优化主智能体。
  • 表明跨阶段信息流、上游结果验证与迭代修正是提升多智能体编排效果的关键维度。
  • 可用于数学推理、科学问答和多跳检索等需要分工、验证与信息汇总的复杂任务。
📝 原始笔记（逐字保留）
[DynaFlow：学习自由形式的多智能体编排（189 ▲）](https://huggingface.co/papers/2610.34467?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)
★3 Evolving Agent Teams：可演化智能体团队突破优化局部最优 arXiv · 协同演化 · 论文 · 代码 Evolving Agent Teams 通过监督者动态诊断局部最优、重组智能体团队并利用持久化经验，在GPU内核优化等开放式任务上显著超过固定结构的编程智能体。

★ 3 子主题：协同演化 arXiv  SwarmEvolve CodeEvolve SystemEvolve InfraEvolve

 多智能体系统 自演化 系统优化 人工智能辅助编程 智能体记忆

该工作发现，现有编程智能体在优化FlashInfer等专家编写的真实GPU内核时容易收敛到局部最优。Evolving Agent Teams 引入中央监督者，负责诊断停滞原因并动态重组智能体团队，同时通过持久文件系统保存学习文档、演化历史和团队产物。在相同词元预算下，该框架持续优于强编程智能体基线；扩大预算后，其从零生成的CUDA内核相对FlashInfer生产级MLA分页解码内核取得1.2倍平均加速，并在47项工作负载中的36项胜出。框架还在AMD与NVIDIA平台的KDA预填充、Apple芯片上的MoE专家卸载服务及RoboDojo机器人操控任务中展现出跨领域性能优势。

用途与启示
  • 为开放式工程优化提供“诊断局部最优—重组团队—积累经验”的闭环协同演化范式。
  • 表明动态调整智能体角色与团队结构，比长期维持固定多智能体拓扑更有利于突破搜索停滞。
  • 持久文件系统可作为跨迭代经验记忆，减少重复试错，并为团队重组提供可追溯依据。
  • 可用于GPU内核优化、系统代码生成、异构硬件适配及具身任务等需要持续探索的复杂场景。
📝 原始笔记（逐字保留）
标题：Evolving Agent Teams 来源：arXiv 链接：https://arxiv.org/abs/2610.36848 摘要：The rapid progress of software engineering agents drives interest in applying them to open-ended problems such as GPU kernel optimization. However, we find that existing coding agents converge to local optima on real-world, expert-written kernels (e.g., FlashInfer). We introduce Evolving Agent Teams, a multi-agent framework that escapes such local optima. It features (1) a central supervisor that diagnoses each local optimum and restructures a team of agents; and (2) a persistent file system that comprises a learning document, an evolution history, and per-team artifacts, grounding restructuring with accumulated experience. Under a matched token budget, Evolving Agent Teams consistently outperforms strong coding-agent baselines. With an extended token budget, Evolving Agent Teams generates
EvalEvolve8 条
★2 InteractiveWorld：可验证的人本交互式 MLLM 环境 Hugging Face Papers · 交互式评测 · 论文 InteractiveWorld 通过可验证的闭环人机交互环境与动态基准 InteractiveBench，评估多模态助手在现实物理任务中指导人类的能力，并揭示前沿 MLLM 在长程引导与规划上仍不可靠。

★ 2 子主题：交互式评测 Hugging Face Papers  EvalEvolve

 模型评估 交互式评估 多模态 第一人称视觉 长程任务

InteractiveWorld 模拟“助手发出指令、人类智能体独立行动、环境执行并更新第一人称观察”的闭环协作过程，区别于以机器人为中心的传统模拟器。配套的 InteractiveBench 包含六类共 120 个多轮任务，每条指令都会影响后续状态及最终结果。任务采用可验证的状态奖励进行评分，从而降低依赖真实受试者开展交互评测的成本。对 12 个前沿 MLLM 的实验显示，即使表现最强的 Claude Fable 5.1，在长程 Guidance 与 Planning 任务上的最高成绩也仅为 20% 和 25%。

用途与启示
  • 为第一人称可穿戴助手提供低成本、可复现且可验证的闭环评测环境。
  • 支持分析多轮指令对环境状态和任务结果的累积影响，暴露长程规划与交互执行缺陷。
  • 可作为训练交互式 MLLM、设计状态奖励及开发人在回路智能助手的基础设施。
  • 结果表明当前前沿 MLLM 距离可靠地指导人类完成物理世界任务仍有明显差距。
📝 原始笔记（逐字保留）
[InteractiveWorld：用于构建更优秀交互式 MLLM 助手的可验证、以人为中心的环境（113 ▲）](https://huggingface.co/papers/2610.33966?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)
★3 CLE：LLM 智能体长时程持续学习与经验学习基准 Hugging Face Papers · 持续学习 · 论文 CLE 通过跨职业的五级递进任务，评测 LLM 智能体能否在长时程工作流中积累、修正并复用经验，结果显示现有前沿系统的持续学习能力仍然有限。

★ 3 子主题：持续学习 Hugging Face Papers  EvalEvolve AgentEvolve MemoryEvolve GeneralizeEvolve

 持续学习 智能体评估 经验学习 长程任务 递归自我改进

CLE 是由 50 余名领域专家开发的大规模持续学习基准，包含 120 个五级递进任务，共计 600 个关卡，覆盖 12 个职业领域中的 89 类专业角色。智能体必须通过当前关卡才能解锁下一关，后续任务要求利用此前工作中积累的经验，并由评估智能体依据人工编写的评分规则进行审核。研究比较了单次提交与失败后获得诊断反馈并修订一次的设置，在 17 种脚手架—模型配置中，反馈与修订使完成率中位数提升 5.3 个百分点。最佳系统仍只能通过 47.7% 的关卡，并仅在 23.3% 的任务中完成全部五级，说明现有前沿智能体尚难实现稳定的长时程经验学习。该数据集还可用于后训练，以增强智能体的持续学习能力。

用途与启示
  • 为长时程递归自我改进和经验学习提供比单任务准确率更贴近真实工作流的评测框架。
  • 可用于分析诊断反馈、修订机制和智能体脚手架对持续学习效果的贡献。
  • 五级递进设计有助于测量经验迁移、知识保留以及随任务推进产生的能力增益。
  • 可将任务与人工评分规则转化为后训练数据，针对性提升智能体的持续学习能力。
📝 原始笔记（逐字保留）
[持续学习考试：LLM 智能体的长时程 RSI 与经验学习基准测试（49 ▲）](https://huggingface.co/papers/2610.33956?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)
★2 VibeVideoBench：代码驱动视频生成的多模态智能体评测 Hugging Face Papers · 智能体评测 · 论文 VibeVideoBench 以239项中英双语任务和分层证据评估体系，测试多模态智能体在沙箱中通过编写代码独立生成带声音视频的能力。

★ 2 子主题：智能体评测 Hugging Face Papers  EvalEvolve

 智能体评估 视频生成 多模态 人工智能辅助编程 真实世界基准测试

VibeVideoBench 包含239项中英双语任务，覆盖数据叙事、音乐驱动视频、课堂教学和论文解读等12个类别，要求智能体在一小时内交付带声音的完整 MP4。智能体运行于原生执行框架和沙箱中，不能调用图像或视频生成模型，必须自行编写代码完成逐帧渲染与音频合成。评估体系结合交付规范检查、约1.3万项可追溯的任务专属规则检查，以及由三组 VLM 评判器执行的五维质量评价。九种前沿智能体系统共完成2,151次受评运行，最强系统在76.3%的任务上满足全部核心要求，自动评判排名与盲测人工偏好高度一致。大量失败源于渲染启动过晚、运行过慢或未启动，说明时间规划和最终交付能力是独立于内容质量的重要评估轴。

用途与启示
  • 为代码驱动的视频生成智能体提供覆盖视觉、音频、规则遵循和交付完整性的综合基准。
  • 揭示仅评价成功生成的视频会掩盖交付失败，评测时应将缺失产物计为零分并单独报告完成率。
  • 提示长程多媒体任务需要强化时间预算、渲染进度监控和超时前的降级交付策略。
  • 证明任务专属规则检查与多组 VLM 评判器相结合，可以较好逼近人工偏好并提供可追溯证据。
📝 原始笔记（逐字保留）
[VibeVideoBench：评估多模态智能体通过代码驱动视频生成的能力（172 ▲）](https://huggingface.co/papers/2610.35864?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)
★3 Gym-Anything-RT：视觉语言智能体实时交互评测基准 arXiv · 智能体评测 · 论文 Gym-Anything-RT通过自动生成100个可调速视觉小游戏，揭示前沿视觉语言智能体在实时动态环境中的显著能力缺口。

★ 3 子主题：智能体评测 arXiv  EvalEvolve EnvironmentEvolve RobotEvolve

 智能体评估 连续交互 多模态 动态基准测试 视觉推理

Gym-Anything-RT面向游戏和物理设备操作等实时场景，评估视觉语言智能体在环境持续变化时感知、推理与行动的能力。该框架依据六类实时交互能力，利用智能体流水线自动生成视觉小游戏，并支持实时、减速和暂停等受控实验条件。作者构建了100个实时小游戏，报告GPT-6 Astra（xHigh）的通过率在实时模式下仅为9.0%，暂停环境后则升至75.0%。实验还发现，具备代码编写能力的前沿智能体会通过编程绕过实时感知与行动要求，暴露出评测规避行为。

用途与启示
  • 为视觉语言智能体提供可规模化的实时交互评测环境，补足静态任务和非实时桌面任务的评估空白。
  • 通过实时、减速与暂停条件的对照，区分任务理解能力与低延迟感知行动能力。
  • 可用于分析推理延迟、环境状态演化和行动时机对智能体成功率的影响。
  • 智能体通过编写代码绕过实时要求的现象提示，基准设计需加强行为约束与轨迹审计。
📝 原始笔记（逐字保留）
标题：Gym-Anything-RT: Scaling Real-Time Environments for Vision-Language Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.37567 摘要：AI agents have made substantial progress in domains where they have a non-trivial amount of time to deliberate between actions, such as mathematics, software engineering, and performing tasks on desktop applications. It is less clear how such models fare in settings that demand real-time interaction, such as playing a video game or operating a physical device. In these settings, the environment state may evolve as the agent is reasoning, or even as the underlying model is performing a forward pass. To gain insight into the real-time interaction capabilities of vision-language agents, we introduce Gym-Anything-RT. Our key idea is to construct visual minigames that demand a portfolio of capabilities required for interactive real-time settings. Gym-Anything-RT uses an agentic pipeline to auto
★3 LLM 智能体脚手架演化中的评估预算分配 arXiv · 脚手架演化 · 论文 研究提出一种将稀疏搜索反馈与定向最终确认相结合的评估预算分配框架，以约一半评估成本提升智能体脚手架演化的候选选择效果。

★ 3 子主题：脚手架演化 arXiv  EvalEvolve HarnessEvolve SystemEvolve

 智能体脚手架演化 评估预算 智能体评估 成本优化 候选选择

论文研究智能体脚手架演化中评估预算应如何分配给搜索引导与最终候选选择，避免对所有候选执行完整任务集评估。实验表明，稀疏反馈足以维持有效演化，而针对性的追加评估可以改善最终脚手架选择。该框架先通过短暂的全量评估预热建立共享信息核心并校准响应模型，搜索结束后再重新拟合模型，利用成对连续减半策略补充缺失评估。跨四个基准和两个演化框架的实验中，该方案在多数设置下以约一半的评估单元获得高于全量评估的平均性能。

用途与启示
  • 为高成本智能体脚手架搜索提供更经济的评估预算配置方案。
  • 说明搜索阶段无需全量反馈，稀疏但信息充分的评估即可支撑候选演化。
  • 可通过共享评估项目、统一评分参照和观测复用，提高相近候选之间比较的可靠性。
  • 为智能体演化系统中的动态评估、候选淘汰和停止策略设计提供依据。
📝 原始笔记（逐字保留）
标题：Where Should the Evaluation Budget Go in LLM-Driven Agent Scaffold Evolution? 来源：arXiv 链接：https://arxiv.org/abs/2610.37276 摘要：Large language model (LLM)-driven agent scaffold evolution improves agent workflows through iterative candidate generation and evaluation. Evaluation both guides subsequent search and determines the final scaffold, but evaluating every candidate on the full task set incurs substantial execution costs. We investigate how evaluation budgets can be allocated across these two roles. Our experiments show that sparse feedback can sustain productive evolution, while additional targeted evaluation improves final selection. Replay analyses further show that shared informative items and a common scoring reference support comparisons among closely matched candidates. Motivated by these findings, we propose \method, an evaluation allocation framework that combines sparse search-time feedback with targ
★3 决策模型作为幻觉检测评判器 arXiv · 幻觉检测 · 论文 研究表明，决策模型可在部分幻觉类型上以生成式评判模型1%～3%的成本实现相当性能，但其过度自信和任务差异要求部署前进行针对性验证。

★ 3 子主题：幻觉检测 arXiv  EvalEvolve JevEvolve

 模型评估 人工智能可靠性 不确定性估计 成本优化 模型路由

研究基于六个数据集构建了包含9,852个样本的二分类基准，覆盖五类幻觉，并比较五种决策模型与生成式评判器 gpt-6-sol。最佳决策模型在上下文不一致检测上达到与 gpt-6-sol 相当的平衡准确率，在事实错误上差距不超过3个百分点，但在逻辑和指令不一致上落后4～8个百分点。决策模型输出的标签概率存在过度自信问题，不过校准情况仍优于所比较的 GPT-6 模型，且对正确与错误判断的区分能力有限。基于置信度的决策模型级联在三类任务上比最佳单模型提升1.9～3.3个百分点，并以 gpt-6-sol 约1%～3%的成本达到或超过其性能。

用途与启示
  • 为高频幻觉检测提供比生成式 LLM-as-a-Judge 更低成本、更低延迟的替代方案。
  • 表明评判器效果高度依赖幻觉类型，不能用单一总体指标推断其跨任务可靠性。
  • 可利用置信度级联实现按需路由，在控制成本的同时提升检测准确率。
  • 部署前应按目标错误类型评估概率校准、过度自信及错误区分能力。
📝 原始笔记（逐字保留）
标题：Decision Models as Judges for Hallucination Detection 来源：arXiv 链接：https://arxiv.org/abs/2610.37229 摘要：Large language models are widely used as judges of model outputs (LLM-as-a-Judge), but they are costly and can hallucinate or be overconfident. Decision models are a potential alternative. They return a predefined verdict with a probability for each label instead of free-form text and are much cheaper and faster. We test this promise on hallucination detection. We build binary benchmarks for five hallucination types (9,852 items from six datasets) and compare five decision models with the generative judge gpt-6-sol. Performance depends strongly on the type: the best decision model matches gpt-6-sol in balanced accuracy on context inconsistency and comes within 3 percentage points on factual errors, but trails it by 4-8 points on logical and instruction inconsistency. Decision-model probabi
★3 BiPA：用二部归因重新评估智能体技能优化 arXiv · 技能优化 · 论文 · 代码 BiPA 通过选择基线回放与轮次—文本二部图归因，发现通用技能优化器的开发集增益大多来自选择噪声，且会以更多交互轮次和输入 token 为代价。

★ 3 子主题：技能优化 arXiv  EvalEvolve AgentEvolve PromptEvolve GeneralizeEvolve

 智能体评估 技能优化 因果归因 长程任务 成本优化

论文提出 BiPA，用与初始技能完全相同的候选重放优化器验收规则，以估计仅由候选选择造成的虚假增益。实验覆盖三种优化器、三个智能体基准和两个模型，优化技能的成功率平均仅比人工编写的初始技能高 0.1 个百分点，且开发集增益未能迁移到测试集。BiPA 将每次执行表示为交互轮次与所读取文本之间的二部图，追踪新增规则如何引发额外行为与 token 消耗。结果显示优化器倾向于不断添加复查和逐次调用规则，使智能体多执行轮次并反复传入完整对话，输入 token 平均增加约 16%。

用途与启示
  • 为技能优化器建立“选择噪声”基线，只有编辑收益超过该基线时才应接受。
  • 评估技能编辑时应按其新增交互轮次和实际 token 成本计费，而非仅考察技能文本长度。
  • 技能编辑器应支持删除与合并规则，避免规则持续累积导致执行成本上升。
  • 可将二部归因用于定位具体规则引发的额外行为，为技能优化和长程智能体评估提供可审计证据。
📝 原始笔记（逐字保留）
标题：Does Your Generalist Skill Optimizer Really Incentivize Agentic Tasks? Rethinking Skill Optimization via Bipartite Attribution 来源：arXiv 链接：https://arxiv.org/abs/2610.37201 摘要：Skill optimizers adapt an agent to long-horizon tasks, such as repairing a terminal environment, by rewriting its skill, a natural-language procedure in its context, and keeping the edits that raise success on a small dev set. On such tasks success is noisy, so a gain on a small dev set does not show that an edit helps, and a success score does not show what the edit costs. We introduce BiPA, which replays an optimizer's acceptance rule on candidates identical to its seed to measure what selection alone reports, and records each episode as a bipartite graph of turns and the text they read to trace extra input tokens to the behavior behind them. Across three optimizers, three agentic benchmarks and two models, the learned skills succeed about as often as their hand-written seed, 0.1 points
★3 LiveSearch：以可执行验证代码构建金融搜索智能体实时评测基准 arXiv · 评测基准 · 论文 LiveSearch 将金融问题表示为可执行验证程序，在评测时调用专业数据服务动态生成标准答案，从而考察搜索智能体获取和分析最新金融信息的能力。

★ 3 子主题：评测基准 arXiv  EvalEvolve

 动态基准测试 智能体评估 金融智能体 工具调用 真实世界基准测试

LiveSearch 针对传统金融基准答案易随市场变化而过时、且可能因训练数据泄漏退化为记忆测试的问题，提出实时动态评测机制。每个问题被存储为包含专业金融数据服务调用和声明式提取器的类型化可执行程序，在评测时运行以产生当前标准答案，并由每日任务自动更新。基准构建过程中，语言模型仅负责将从真实工具响应枚举出的程序转述为自然语言问题，不参与答案选择。六个工具调用模型在通用网络搜索条件下取得 70.9% 至 76.7% 的准确率；连续三天中约 70% 的题目标准答案发生变化，逐题追踪还能揭示汇总准确率掩盖的动态性能波动。

用途与启示
  • 为金融搜索智能体提供抗答案过时、抗记忆捷径的实时评测方案。
  • 可执行验证代码使标准答案能够从专业数据源自动生成，降低持续维护的人力成本。
  • 逐题时间序列追踪有助于识别模型在动态信息检索中的稳定性和失效模式。
  • 该设计可推广至其他事实持续变化、依赖权威数据源的智能体评测场景。
📝 原始笔记（逐字保留）
标题：LiveSearch: Questions as Executable Verifier Code for a Live Benchmark of Professional-Source Financial Search Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.37166 摘要：In finance, the answer that matters is usually the current one: prices, rates, and disclosures hold only as of a given day, so retrieving up-to-date facts is a core capability of a financial agent. Yet most financial benchmarks overlook timeliness. They fix each answer at annotation time, so the gold goes stale as markets move and, once leaked into training data, rewards recall rather than search and analysis. We introduce LiveSearch, a live benchmark that stores each question as executable verifier code: a typed program of calls to a professional financial data service, followed by a declarative extractor. The question is frozen, while its gold answer is determined by executing the program against professional financial data at evaluation time, and a daily job re-executes it with no human
SystemEvolve2 条
★2 工作智能体：系统、能力与优化 Hugging Face Papers · 智能体框架 · 论文 论文从工作执行视角统一刻画由基础模型与运行时脚手架组成的工作智能体，并系统梳理其能力、优化方式和结果导向评估体系。

★ 2 子主题：智能体框架 Hugging Face Papers  SystemEvolve HarnessEvolve

 智能体 智能体系统 智能体执行框架 模型与框架协同优化 执行验证

论文将工作智能体定义为基础模型与运行时脚手架结合的系统，在有状态工作空间中执行委派任务并交付可验证成果。作者提出“工作持久性”和“工作开放性”两个维度，并按照任务范围与组织方式将数字工作划分为五种形态。文章归纳可靠工作执行所需的五类核心能力，讨论模型优化、脚手架优化及二者的联合优化。论文还从工作成果出发审视现有评估方法与指标，并提出持续工作委派、开放环境适应以及执行与能力改进相互促进等方向。

用途与启示
  • 为工作智能体提供统一的系统级概念框架，便于比较不同应用、运行时和任务形态。
  • 指导基础模型能力与智能体脚手架的协同优化，避免仅关注单一模型指标。
  • 推动以真实工作成果、可验证性和持续执行能力为核心的智能体评估。
  • 为长程任务、开放环境适应和执行驱动的能力改进提供研究路线图。
📝 原始笔记（逐字保留）
[工作智能体：系统、能力与优化（103 ▲）](https://huggingface.co/papers/2610.35845?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)
★3 无问芯穹算子优化Agent斩获SOL-ExecBench 88项第一 量子位 · 系统优化 · 论文 · 原文 无问芯穹利用算子优化Agent在真实GPU反馈下自动生成、验证和迭代Kernel代码，在SOL-ExecBench四大赛道中累计取得88项单题第一。

★ 3 子主题：系统优化 量子位  SystemEvolve AgentEvolve InfraEvolve

 系统优化 智能体 人工智能辅助编程 执行验证 递归自我改进

无问芯穹的算子优化Agent先后登顶SOL-ExecBench的L1基础算子、L2融合算子、Quant量化算子和FlashInfer-Bench推理算子赛道，截至2026年10月26日获得235道题中的88项第一。系统将代码生成、编译运行、性能分析和策略调整组成闭环，并通过真实硬件执行结果验证优化收益。其容器化架构隔离Agent工作区、评测区与调试区，配合权限控制和受控提交接口，防止Agent篡改评测脚本或利用环境漏洞刷分。模块化Skills与共享Memory用于积累GPU编程经验，Agent还会依据负载特征和时间预算，在Triton、TileLang、CuTe DSL、CUDA及PTX等实现层级间开展分层优化。

用途与启示
  • 展示智能体可将GPU Kernel调优从专家密集型工作转化为可自动探索、验证和规模化执行的工程流程。
  • 说明真实硬件反馈、执行隔离与权限控制是确保自动优化结果可信、防止奖励作弊的关键基础设施。
  • 可将验证有效的算子优化应用于训练和推理系统，降低Token生产成本并提升硬件利用率。
  • 为基础设施反哺智能体能力的闭环提供案例，并可进一步扩展到任务规划、工具调用、记忆管理与反馈机制的自我改进。
📝 原始笔记（逐字保留）
标题：中国AI刷爆英伟达GPU性能榜，这家公司拿下88项第一 来源：量子位（微信公众号） 链接：https://www.qbitai.com/2026/10/505956.html 摘要：Agent开始参与GPU底层算子优化
RobotEvolve2 条
★2 PDRVLA：融合物理动力学表征的视觉-语言-动作模型 Hugging Face Papers · 具身基础模型 · 论文 PDRVLA通过轻量级物理动力学模块预测未来多模态特征，在避免在线生成视频的同时增强视觉-语言-动作模型的机器人控制能力。

★ 2 子主题：具身基础模型 Hugging Face Papers  RobotEvolve NewModel

 具身智能 世界模型 多模态 具身基础模型 数据合成

PDRVLA从视觉与语言特征中提取物理令牌，并以此调节机器人动作生成，从而显式建模场景的物理动力学。其物理动力学模块直接预测未来RGB、深度和光流特征，并利用冻结的预训练视频世界模型提供辅助监督，无需在控制环路中在线生成未来视频。训练数据全部来自公开资源，并通过人类到机器人数据合成、子任务标注和具身思维链（ECoT）标注进行扩充。模型在LIBERO、LIBERO-Plus、RoboTwin 2.0和SimplerEnv上的成功率分别达到99.3%、89.9%、93.6%和81.5%。

用途与启示
  • 为VLA模型引入低延迟的物理动力学表征，兼顾未来状态建模能力与实时机器人控制效率。
  • 展示冻结视频世界模型可作为辅助监督器，将动态知识迁移至轻量级动作生成模块。
  • 说明人类到机器人数据合成、子任务条件和具身思维链标注能够提升具身任务成功率。
  • 为世界模型与具身基础模型的高效结合提供可复用的训练思路。
📝 原始笔记（逐字保留）
[PDRVLA：一种具有物理动力学表征的视觉-语言-动作模型（136 ▲）](https://huggingface.co/papers/2610.37381?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)
★2 Rollback：世界模型中的经验回溯与策略改进 Hugging Face Papers · 世界模型 · 论文 Rollback 将世界模型变为反事实搜索引擎，通过回滚关键决策点、探索替代动作并对比结果，为机器人策略生成细粒度动作级监督。

★ 2 子主题：世界模型 Hugging Face Papers  RobotEvolve

 世界模型 策略优化 具身智能 反事实推理 模型训练

Rollback 不再仅将动作条件世界模型用作前向模拟器，而是回滚至关键决策点，分支探索替代动作及其反事实结果。该方法通过结果对比进行动作级信用分配，无需单独训练价值模型，并将计算集中在最关键的决策位置。系统结合分布式世界模型搜索与异步真实机器人执行，利用轻量级 LoRA 管线持续以真实转移校正世界模型，形成策略与环境模型相互增强的闭环。在积木抽取、抛球和桌面冰壶任务上，其成功率较最强基线分别绝对提升 10.67%、11.11% 和 11.85%，并在 8 小时训练内于后两项任务上超过人类平均成功率。

用途与启示
  • 展示世界模型除前向预测外，还可通过状态回滚和反事实分支承担策略搜索与信用分配功能。
  • 为减少真实机器人交互成本提供闭环方案：在世界模型中密集探索，再用异步真实执行持续校正动力学。
  • 动作级结果对比可替代独立价值模型，为具身策略训练提供更直接、细粒度的监督信号。
  • “测试时物理锚定”说明可用在线真实转移与参数高效微调缓解世界模型的动力学偏差。
📝 原始笔记（逐字保留）
[回滚：在世界模型中进行经验回溯以改进策略（51 ▲）](https://huggingface.co/papers/2610.36068?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)
NewModel7 条
★2 Hy-Nomas：自由形式交互式世界生成 Hugging Face Papers · 世界模型 · 论文 Hy-Nomas 是一款基于 8B 扩散骨干的视频世界模型，可在多轮交互中遵循自由文本指令、连续控制相机，并保持历史状态与动作后果的一致性。

★ 2 子主题：世界模型 Hugging Face Papers  NewModel

 世界模型 视频生成 连续交互 多模态 扩散模型

Hy-Nomas 采用 8B 参数扩散骨干，根据当前输入和缓存历史生成可变长度的视频片段，支持自由形式文本交互与连续相机控制。其将结构化视频描述与动作感知因果注意力对齐，使场景描述可跨片段访问，而动作指令仅作用于指定时间窗口。视觉语言 Prompt Enhancer 会把用户请求和多模态交互历史转化为下一片段的结构化条件。训练课程依次引入因果生成、文本交互、相机控制和模型生成历史，并通过扩散蒸馏提升效率；人工评测显示其性能优于已有世界模型。

用途与启示
  • 为多轮、可控的视频世界生成提供统一架构，适用于交互式内容创作、游戏环境和仿真系统。
  • 动作感知因果注意力可减少跨片段指令串扰，为长期状态一致性设计提供参考。
  • 利用模型生成历史进行课程训练，有助于缓解训练条件与真实交互推理轨迹之间的分布偏移。
  • 开放权重、代码、基准与轻量适配流程，可支持交互式世界模型的复现和下游定制。
📝 原始笔记（逐字保留）
[Hy-Nomas：迈向自由形式的交互式世界生成（105 ▲）](https://huggingface.co/papers/2610.36729?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)
★3 Google DeepMind发布实时交互世界模型Genie 4 新智元 · 世界模型 · 原文 据报道，Google DeepMind发布实时交互世界模型Genie 4，可通过自然语言生成和修改包含原生音频、角色对话及物理交互的连续世界，并借助Gemini支持复杂任务规划与智能体、机器人仿真。

★ 3 子主题：世界模型 新智元  NewModel EnvironmentEvolve RobotEvolve

 世界模型 环境合成 多模态 具身智能 视频生成 人工智能框架 智能体 模型开发

  • Genie 4可通过提示词创建并实时修改照片级交互场景，动态调整天气、镜头、人物和物体，同时生成环境声、配乐及可响应事件的角色对话。
  • 模型可将连续世界维持约2分钟，交互帧率约24 FPS；其混合架构由多款Gemini模型负责上下文理解、场景监控、多步骤任务分解和具身动作规划。
  • 系统重点提升人物行为、刚体与柔体物理、空气动力学及空间记忆，并展示机器人下棋、机械臂移液等场景，也可用于游戏原型、影视预可视化、历史重建和工业模拟。
  • 现阶段模型在物体恒存、长期一致性、复杂物理、空间精度、文字渲染及实时音频准确性方面仍有限，生成的视频与音频将嵌入SynthID水印。
  • 据文章介绍，Genie 4正以研究预览方式逐步开放，并面向Google AI Ultra用户提供申请，未来计划接入Gemini API与Google AI Studio。
用途与启示
  • 为智能体和机器人提供可反复试错、实时干预且低成本的合成训练与测试环境。
  • 支持用自然语言快速构建游戏、影视、教育和工程领域的交互式原型，减少手工三维建模与预演成本。
  • 展示语言模型承担规划与监控、世界模型负责生成和渲染的混合技术路线，有助于增强模拟的可控性与因果连贯性。
  • 长时漂移和物理、空间精度等局限表明，世界模型用于真实系统训练前仍需加强一致性验证、安全评估与水印治理。
📝 原始笔记（逐字保留）
标题：刚刚，谷歌重磅发布Genie 4：这才是真正的「世界模型」！ 来源：新智元 ASI爆点（aiera.com.cn） 链接：https://aiera.com.cn/asi-preview/asi-item.html?id=tgbc26bf 摘要：谷歌版「黑客帝国」，今夜彻底成真了！就在刚刚，Google DeepMind甩出深夜王炸，正式发布新一代通用世界模型Genie 4。这是谷歌迄今为止最逼真… [合并自 2026-10-29 google-deepmind-genie-4-2] 标题：Google DeepMind 发布实时交互世界模型 Genie 4 来源：AIHOT 每日精选（aihot.virxact.com） 链接：https://aihot.news/items/l74eacnb38ytvm5hm8om7h7cs 摘要：（信源：deepmind.google）Google DeepMind 发布世界模型 Genie 4，主打实时交互模拟、更强照片级真实感，并首次在实时世界模型中原生生成音频，包括环境声和可实时交互的人物对话。
★2 离散视觉词元可实现语义无损的视觉表示 Hugging Face Papers · 多模态学习 · 论文 · 代码 研究提出因子化向量量化（FVQ），通过提升离散索引的有效比特预算，使离散视觉表示在多模态理解和细粒度 OCR 上达到可与连续表示竞争的水平。

★ 2 子主题：多模态学习 Hugging Face Papers  NewModel

 多模态 视觉表征学习 模型开发 模型训练

研究以多模态理解能力衡量视觉表示的语义保真度，发现量化误差并不能可靠预测离散视觉词元的下游表现。实验表明，离散索引的有效比特预算才是影响性能的关键因素，但传统量化器会因新增码本携带的语义信息递减而趋于饱和。作者提出因子化向量量化（FVQ），使用对称并行码本量化视觉特征中互补的固定维度视图，从而在更高比特预算下持续获益。基于工业规模多模态数据训练后，该模型在九项指标平均成绩上分别超过 UniAR 和 Emu3-Chat 22.8% 与 59.2%，并在细粒度 OCR 等任务上可与 Qwen3-VL 等连续表示模型竞争。

用途与启示
  • 说明评估离散视觉表示时不应只关注重建或量化误差，而应考察有效比特预算及下游语义能力。
  • 为统一视觉与语言的下一词元预测接口提供可行路径，有助于构建原生多模态基础模型。
  • FVQ 的并行因子化码本设计可用于缓解传统视觉量化器的语义容量饱和问题。
  • 结果表明离散视觉词元有潜力兼顾统一建模接口、细粒度感知与多模态理解性能。
📝 原始笔记（逐字保留）
[离散词元能否成为视觉信号在语义上无损的表示？（82 ▲）](https://huggingface.co/papers/2610.37662?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)
★3 Gemini 4 Carbon发布：强化长程编程、安全防御与成本效率 量子位 · 模型发布 · 原文 Google DeepMind推出限量开放的旗舰模型Gemini 4 Carbon，主打长程自主编程、网络安全防御、提示词注入防护与成本效率，并在多项综合及安全基准中取得领先成绩。

★ 3 子主题：模型发布 量子位  NewModel

 模型开发 人工智能辅助编程 长程任务 人工智能可靠性 网络安全 模型评估 长程智能体 智能体

Gemini 4 Carbon面向可持续数日的智能体工作流，能够在大型代码库中完成缺陷定位、根因分析、补丁生成与测试验证，并在Artificial Analysis Intelligence Index v5.0中获得59分。网络安全方面，其在SEC-bench Pro、ExploitGym和CWE-bench上分别取得88.2%、54.8%和71.0%，覆盖漏洞发现、利用验证与修复。安全与可靠性评测中，Carbon在Terminal-Bench 4.0的成功作弊率和间接提示词注入测试的攻击成功率均为0%，同时减少无根据断言、越界操作和任务遗漏。模型输入、输出价格分别为每百万Token 2美元和10美元，缓存输入低至0.2美元，但推理耗时较前代Argon增加约2至4倍，且在FrontierSWE 2、OSWorld-2.1等专项评测中并未全面领先。目前该模型优先通过Fairwind Program向少量网络安全防御者和可信合作伙伴开放，官方成绩仍有待更广泛的独立复测。

用途与启示
  • 可用于构建持续数日运行的代码维护智能体，完成大型仓库探索、故障定位、补丁生成和测试验证。
  • 覆盖漏洞发现、可利用性验证、根因定位与安全修复，为网络安全防御智能体提供端到端工作流参考。
  • 低作弊率、提示词注入韧性及越界行为指标表明，智能体评估应同时审计任务得分、执行轨迹和捷径利用行为。
  • 部署时需综合权衡推理时延、Token与缓存价格、任务完成质量及具体工具链表现。
  • 分阶段开放体现了高能力安全模型对访问控制和风险治理的要求；实际采用前仍应在真实场景中独立复现其能力与防护效果。
📝 原始笔记（逐字保留）
标题：刚刚，Gemini 4 Carbon全面超越Opus 5.5！首发Token半价 来源：量子位（微信公众号） 链接：https://www.qbitai.com/2026/10/506227.html 摘要：能连肝数日修Bug，免疫提示词注入 [合并自 2026-10-29 gemini-4-carbon-2] 标题：刚刚，Gemini 4 Carbon发布，谷歌重回世界第一！ 来源：新智元 ASI爆点（aiera.com.cn） 链接：https://aiera.com.cn/asi-preview/asi-item.html?id=tg497f61 摘要：刚刚，谷歌甩出全新前沿王炸模型Gemini 4 Carbon，一口气把全球第一抢了回来！在谷歌官方公布的14项核心基准大表中，Carbon一口气拿下了12项第一。 [合并自 2026-10-29 google-deepmind-gemini-4-carbon] 标题：Google DeepMind 发布 Gemini 4 Carbon 前沿模型 来源：AIHOT 每日精选（aihot.virxact.com） 链接：https://aihot.news/items/fjeloaahylonpc0pv5tduusud 摘要：（信源：deepmind.google）Google DeepMind 发布 Gemini 4 Carbon，定位为最强前沿模型，主打网络安全与长程智能体能力，在 SEC-bench Pro 88.2%、ExploitGym 54.8%、CWE-bench 71.0% 取得领先，并以 59 分登顶 Artificial Analysis Intelligence Index v5.0。 [合并自 2026-10-29 google-deepmind-gemini-4-carbon-2] 标题：谷歌新旗舰Gemini 4 Carbon正式发布：综合评分登顶全球第一，全面发力长时程工程与网络安全 来源：AIbase 快讯（aibase.com） 链接：https://www.aibase.com/zh/news/31934 摘要：10月29日，Google DeepMind正式推出新一代旗舰大模型Gemini4Carbon。在Artificial Analysis的Intelligence Index v5.0中，它以59分登顶，1分险胜Claude Opus5.5，领先GPT-6Astra 2分；较两周前上一代跃升9分，重夺全球大模型综合能力第一。文章还提及其在Arena.ai最新榜单表现。
★3 Liquid AI 发布 6 款 LFM3 端侧模型，2B 视觉模型追平 12B 新智元 ASI爆点 · 端侧模型 · 原文 Liquid AI 发布覆盖文本、视觉、音频与 Omni 模态的 6 款 LFM3 小模型，以 1.7B～2B 参数、256k 上下文和单卡微调能力面向本地端侧部署。

★ 3 子主题：端侧模型 新智元 ASI爆点  NewModel

 端侧部署 小语言模型 多模态 参数高效微调 长上下文

Liquid AI 一次发布 6 款 LFM3 系列模型，参数规模均在 1.7B～2B，覆盖文本、视觉、音频和 Omni 四类模态。官方称 LFM3-VL-2B 在视觉基准上追平参数量约为其 6 倍的 Gemma 4 12B，文本版本则进入端侧智能的 Pareto 前沿。系列采用 tri-hybrid 架构并支持 256k 上下文，模型权重已在 Hugging Face 开放。其较小体量适合本地设备运行，并可使用单张 GPU 完成微调。

用途与启示
  • 为移动设备、个人电脑及边缘硬件上的本地多模态应用提供轻量级基础模型。
  • 单卡微调降低小团队使用私有数据进行领域适配的硬件门槛。
  • 2B 模型与更大模型的基准表现接近，显示端侧部署可进一步优化参数规模与能力之间的 Pareto 权衡。
  • 256k 上下文可支持长文档处理、持续交互等端侧应用场景。
📝 原始笔记（逐字保留）
标题：2B小模型打平12B，Liquid AI连发6款新模型，开源还支持单卡微调 来源：新智元 ASI爆点（aiera.com.cn） 链接：https://aiera.com.cn/asi-preview/asi-item.html?id=ebc3ffb5 摘要：（信源：X/liquidai）Liquid AI 今天凌晨一口气放出 LFM3 系列，6 款新模型，参数全部压在 1.7B 到 2B 之间。其中视觉版 LFM3-VL-2B 在视觉基准上追平了 Gemma…
★3 GUI-JEPA：基于候选条件潜变量的移动端 GUI 智能体快速动作策略 arXiv · 推理效率 · 论文 · 代码 GUI-JEPA 通过无解码器的 JEPA 潜空间候选动作评分，在仅使用对照模型 6% 参数的情况下实现 2.8–4.0 倍推理加速，并保留其 86%–92% 的分布内准确率。

★ 3 子主题：推理效率 arXiv  NewModel JevEvolve

 图形用户界面智能体 智能体 推理加速 候选选择 视觉表征学习

GUI-JEPA 是一种面向移动端 GUI 智能体的无解码器动作策略，避免使用 7B 级 VLM 逐词元生成动作。其 JEPA 编码器先在无标注 GUI 截图上预训练，再通过动作与区域条件预测器，为每个候选动作生成对应的屏幕潜变量。轻量级评分头可在单次批处理前向传播中结合指令评估全部候选动作，无需进行文本解码。AndroidControl 实验显示，该方法在相同 GPU 上比微调后的 Qwen2.5-VL-7B 快 2.8–4.0 倍，以 6% 的参数量达到其 86%–92% 的分布内准确率；随机初始化预测器与基于屏幕动态预训练的预测器表现相当，表明预测器主要针对决策目标学习。

用途与启示
  • 为移动端 GUI 智能体提供低延迟、低显存的候选动作决策架构，适合资源受限或实时交互场景。
  • 证明动作选择可直接在视觉潜空间完成，从而绕过自回归文本解码的主要性能瓶颈。
  • 候选条件潜变量与批量评分机制可用于改造其他具有离散候选动作集的智能体策略。
  • 随机初始化预测器的结果提示，面向决策的端到端训练可能比预训练屏幕动态更关键。
📝 原始笔记（逐字保留）
标题：GUI-JEPA: Candidate-Conditioned JEPA Latents as a Fast Action Policy for Mobile GUI Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.36877 摘要：Mobile GUI agents are typically fine-tuned 7B-scale vision-language models (VLMs) that generate each action as text. However, these VLMs decode every action token by token, and even agents that score candidate actions keep a large language model or VLM in the loop, making them slow and memory-hungry. To address these issues, we propose GUI-JEPA, to our knowledge the first decoder-free GUI agent policy built on a Joint-Embedding Predictive Architecture (JEPA), which selects actions in the latent space of a JEPA encoder pretrained on unlabelled GUI screenshots. Its action- and region-conditioned latent predictor turns the screen latent into one latent per candidate action, letting lightweight heads score all candidates against the instruction in a single batched pass, without decoding a toke
★3 OXR 1.3B 开源：文档解析三榜第一并引入 RSI 训练 量子位 · 递归自我改进 · 代码 · 原文 SoMark 开源 1.3B 文档解析模型 OXR，以三项基准第一和高速解析表现，实现复杂版面、表格、公式及化学结构识别，并通过 RSI 闭环持续改进弱项。

★ 3 子主题：递归自我改进 量子位  NewModel EvolveLLM DataEvolve Awesome-RSI

 递归自我改进 多模态 模型训练 数据合成 系统优化

OXR（Optical Everything Recognition）仅有 1.3B 参数，在 OmniDocBench、olmOCR-Bench 和 DocParsingBench 上分别取得 97.18、87.84 和 87.76 分，均排名第一。模型支持文字、表格、公式、化学结构式和代码块等 13 类元素，可输出 Markdown、JSON、LaTeX、SMILES 等结构化结果并保留版面坐标。其采用轻量版面分析模型定位区域、主模型负责内容识别与阅读顺序判断的架构，在相同硬件条件下解析 100 页文档约需 101 秒。后训练阶段引入递归自我改进流程，由外部模型评判和聚类错样本，再定向合成无需人工标注的训练数据。版面分析模块支持替换，可按具体业务标准调整元素类别、区域边界和内容分组。

用途与启示
  • 为 RAG、智能体和知识库提供可直接消费的高质量结构化文档数据。
  • 展示递归自我改进在文档解析后训练中的应用，通过错样本发现、归因、聚类和定向数据合成形成闭环。
  • 以轻量模型和模块化架构兼顾解析精度、吞吐效率及业务适配能力。
  • 可插拔版面分析设计便于开发者复用识别能力，并根据行业文档规范定制结构定义。
📝 原始笔记（逐字保留）
标题：OXR强势开源！1.3B横扫全球三榜第一，速度快过Paddle、MinerU，RSI让它卷出新高度 来源：量子位（微信公众号） 链接：https://www.qbitai.com/2026/10/505635.html 摘要：开源一周，Github 拿下超 1000 star，X上关注度破百万，并登上 Today‘s news 推荐
ResearchEvolve7 条
★3 Principia：测试时假设与原理构建驱动科学发现 Hugging Face Papers · 机制发现 · 论文 · 代码 Principia 在测试时从实验观察中形成因果假设、归纳科学原理并持续修正，以闭环方式提升多类科学发现任务的效果。

★ 3 子主题：机制发现 Hugging Face Papers  ResearchEvolve

 自动化科学研究 科学发现 闭环科学研究 因果归因 持续学习

  • Principia 是一个面向科学发现的 LLM 框架，可在测试时构建并持续完善任务相关的科学原理。
  • 框架首先比较相关输入及其观测结果，形成比较性因果假设，再从多个假设中归纳反复出现的关系。
  • 新构建的假设和原理会被用于产生后续观测，而新观测又会触发假设修订与原理重构，形成知识持续演化的闭环。
  • 在分子优化、蛋白质工程、基因扰动和分子性质预测基准上，该方法优于依赖内部知识、外部资料或经验摘要的基线，生成的原理也与科学文献较为一致。
用途与启示
  • 为科研智能体提供“观测—假设—原理—新观测”的闭环机制，使其不必完全依赖预训练知识或静态外部资料。
  • 可用于从逐步积累的实验结果中提炼任务特定的因果规律，辅助实验设计和候选方案优化。
  • 表明测试时持续更新结构化科学知识，可能比简单存储经验摘要更适合复杂科学发现任务。
  • 可作为分子设计、蛋白质工程和基因干预等领域自动化发现系统的原理归纳模块。
📝 原始笔记（逐字保留）
[Principia：通过测试时假设构建原理以实现科学发现（27 ▲）](https://huggingface.co/papers/2610.32195?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)
★3 LLM 能否通过自由探索发现隐藏物理定律？ arXiv · 机制发现 · 论文 LongChang 通过构造物理规律被改写的模拟世界，评估 LLM 在无任务提示下自主发现异常并借助实验归纳隐藏规律的能力。

★ 3 子主题：机制发现 arXiv  ResearchEvolve EnvironmentEvolve EvalEvolve

 科学发现 科研智能体 世界模型评估 实验设计 环境演化

  • 论文提出自动化框架 LongChang，在一个或多个物理定律偏离常规的模拟世界中测试 LLM 的开放式科学发现能力。
  • 被评估模型以探索者身份自主提出问题、操纵物体并设计工具，事先不会获得研究任务或关于异常规律的提示。
  • 多个独立 LLM 智能体负责生成和审查场景、评审工具设计，并依据探索记录与隐藏规律评价研究报告的正确性和实验支持。
  • 在受测的 12 个 LLM 中，仅 GPT-6-Astra 达到 16.7% 的发现率，其余 11 个模型均为 0%，且探索轨迹显示大量异常未被调查、规律通常只能被部分识别。
用途与启示
  • 为评估科研智能体从异常观察到实验验证、再到规律归纳的完整闭环提供自动化基准。
  • 揭示当前 LLM 在开放式探索、异常识别、实验设计和机制发现方面仍存在显著能力缺口。
  • 可用于研究环境演化、探索策略优化以及基于实验记录的科研智能体训练。
📝 原始笔记（逐字保留）
标题：Can LLMs Uncover Hidden Physical Laws through Free Exploration? 来源：arXiv 链接：https://arxiv.org/abs/2610.37649 摘要：Scientific discovery often begins with an unexpected observation that prompts a new research question. In a world with altered physical laws, can large language models (LLMs) notice unexpected behavior, such as heavier objects falling more slowly, and discover the law through experiments without being told what to investigate? To evaluate this ability, we introduce LongChang, an automated framework that creates simulated worlds with altered physics, where one or more laws differ from ordinary physics. The evaluated LLMs act as explorers, manipulating objects and building tools to investigate their own questions without research tasks or hints about these laws. Separate LLM agents generate and review scenes, review tool designs, and evaluate reports for correctness and experimental support
★3 OpenAI与Anthropic模型被曝独立证伪指数时间假设 新智元 · 形式化证明 · 原文 报道称OpenAI与Anthropic内部模型分别提出了证伪指数时间假设（ETH）的算法与Lean形式化证明，但这一重大结论仍有待理论计算机科学界独立审验。

★ 3 子主题：形式化证明 新智元  ResearchEvolve LogicEvolve

 自动化科学研究 形式化验证 逻辑推理 科学发现 人工智能可靠性

  • 文章称OpenAI与Anthropic的内部模型几乎同时找到3SAT的亚指数时间算法，从而挑战提出于1999年的指数时间假设（ETH）。
  • Anthropic声称核心算法由内部Claude研究模型在无人类输入的情况下产生，消耗约1400万输出Token，并将Claude列为相关成果的唯一作者。
  • 两家公司据称均提供了Lean形式化证明代码，以支持证明的机器可验证性；不过，形式化代码可运行并不自动保证定理陈述、建模前提及实现均无误。
  • ETH是大量复杂度下界与参数化算法研究的条件性基础，因此若证伪结果通过独立审计，相关结论将需要系统性复核；目前应将其视为尚待权威验证的重大声明。
用途与启示
  • 展示研究型模型可能从辅助检索与计算进一步发展为自主提出算法、证明和验证的科研主体。
  • 提醒对突破性数学与理论计算机成果同时开展形式化验证、专家逐行审计和独立复现，避免将机器验通过度等同于结论成立。
  • 可用于研究长程推理预算、无人干预科研流程，以及机器证明向人类可读证明压缩的方法。
  • 若结论得到确认，应梳理依赖ETH的条件性下界、参数化复杂度和相关算法文献并重新评估。
📝 原始笔记（逐字保留）
标题：计算机领域天塌了！两大巨头同日宣布：世纪猜想ETH被证伪 来源：新智元 ASI爆点（aiera.com.cn） 链接：https://aiera.com.cn/asi-preview/asi-item.html?id=tg79841b 摘要：理论计算机界，也被 AI 轰炸了！昨夜，AI已经彻底跨越了科学研究的卢比孔河，正式开始「掀翻」人类的知识大厦。OpenAI 一口气在理论计算机…
★3 OpenAI多智能体生成纳维－斯托克斯证明，人类启动解读与核查 新智元 · 形式化证明 · 原文 OpenAI宣称以约一万个智能体生成纳维－斯托克斯千禧难题证明并转译为Lean，但专家目前仅初步理解其创新思路，原稿与形式化版本的一致性及证明正确性仍待全面核查。

★ 3 子主题：形式化证明 新智元  ResearchEvolve SwarmEvolve LogicEvolve

 自动化科学研究 形式化验证 多智能体系统 科学发现 人工智能可靠性

OpenAI据称调用约一万个智能体，在88小时内生成一份166页的纳维－斯托克斯方程证明，随后由模型将其翻译为Lean语言进行逐步检查。专家认为，其核心构造接近凸积分，但通过流体不稳定性自发产生振荡，以维持光滑外力并构造有限时间奇点，组合方式可能具有原创性。复旦大学雷震与Xiao Ren已发布解读预印本，帮助同行理解其中的流动轮廓构造。另有研究者指出文字原稿与Lean版本存在部分陈述和推导差异，因此机器验证尚不能直接担保原稿的全部结论，克雷数学研究所也仍将该问题列为进行中。

用途与启示
  • 展示大规模多智能体系统在开放性数学难题中进行并行探索与复杂证明构造的潜力。
  • 提醒研究者区分“形式化版本通过检查”与“原始数学主张得到验证”，重点审计自然语言证明到Lean表述的语义一致性。
  • 可推动建立面向AI生成证明的标准流程，包括专家解读、逐条对照、形式化复核和独立复现。
  • 表明AI可能通过重组既有数学工具产生超出常规人类搜索路径的新构造，但科学知识落地仍依赖人类核查与传播。
📝 原始笔记（逐字保留）
标题：AI写88小时，人类读7周！数学家开始读懂OpenAI千禧难题证明 来源：新智元 ASI爆点（aiera.com.cn） 链接：https://aiera.com.cn/asi-preview/asi-item.html?id=tg468106 摘要：9月8日，OpenAI扔出一份证明，宣称攻克了纳维－斯托克斯这道千禧难题。这道题研究的，是描述流体运动的一组方程。约一万个AI智能体，88小时，166页。写完它…
★3 MLE-World：用世界模型预测机器学习实验结果 arXiv · 世界模型 · 论文 · 原文 MLE-World无需实际执行候选程序即可预测错误信息、训练日志和验证分数，以更低成本扩展科研智能体的候选搜索。

★ 3 子主题：世界模型 arXiv  ResearchEvolve AgentEvolve

 自动化科学研究 世界模型 科研智能体 测试时计算 不确定性估计

MLE-World由Qwen3.5-4B微调而来，可根据代码和数据描述预测程序的终止输出，包括错误轨迹、训练日志与验证分数，并同时给出预测置信度。研究基于该模型构建了顺序修订、Best-of-N、成对评判、候选融合和UCB式探索五种测试时扩展策略，仅在置信度较低时执行真实训练。在17项MLE-bench Lite任务上，它对留出程序终止输出的匹配率达到77.9%，明显高于更大规模提示模型的41.1%。由MLE-World引导的测试时扩展在减少真实程序执行的同时，使智能体的观测平均性能最高提升22.1%。

用途与启示
  • 以单次推理替代大量候选模型的训练与评估，降低科研智能体的实验搜索成本。
  • 将置信度用于真实执行决策，在模拟预测与实际验证之间进行自适应资源分配。
  • 可用于Best-of-N、候选融合和探索奖励等测试时计算策略，提升机器学习程序搜索效率。
  • 展示了学习型世界模型作为机器学习实验代理环境的潜力，可支持更大规模的自动化科学研究。
📝 原始笔记（逐字保留）
标题：MLE-World: Predicting Machine Learning Experiment Outcomes with a Learned World Model 来源：arXiv 链接：https://arxiv.org/abs/2610.37175 摘要：AI research agents can propose, execute, and improve programs that solve machine learning tasks. However, executing each candidate program requires training and evaluating ML models, limiting how many candidates an agent can explore at each step. We introduce MLE-World, a world model finetuned from Qwen3.5-4B that predicts a program's terminal output (error traces, training logs, and validation scores) from its code and data description without executing it, together with a confidence score estimating the prediction's correctness. Because a prediction costs one inference call rather than a training run, MLE-World makes test time scaling (TTS) affordable for these agents. We build five TTS policies, guided by MLE-World, that compare several candidates per step by their predicted outputs: Se
★3 PSI用AI辅助突破5项量子信息开放问题 量子位 · 自动化科学研究 · 代码 · 原文 Physical Superintelligence宣布利用AI科研系统Emmy在5项长期量子信息开放问题上取得进展，并公开Lean形式化证明与验证代码供学界审查。

★ 3 子主题：自动化科学研究 量子位  ResearchEvolve LogicEvolve

 自动化科学研究 形式化验证 科学发现 科研智能体 人工智能可靠性

Physical Superintelligence（PSI）宣布，其AI科研系统Emmy在开放量子问题目录中的5项难题上取得成果，涉及纠缠提纯、贝尔不等式、量子信道和量子因果过程等方向。Emmy先调用前沿模型将开放问题拆解为可验证的数学子假设，再使用Lean形式化证明器、符号计算引擎和高精度代码筛选候选路径。验证结果还可作为后续系统训练的奖励信号，形成生成、验证与改进相结合的科研闭环。PSI已公开相关证明和验证代码，但这些结果仍需量子信息学界独立审查与复现。

用途与启示
  • 展示“猜想生成—形式化证明—数值验证”组合工作流在理论物理开放问题中的应用潜力。
  • 为自动化科学发现系统提供可执行验证和机器可检查证明的工程范例。
  • 提醒评估AI科研成果时区分代码可编译、数学命题成立与物理解释充分等不同层次。
  • 可将公开证明、失败路径及审查反馈转化为科研智能体训练和过程评估数据。
📝 原始笔记（逐字保留）
标题：物理学也要被AI攻陷了？5道20多年量子公开问题被突破 来源：量子位（微信公众号） 链接：http://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247936983&idx=2&sn=49a3e08f3694af825d66cb7b07655a32&chksm=e9b19cd68d92f089f4b87a1f4aa352a71e9eb4beeaff663f1a76f58ea307972f79c2832bbc2e&scene=0&xtrack=1#rd 摘要：
★3 ClawsGO Science用Lean验证化学平衡猜想的细致平衡情形 新智元 ASI爆点 · 自动化科学研究 · 原文 BitMiracle AI Lab称其科研智能体ClawsGO Science通过Claude Opus 5.5调度136个GPT 6 Astra，在11天内完成Horn化学反应网络猜想中细致平衡情形的证明，并由Lean内核验证证明链。

★ 3 子主题：自动化科学研究 新智元 ASI爆点  ResearchEvolve SwarmEvolve InfraEvolve

 自动化科学研究 科研智能体 形式化验证 多智能体协作 科研基础设施

ClawsGO Science采用分层多智能体架构，由Claude Opus 5.5负责选择和调整证明路线，136个GPT 6 Astra执行证明编写、Lean编码、编译与修复。系统在第6天发现原路线所需基础工程过大，随后更换证明路径，并于次日通过关键步骤的编译验证。文章称最终成果包含83个Lean文件，证明链由Lean内核逐步检查，人工主要负责选题、论证把关及确认形式化命题与原问题一致。需要注意的是，该工作严格证明的是1974年猜想中满足细致平衡的一类情形，且起始步骤使用了已有定理，并非对全部情形的无条件解决。平台还提供预装科研软件、数据库及完整运行记录的云端工作站，以支持长程自然科学任务。

用途与启示
  • 展示“决策智能体统筹、执行智能体并行落实、形式化内核验收”的可验证科研工作流。
  • 说明路线切换和并行试错可用于降低长程证明任务中的工程阻塞风险。
  • 为化学、材料、生物和气象等领域建设可复现的云端科研智能体基础设施提供参考。
  • 提醒评估科研突破时区分完整猜想与受限情形，并核查已有定理依赖、形式化命题及公开证明文件。
📝 原始笔记（逐字保留）
标题：突发！Astra联手Opus破解化学半世纪猜想，50年圣杯被攻克 来源：新智元 ASI爆点（aiera.com.cn） 链接：https://aiera.com.cn/asi-preview/asi-item.html?id=tg820def 摘要：数学之后，AI攻进自然科学了！BitMiracle AI Lab的科研智能体ClawsGO Science让1个Claude Opus 5.5指挥136个GPT 6…
RSI创业1 条
★3 超进化智能获数亿元天使轮融资，研发递归自我改进研究基础模型 Z Potentials · 递归自我改进 · 原文 超进化智能完成数亿元天使轮融资，将以递归自我改进为技术路径，协同进化模型、智能体运行框架与评测器，打造具备元研究能力的研究基础模型。

★ 3 子主题：递归自我改进 Z Potentials  RSI创业 EvolveLLM ResearchEvolve HarnessEvolve EvalEvolve

 递归自我改进 自动化科学研究 模型训练 模型与框架协同优化 自演化

超进化智能（HyperVolve）完成数亿元人民币天使轮融资，资金将用于算力与训练基础设施建设及核心研发团队扩充。公司聚焦具备元研究能力的研究基础模型，希望模型能够提出问题、形成假设、设计方案、自主验证并持续迭代。其核心路线是通过参数更新将新能力内化到模型中，实现面向新专业场景的能力复用与迁移，并在研究对象为 AI 时形成递归自我改进。公司将 Model、Harness 与 Evaluator 组成协同进化闭环，同时建设覆盖研究能力和自我改进能力的评测体系。

用途与启示
  • 展示了以科学研究为主场景、以递归自我改进为核心能力的基础模型创业方向。
  • 将模型、智能体运行框架和评测器作为统一闭环共同优化，可为自演化系统架构设计提供参考。
  • 通过参数更新内化智能体在任务中的学习成果，有望提高新能力的复用、迁移与规模化交付效率。
  • 万卡训练、专业环境构建与能力评测经验表明，RSI 创业需要模型算法、评测体系和大规模基础设施的综合支撑。
📝 原始笔记（逐字保留）
RSI创业｜速递｜超进化智能完成数亿元天使轮融资，以万卡训练经验打造研究基础模型https://mp.weixin.qq.com/s/Skf79FOzPyg6r-y6uFZ-iA
CacheEvolve2 条
★3 文心 Unlimited OCR 2 开源：KV 缓存降低 96% 量子位 · 推理效率 · 代码 · 原文 百度开源文心 Unlimited OCR 2，通过稀疏参考滑动窗口注意力与分块解码实现数千页文档连续解析，将百页级测试的峰值 KV 缓存从 47GB 降至 1.77GB，降幅约 96%。

★ 3 子主题：推理效率 量子位  CacheEvolve NewModel SystemEvolve

 系统优化 长上下文 多模态 推理加速 成本优化

Unlimited OCR 2 面向整本书、年报和技术手册等超长多页文档，可连续处理 3600 页以上内容。其稀疏参考滑动窗口注意力机制 SR-SWA 通过 Page Gate 和 Token Sieve 两级筛选，按需关注相关页面及局部视觉 Token，使单步解码成本不随文档页数显著增长。Unlimited-Horizon Decoding 采用重叠页面分块、边界 KV 缓存复用和过期视觉缓存释放，将百页级单序列峰值 KV 缓存从 47GB 降至 1.77GB。模型在 MarathonDocBench 和 MPDocBench 上分别取得 77.06 和 84.59 分，16 路并发吞吐量由 360 提升至 1315 Token/s，约为标准解码的 3.65 倍。

用途与启示
  • 为扫描书籍、年报和技术手册等超长文档提供无需人工拆页的连续 OCR 与结构化解析能力。
  • 可作为检索增强生成、文档问答和知识库构建流程的前置解析组件。
  • 展示通过稀疏视觉注意力、分块解码与缓存回收，将长上下文推理的计算和显存开销控制在近似固定范围内的工程方案。
  • 为视觉语言模型的 KV 缓存优化、流式文档解析及高并发部署提供参考。
  • MarathonDocBench 可用于评估百页级文档的跨页衔接、结构恢复和持续解析能力。
📝 原始笔记（逐字保留）
标题：KV Cache被压成常数！OCR开源新王：页数没上限，缓存砍96% 来源：量子位（微信公众号） 链接：https://www.qbitai.com/2026/10/505773.html 摘要：OCR 3.0时代，来了 [合并自 2026-10-29 unlimited-ocr-2] 标题：百度文心开源端到端文档解析模型 Unlimited OCR 2 来源：AI工具集日报（ai-bot.cn） 链接：https://mp.weixin.qq.com/s/3UdLpbh6iXwlQMitklHVTw 摘要：（信源：量子位）百度文心端到端文档解析模型Unlimited OCR 2正式发布并开源，可连续识别《哈利·波特》全集3600+页超长文档。Unlimited OCR 2核心技术SR-SWA注意力机制能模拟人类抄书，按需筛选相关页面与信息块，配合分块解码机制，使百页级测试峰值KV缓存从47GB降至1.77GB，减少约96%，16路并发吞吐量提升至3.65倍。
★3 DCKV：混合语言模型提示词 KV Cache 的学习式变换编码 arXiv · 上下文压缩 · 论文 DCKV 通过端到端训练的可微编解码器压缩混合语言模型的提示词 KV Cache，在较小性能损失下实现超过 55 倍乃至 100 倍的存储压缩。

★ 3 子主题：上下文压缩 arXiv  CacheEvolve

 缓存压缩 长上下文 系统优化 成本优化 模型训练

DCKV 是面向混合语言模型提示词 KV Cache 的可微编解码器，也是首个端到端训练的 KV Cache codec。其变换、量化器和熵模型联合优化，并以冻结语言模型的输出变化和编码长度作为训练目标。熵模型以提示词 token 及已解码的相邻位置为条件，从而利用上下文相关性降低存储开销。在 Qwen3.5-2B 上，相比 bf16，DCKV 可用少于 1/55 的字节保存每个压缩 token，三个长上下文基准最多下降 1.8 分；压缩超过 100 倍时最多下降 3.6 分。

用途与启示
  • 显著降低长提示词状态的存储、传输和复用成本，适合前缀缓存及跨节点推理场景。
  • 展示了将率失真优化引入 KV Cache 压缩的可行性，可联合权衡码长与语言模型输出偏差。
  • 为混合注意力架构中的长上下文服务提供更高效的缓存管理方案。
📝 原始笔记（逐字保留）
标题：DCKV: Learned Transform Coding of the Prompt KV Cache in Hybrid Language Models 来源：arXiv 链接：https://arxiv.org/abs/2610.36950 摘要：Hybrid language models keep a key-value (KV) cache only in their few full-attention layers, but this cache is still the part of a prompt's state that grows with the prompt and that must be stored or moved to reuse it. We present DCKV, a differentiable codec for the KV cache and the first KV-cache codec that is trained end to end. Its transform, its quantizer and its entropy models, which are conditioned on the prompt tokens and on already decoded neighbouring positions, are optimized together against the frozen language model, both for the code length that the entropy models assign and for the change of the model's output. On Qwen3.5-2B, DCKV stores a compressed token in more than 55 times fewer bytes than bf16 at a loss of at most 1.8 points on three long-context benchmarks, and in more t
GeneralizeEvolve1 条
★3 PORTAL：何时应在测试时干预？ arXiv · 测试时优化 · 论文 PORTAL通过共享标签比较、主动查询与自适应停止机制，动态决定测试时是否采用干预策略，从而保留适应收益并避免批次级性能失效。

★ 3 子主题：测试时优化 arXiv  GeneralizeEvolve

 候选选择 主动学习 停止策略 在线学习 模型评估

PORTAL将不同测试时干预或预测规则视为候选项，依据目标域的少量标签判断每个批次应采用哪项规则。候选规则在获得当前反馈前固定预测，因此每个查询标签都能在同一输入上公平评估全部候选。控制器优先查询仍可能超越当前最优者的候选，并在剩余标签无法改变选择或潜在收益不足以抵偿查询成本时停止。实验表明，该机制可避免输入到达顺序和类别失衡导致的严重退化，同时通过周期性标签检查适应分布变化，并利用已获取标签训练后续批次的更强候选。

用途与启示
  • 为测试时适应提供按批次决策机制，避免无条件干预造成性能下降。
  • 通过共享候选比较提升标签利用率，适用于目标标签稀缺的部署环境。
  • 将查询对象选择、干预策略选择和停止条件统一到一个控制器中。
  • 支持周期性刷新证据，并将反馈标签复用于后续候选训练，形成持续适应闭环。
📝 原始笔记（逐字保留）
标题：When Should We Intervene at Test Time? 来源：arXiv 链接：https://arxiv.org/abs/2610.37658 摘要：Test-time adaptation helps a deployed model respond to changing inputs, but the same intervention can rescue one batch and damage the next. Updating normalization statistics, for example, can improve corrupted images yet fail when a batch contains mostly one class. Average accuracy hides these failures and cannot tell a model when to use an intervention. Target labels can guide this decision, but they are scarce and some choices are already clear. We introduce PORTAL, a controller that chooses when to deploy an intervention, which inputs to label, and when to stop querying. Each available prediction rule is a candidate, and its predictions are fixed before current feedback arrives. Every acquired label therefore evaluates all candidates on the same input. PORTAL combines these shared compa
PromptEvolve2 条
★3 GEPA-Curator：面向自改进智能体的经验策展学习 arXiv · 数据策展 · 论文 GEPA-Curator通过筛选可靠任务并检索历史成功轨迹，减少噪声失败经验对智能体提示优化的干扰，最高较GEPA和ACE分别提升20.7%和21.2%。

★ 3 子主题：数据策展 arXiv  PromptEvolve AgentEvolve DataEvolve HarnessEvolve

 数据策展 提示工程 自我改进 智能体 经验复用

GEPA-Curator针对多轮智能体中失败轨迹来源复杂、学习信号不可靠的问题，对反思式提示优化流程进行经验策展。框架包含任务策展与历史成功轨迹检索两个组件：前者过滤可能产生噪声或不可靠反馈的任务，后者按任务选择相关的成功轨迹作为优化上下文。研究在GoBrowse、ALFWorld、AppWorld和τ-bench上进行了评测，并使用Gemini 3.1 Pro与Claude Opus 5作为优化器模型。实验中该框架达到或超过基线平均表现，相比GEPA和ACE的最高增益分别为20.7%和21.2%。

用途与启示
  • 表明智能体自我改进不应默认从所有失败轨迹中学习，需要先判断失败是否由提示缺陷引起。
  • 可将任务策展作为提示优化前置环节，降低执行随机性、脚手架限制和噪声评判带来的错误更新。
  • 通过检索历史成功轨迹为优化器提供正向参照，有助于提升经验复用效率和优化稳定性。
  • 为构建更可靠的闭环智能体自改进系统提供了“筛选经验再学习”的设计范式。
📝 原始笔记（逐字保留）
标题：GEPA-Curator: Curated Learning for Self Improving Agents 来源：arXiv 链接：https://arxiv.org/abs/2610.37651 摘要：Large Language Models (LLMs) are increasingly used in multi-turn agentic workloads that require sustained interaction with complex environments. Existing reflective prompt optimizers such as GEPA learn from failed rollouts, but agentic failures can also come from prompt weaknesses, harness limitations, stochastic execution, or noisy judges. We argue that such failures may not provide useful learning signal, and may even be harmful; and thus it is essential to curate which tasks are provided to the prompt optimizer for better performance. We introduce GEPA-Curator, a framework that augments the prompt optimizer to select which agent experiences should shape prompt optimization. In particular, GEPA-Curator consists of two components: task curation, which filters out tasks that are likely to
★3 批处理反思优化循环：并行候选让 GEPA 更快更优 arXiv · 提示优化 · 论文 研究将 GEPA 的反思式文本优化由串行单候选改为批量并行提议与评估，在显著缩短运行时间的同时提升了测试集表现和预算利用率。

★ 3 子主题：提示优化 arXiv  PromptEvolve SystemEvolve

 提示工程 系统优化 成本优化 并行搜索 智能体

研究扩展了开源 GEPA 优化器，使其在每个优化步骤中批量生成并评估多个候选方案，而非串行处理单个候选。多数批处理实验的墙钟时间缩短至原来的二分之一以内，最快可降至约四分之一至三分之一。批处理还将 LiveBench-Math 的测试成绩从 68.9% 提升至 72.1%，将 HoVer 从 49.0% 提升至 60.0%。作者进一步用有限工作池下的简化运行时模型解释加速效果，并分析固定优化预算在不同并行维度间的分配。

用途与启示
  • 为反思式提示与智能体优化提供可直接利用并行评估资源的批处理方案。
  • 表明并行候选不仅能降低墙钟时间，还可能通过扩大同一步骤的探索范围提升最终性能。
  • 可依据有限工作池运行时模型，在候选批量、评估并行度和固定预算之间进行资源配置。
  • 为降低指标调用成本和优化智能体系统的试错效率提供工程参考。
📝 原始笔记（逐字保留）
标题：Batching the Reflective Optimization Loop: Parallel Proposals Make GEPA Faster and Better 来源：arXiv 链接：https://arxiv.org/abs/2610.36774 摘要：Reflective text optimization makes agentic systems better, but the optimization loop is itself a resource-hungry workload whose sequential structure leaves parallel evaluation capacity idle. We extend the open-source GEPA optimizer to propose and evaluate a batch of candidates on each optimization step instead of one candidate at a time. In our sweep on two tasks, most batched runs finished in half the wall-clock time or less, and the fastest in about a quarter to a third. Batched settings also achieved higher held-out test scores, from 68.9% to 72.1% on LiveBench-Math (with $2\times2$) and from 49.0% to 60.0% on HoVer (with $8\times1$). A simple runtime model explains the measured speedups under a finite worker pool, and batched settings also spend their metric-call and dollar budgets mor
AgentTrainEvolve4 条
★3 EnvSched：面向高效 Rollout 的环境感知智能体强化学习调度 arXiv · 智能体训练 · 论文 EnvSched 利用历史 Rollout 和环境—任务双关系图动态调度高信息量、低覆盖任务，以更少训练步数提升智能体强化学习效率。

★ 3 子主题：智能体训练 arXiv  AgentTrainEvolve EnvironmentEvolve

 强化学习 智能体 样本调度 成本优化 探索与利用

  • EnvSched 是一种从历史 Rollout 中在线学习的环境感知调度器，在有限预算下联合管理任务及其工具、状态、转移和验证环境。
  • 系统将环境—任务对组织为双关系图，通过环境内语义与共享执行结构边、跨环境执行与奖励拓扑边传播历史统计信息，并预测任务内奖励方差。
  • 调度策略优先选择预期奖励差异更具信息量的任务，同时通过覆盖机制、环境配额和相似度惩罚降低批次集中与冗余，无需额外试运行。
  • 在 Qwen3-8B 上训练 40 步后，该方法在 BFCL-v3、tau-Bench 和 ACEBench-Agent 上取得平均 48.81 分，超过随机采样训练 120 步的最佳结果。
用途与启示
  • 将环境级数据管理引入智能体强化学习，可显著降低昂贵 Rollout 与验证过程的训练成本。
  • 奖励方差预测可作为样本信息量的代理指标，用于优化有限预算下的训练任务选择。
  • 覆盖约束与相似度惩罚能够兼顾探索和利用，避免训练批次过度集中于少数环境或重复交互模式。
  • 双关系图为跨任务、跨环境复用执行统计提供了通用表示，可扩展到工具调用和长程智能体训练。
📝 原始笔记（逐字保留）
标题：EnvSched: Environment-Aware Scheduling for Rollout-Efficient Agent Reinforcement Learning 来源：arXiv 链接：https://arxiv.org/abs/2610.37609 摘要：As executable environments for language agents scale, generating and verifying their rollouts becomes increasingly expensive. Under finite rollout budgets, this raises an important question: can data management at the environment level make agentic reinforcement learning (RL) more efficient by organizing, evaluating, and scheduling task instances together with the environments that determine their tools, states, transitions, and verification? To address this question, we introduce EnvSched (Environment-aware Scheduling), an online scheduler that learns from rollout history. EnvSched assigns scheduling value through two complementary modeling choices: exploitation prioritizes tasks likely to provide informative reward differences, while coverage spreads each batch across underobserved envir
★3 WorkFactory：将职业意图转化为可执行任务以规模化训练智能体 arXiv · 智能体训练 · 论文 · 代码 WorkFactory通过信息支持图、探测执行与缺陷修复，将职业意图规模化转化为连贯可执行的专业任务，并利用教师轨迹训练出性能显著提升的WorkPilot模型家族。

★ 3 子主题：智能体训练 arXiv  AgentTrainEvolve TaskEvolve DataEvolve EnvironmentEvolve

 智能体数据合成 模型训练 任务生成 智能体 执行验证

WorkFactory从职业意图出发，通过信息级规划构建信息支持图，显式表示任务输出所依赖的信息及其位置。框架利用探测执行识别信息缺失、环境不一致等支持故障，并在保持原始工作意图的前提下自动修复任务。作者构建了覆盖612种职业的112,686个任务，并使用教师执行轨迹微调4B、27B和35B-A3B规模的Qwen模型，形成WorkPilot系列。三个模型均在四项专业工作基准上超过对应基座模型，其中WorkPilot-35B-A3B在GDPval-AA v2.1上的Elo由879提升至1565。

用途与启示
  • 为工作型智能体提供可规模化生成、具备完整信息支持且可实际执行的监督训练任务。
  • 通过探测执行与自动修复降低合成任务中的信息缺失和环境缺陷，提高教师轨迹的可靠性。
  • 信息支持图可用于任务生成前的依赖检查，也可扩展到企业流程数据构造与智能体训练环境验证。
  • 规模分析表明不同模型对任务与轨迹数量存在不同的边际收益，应按模型容量设计数据配比。
📝 原始笔记（逐字保留）
标题：WorkFactory: Turning Professional Intents into Executable Work for Scalable Agent Training 来源：arXiv 链接：https://arxiv.org/abs/2610.37161 摘要：Scaling supervised training for working agents requires diverse professional tasks that yield reliable expert demonstrations. However, missing or inconsistent task information can obstruct teacher execution and weaken the resulting supervision. We propose WorkFactory, a scalable framework for constructing coherent and executable professional tasks. Starting from professional intents, information-level planning builds an information support graph to guide task instantiation, explicitly representing the dependencies and locations of information required for the intended outputs. Probe executions then identify support failures and guide repairs while preserving the intended work. We construct 112,686 tasks spanning 612 occupations and use the collected teacher trajectories to fine-tune Qwen m
★3 ConCal：通过续程共享校准长程智能体动作价值 arXiv · 信用分配 · 论文 · 代码 ConCal 复用同批次轨迹中的共享续程证据递归校准动作价值，在无需额外 rollout 的情况下改善长程智能体强化学习的局部信用分配。

★ 3 子主题：信用分配 arXiv  AgentTrainEvolve

 信用分配 强化学习 长程任务 智能体 价值函数

长程智能体的动作价值通常由单条采样续程估计，容易受到轨迹后续决策影响，导致局部信用分配失真。ConCal 按同一任务中的入站状态—动作—状态转移匹配访问记录，将共享续程证据与每次访问自身的转移估计结合。该方法递归地向后传播校准价值，从而修正更早动作的价值估计，且不需要增加 rollout。基于 Qwen2.5-1.5B-Instruct 的实验中，ConCal 相比 GiGPO 在 ALFWorld 和 WebShop 上的成功率分别提高 3.39 和 5.86 个百分点。

用途与启示
  • 为长程智能体强化学习提供更稳定的动作级信用分配，降低单次随机续程造成的价值估计噪声。
  • 可直接复用 rollout 批次内已有轨迹证据，无需额外采样，有利于控制训练成本。
  • 共享续程与递归回传机制可用于改进基于相对优势的策略优化方法，并提升动作排序的可靠性。
📝 原始笔记（逐字保留）
标题：Action-Value Calibration via Continuation Sharing for Long-Horizon Agentic Reinforcement Learning 来源：arXiv 链接：https://arxiv.org/abs/2610.37195 摘要：Reinforcement learning for long-horizon agents relies on feedback from sequences of interactions, making credit assignment to individual actions difficult. Existing methods such as GiGPO compare actions at shared states to compute relative advantages, but estimate each action's value from a single sampled continuation. The resulting local credit remains sensitive to decisions made later in the trajectory. To address this problem, we propose ConCal (Continuation Calibration), a recursive continuation-value estimator that incorporates continuation evidence already present in a rollout batch. ConCal matches visits from the same task by their incoming state-action-state transitions, combines shared continuation evidence with each visit's own transition estimate, and propagates calibrated value
★3 视觉语言智能体在自身潜在世界中学习：Dwell框架 arXiv · 世界模型 · 论文 · 代码 Dwell将视觉语言模型重构为循环潜在状态转移算子，使智能体能通过真实交互与潜在想象持续改进策略，同时显著降低世界模型推演的计算成本。

★ 3 子主题：世界模型 arXiv  AgentTrainEvolve RobotEvolve

 世界模型 强化学习 智能体 多模态 持续学习

Dwell是一种基于模型的强化学习框架，将预训练视觉语言模型同时用作世界模型与策略，并在潜在空间中完成预测、校正和行动。智能体从真实交互中学习动作结果的预测与评估，再利用潜在想象优化自身行为，无须重建完整的未来视觉观测。该设计可随策略引起的交互分布变化持续调整，同时避免频繁更新大型预训练模型带来的高昂成本。在五个交互式视觉环境中，Dwell取得了可训练方法中的最佳综合表现，并显著降低想象推演所需算力。

用途与启示
  • 展示视觉语言模型内部表征可直接充当潜在世界模型，为在线策略学习提供低成本的环境预测。
  • 说明有效的智能体世界模型不必重建未来观测，只需预测对动作选择有用的未来状态。
  • 为融合真实交互、潜在想象与持续策略优化的视觉智能体训练提供可复用框架。
  • 有助于降低基于模型强化学习中的想象计算开销，并增强智能体对交互分布变化的适应能力。
📝 原始笔记（逐字保留）
标题：Vision-Language Agents Can Learn in Their Own Latent Worlds 来源：arXiv 链接：https://arxiv.org/abs/2610.36925 摘要：Learning from experience is essential for building the next generation of agents that continually expand their capabilities. Pretrained vision-language models (VLMs) already internalize rich world knowledge, yet this knowledge is rarely leveraged to drive policy improvement through online interaction. Realizing this potential efficiently remains challenging, as policy updates shift the agent's interaction distribution, requiring the world model to adapt accordingly, while continually updating large pretrained models is computationally expensive. To address this challenge, we introduce Dwell, a model-based reinforcement learning (RL) framework that reframes a VLM as a recurrent latent transition operator, endowing it with the ability to predict, adjust, and act in latent space. Leveraging t
EvolveLLM2 条
★3 CaLLM：基于非参数适配器路由的持续适应 arXiv · 持续学习 · 论文 CaLLM通过原型匹配与轻量适配器路由实现大语言模型的可扩展持续适应，在控制跨任务干扰的同时缓解灾难性遗忘。

★ 3 子主题：持续学习 arXiv  EvolveLLM GeneralizeEvolve

 持续学习 模型路由 参数高效微调 灾难性遗忘 模型训练

CaLLM将度量元学习与轻量适配器的参数隔离相结合，以支持不断变化任务分布下的持续适应。框架先将输入批次投影至任务无关的嵌入空间，再根据最近原型将其路由至对应的专用适配器。局部路由使计算复杂度不随任务数量增长，并可通过扩展原型无缝接入新分布，统一支持在线与离线场景。实验表明，该机制能够发现语义一致的任务分组，促进相似任务间的建设性迁移，并在多种持续学习基准上优于传统隔离与回放方案。

用途与启示
  • 为持续学习系统提供无需参数化任务分类器的零样本任务—专家分配机制。
  • 通过适配器隔离控制跨任务干扰，为缓解灾难性遗忘提供模块化方案。
  • 原型扩展与恒定路由复杂度适合任务持续增加的长期部署场景。
  • 语义相近任务可共享或迁移有效知识，为兼顾参数隔离与正向迁移提供设计思路。
📝 原始笔记（逐字保留）
标题：CaLLM: Continual Adaptation of LLMs via Non-Parametric Adapter Routing 来源：arXiv 链接：https://arxiv.org/abs/2610.36994 摘要：Continual adaptation of large language models (LLMs) to evolving task distributions while mitigating catastrophic forgetting remains an open problem. Existing strategies often struggle to scale or lack a robust mechanism for zero-shot task-to-expert assignment. We introduce CaLLM, a framework that resolves these tensions by combining metric-based meta-learning with modular parameter isolation via lightweight adapters. First, CaLLM projects each input batch into a task-agnostic embedding space to find its nearest prototype. It then routes the batch to the specific adapter specialized for that data distribution. This formulation provides (i)~controllable cross-task interference by design, (ii)~constant computational complexity regardless of task count, (iii)~seamless integration of novel dis
★3 RKI：状态感知的递归知识改进框架 arXiv · 递归自我改进 · 论文 RKI 通过持续估计模型的操作性知识状态并动态选择干预方式，将知识改进构建为评估驱动、状态感知的递归更新过程。

★ 3 子主题：递归自我改进 arXiv  EvolveLLM Awesome-RSI

 递归自我改进 模型训练 模型评估 持续学习 状态表征

论文指出，仅定位模型的知识薄弱点不足以决定如何更新，因为相同弱点可能对应知识不可用、难以稳定访问或无法有效用于下游任务等不同状态。作者将这种现象称为“知识状态混叠”，并提出递归知识改进框架 RKI，以图结构知识单元统一支持诊断评估与定向干预。RKI 在每轮更新中定位弱点、结合诊断证据与干预历史估计知识状态、选择对应干预，并重新评估更新后的模型。该框架在 HotpotEval 和 SafeInternalEval 上较现有知识注入方法平均提升 18.41 分，同时发现即使外显弱点持续存在，底层知识状态也可能已发生变化。

用途与启示
  • 将知识弱点定位扩展为知识状态诊断，避免对表现相似但成因不同的问题采用同一种更新策略。
  • 为评估驱动的后训练提供闭环流程，根据每轮更新后的状态动态调整下一步干预。
  • 图结构知识单元可作为诊断、更新和跨轮次状态追踪的统一接口。
  • 提示递归自我改进系统不仅要观测任务表现，还应记录干预历史与潜在知识状态转移。
📝 原始笔记（逐字保留）
标题：Weakness Localization Is Not Enough: State-Aware Recursive Knowledge Improvement for Large Language Models 来源：arXiv 链接：https://arxiv.org/abs/2610.36811 摘要：Knowledge improvement in large language models is shifting from predefined knowledge incorporation pipelines toward evaluation-guided updating. Existing methods use evaluation to localize model-specific knowledge weaknesses and guide targeted post-training. However, identifying what to improve does not necessarily provide sufficient information for deciding how to improve it. The same localized weakness can be compatible with distinct operational knowledge states: the relevant knowledge may be unavailable, available but difficult to access reliably, or accessible but ineffective for downstream use. We call this ambiguity knowledge-state aliasing. When compatible states favor different interventions, greater diagnostic resolution alone is insufficient for intervention selection. Moreover, m
DataEvolve1 条
★3 数据策展究竟提升上限还是加速训练？ arXiv · 数据策展 · 论文 论文区分数据策展的性能上限提升与训练加速作用，并提出可在策展前预测持续收益的 Δ-test。

★ 3 子主题：数据策展 arXiv  DataEvolve GeneralizeEvolve

 数据策展 模型训练 数据工程 成本优化

论文将数据策展的效果形式化为两类：提升可达到性能上限的“advancement”，以及用更少数据达到相同性能的“acceleration”。理论分析与真实 LLM 实验表明，只有存在可纠正的训练目标与评测目标差距时，数据策展才可能持续提高最终性能；若二者一致，策展通常只能加速收敛。作者在统一的数据混合与选择视角下提出 Δ-test，通过未策展基线的训练损失与目标损失差异，在执行昂贵策展前判断任务是否具备提升空间。实验显示，显著非零的 Δ 能预测持久收益，而 Δ 接近零时的早期增益往往会随训练预算增加而消失。

用途与启示
  • 在投入大量算力进行数据筛选或混合优化前，可使用 Δ-test 判断策展收益更可能是性能提升还是单纯训练加速。
  • 数据策展效果不仅取决于筛选算法，更取决于训练目标与目标任务之间是否存在可纠正差距。
  • 对 Δ 接近零的任务，应将策展价值主要按数据效率和算力节省衡量，避免把短期增益误判为最终能力提升。
  • 目标集构建可能比继续优化策展策略更能决定模型最终可达到的性能边界。
📝 原始笔记（逐字保留）
标题：Advancement or Acceleration? How Data Curation Improves LLM Training 来源：arXiv 链接：https://arxiv.org/abs/2610.36983 摘要：While data curation is widely credited with improving large language model training, a basic question remains unresolved: does curation expand what a model can ultimately learn, or merely reach the same solution faster? In this paper, we formalize this distinction between advancement (improving the attainable performance) and acceleration (reaching the same performance with less data). Through an analytic characterization and real-world LLM experiments, we show that advancement requires a correctable train-target gap. When the baseline training and target objectives coincide, no curation policy improves the endpoint, although curation may still accelerate training. This reframes advancement as a property of the curation task rather than the curation method. Under a common gap-centric view

🔥 热点延伸 6 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 主动式 AI 如何走向超级智能体：6A 框架综述 未知 · 主动式智能 · 原文 UIUC、Google、斯坦福大学、加州大学伯克利分校和卡内基梅隆大学联合综述主动式 AI，提出覆盖感知、预判、目标管理、介入决策、行动与适应的 6A 框架及全流程评测体系。

★ 1 子主题：主动式智能 未知  PersonalEvolve

 主动式智能 智能体 长程任务 人在回路 持续学习

综述将主动性与智能水平、对齐相区分，强调智能体应能在授权范围内发现需求、发起任务，并判断何时行动或征询用户。作者提出 Awareness、Anticipation、Agenda、Arbitration、Action 和 Adaptation 构成的 6A 机制框架，覆盖从情境理解到反馈学习的完整闭环。主动式 AI 的评测除任务完成率外，还应衡量任务发现、错误介入、人工成本、机制失效位置以及用户控制感。综述进一步梳理编码、具身机器人、安全、自动科研、医疗和教育等 13 个应用领域，并汇集 1400 余条参考资料。

用途与启示
  • 为长程智能体设计提供完整能力分解，可据 6A 框架定位任务发现、介入决策或反馈适应等环节的缺陷。
  • 提示评测体系加入遗漏机会、多余介入、打扰程度和人工审核成本，而非只检查既定任务是否完成。
  • 强调主动性与自主权限应分开设计，高风险、不可逆或涉及隐私的操作仍需审批、撤销和执行侧约束。
  • 为个人助理及持续委托型智能体探索跨会话目标维护、用户偏好更新和适时介入提供研究路线。
📝 原始笔记（逐字保留）
PersonalEvolve | Proactive AI如何走向超级智能体？UIUC、谷歌、斯坦福、UC Berkeley、CMU联合综述https://mp.weixin.qq.com/s/nDUNXd7bJ63WgeP20ZQCQA
★0 WorldCast：大角度相机控制下的世界一致角色视频生成 Hugging Face Papers · 视频生成 · 论文 WorldCast利用三维点云几何引导和几何对齐记忆注意力，在大角度复合相机运动下提升角色视频的轨迹遵循能力与身份一致性。

★ 0 子主题：视频生成 Hugging Face Papers  NewApply

 视频生成 视觉生成 空间智能 多模态

WorldCast面向任意初始方位下包含旋转、平移和半径变化的大角度相机轨迹，解决角色未见区域导致的几何畸变、外观退化与身份漂移。该方法将初始帧基于估计深度反投影为三维点云，对齐点云尺度与目标相机轨迹，并沿轨迹渲染以提供显式几何引导和覆盖掩码。其Geometry-Aligned Memory Attention（GAMA）将多视角角色锚点与目标视角统一到共同坐标系，检索并注入与当前视角相关的角色特征。作者还提出大规模角色中心数据集与基准CLACT，覆盖多种大角度相机轨迹及精确相机几何，实验显示该框架能兼顾轨迹控制、角色几何、外观和身份一致性。

用途与启示
  • 为电影级角色视频提供更精确的大角度复合相机运动控制。
  • 展示三维点云投影与生成模型结合，可缓解新视角下的几何失真和内容缺失。
  • GAMA为利用多视角锚点维持角色身份与外观一致性提供了可借鉴的几何对齐机制。
  • CLACT可用于训练和评估角色视频生成系统的大角度轨迹遵循与跨视角一致性。
📝 原始笔记（逐字保留）
[WorldCast：通过大角度相机控制生成世界一致的角色视频（46 ▲）](https://huggingface.co/papers/2610.33135?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)
★1 AMBIT：基于可执行计划与自蒸馏 Transfusion 的空间音频生成编辑 Hugging Face Papers · 空间音频 · 论文 AMBIT 通过可执行 ScenePlan、Transfusion 共享骨干和在策略自蒸馏，统一实现原生一阶 Ambisonics 空间音频的生成与指令编辑。

★ 1 子主题：空间音频 Hugging Face Papers  NewModel

 自蒸馏 任务规划 模型训练 人工智能应用

AMBIT 使用共享 Transfusion 骨干，将自回归场景规划与基于整流流的音频渲染连接起来。可执行 ScenePlan 显式描述声源内容、活动状态和三维运动轨迹，编辑时还会完整表示目标场景及需要保留的声源。其 FOA 感知连续 VAE 通过共享解码器、非对称分组 KL 和空间协方差匹配，维持音频内容及多通道空间结构。联合在策略自蒸馏在学生生成的规划前缀和实际采样状态上训练规划与渲染模块，在语音、音乐和环境声测试中提升了空间质量、编辑保真度及未编辑声源的保留效果。

用途与启示
  • 为空间音频生成和编辑提供“显式规划—可执行渲染”的统一建模范式。
  • 展示在策略自蒸馏可缓解训练状态与学生实际采样状态之间的分布偏移。
  • ScenePlan 的结构化声源与轨迹表示有助于提升三维声场的可控性和可解释性。
  • FOA 感知 VAE 的通道协方差约束可为其他多通道音频生成任务提供借鉴。
📝 原始笔记（逐字保留）
[利用可执行计划和自蒸馏式 Transfusion 进行空间音频生成与编辑（42 ▲）](https://huggingface.co/papers/2610.34415?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)
★1 AV-FABLE：长视频视听篡改取证基准 Hugging Face Papers · 评测基准 · 论文 AV-FABLE 构建近千小时的长视频双时间线篡改取证基准，并通过分离式音视频解码显著提升稀疏篡改的时序定位能力。

★ 1 子主题：评测基准 Hugging Face Papers  EvalEvolve

 模型评估 多模态 视频理解 人工智能可靠性 时序建模

AV-FABLE 面向开放场景长视频中的局部稀疏篡改，包含 16,650 组原始—篡改视频对，总时长达 998 小时，并覆盖 27 种编辑配置。基准分别标注音频与视觉时间线，可评估模态特定的篡改检测和时序定位，避免联合时间线掩盖错误。实验显示，视听大语言模型的零样本提示检测接近随机水平，但其冻结感知特征中已编码较强的取证信号。作者提出 NFSR，利用独立的音频和视觉时序解码器读取冻结特征，在域内及三种分布外设置中取得最佳视听定位表现。

用途与启示
  • 为长视频中的短时、局部视听篡改提供细粒度评测基准。
  • 表明语言输出未必能有效显露 AV-LLM 内部已编码的取证证据，特征探测可作为能力审计手段。
  • 分离音频与视觉时间线有助于识别单一模态失效，并提高跨数据分布的篡改定位可靠性。
  • 可用于开发深度伪造检测、内容真实性审查及长视频安全评测系统。
📝 原始笔记（逐字保留）
[AV-FABLE：长视频中的视听篡改取证（37 ▲）](https://huggingface.co/papers/2610.33413?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-27)
★1 CodeCap-Bench：以可执行代码表征视频内容 Hugging Face Papers · 评测基准 · 论文 CodeCap-Bench 探索以可执行程序作为视频字幕，并评估多模态大模型生成忠实代码字幕及保留时空信息的能力。

★ 1 子主题：评测基准 Hugging Face Papers  EvalEvolve

 模型评估 多模态 视频理解 推理

论文提出“代码即视频字幕”范式，使用图形原语、布局规则和时间函数表达视频中的空间结构与动态变化。实验表明，相比自然语言字幕，代码字幕在下游问答准确率和视频重建保真度上表现更好。CodeCap-Bench 收录323段结构化二维内容视频，覆盖五类场景，并提供细粒度标注与多层级评估框架。领先闭源多模态大模型已具备初步代码字幕能力，但仍难以忠实描述复杂时间动态，开源模型的差距更加明显。

用途与启示
  • 为视频理解提供比自然语言更精确、可执行且结构化的中间表征。
  • 可用于评估多模态大模型对空间布局、对象关系和时间动态的联合建模能力。
  • 为视频问答、视频重建及可验证视觉表征研究提供新的基准与任务形式。
  • 揭示复杂时序动态是当前代码字幕生成系统的主要能力瓶颈。
📝 原始笔记（逐字保留）
[CodeCap-Bench：代码能否充当优质视频字幕？（49 ▲）](https://huggingface.co/papers/2610.37341?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)
★1 ChronoReplay：异构时序回放缓解空间 VLM 接口锁定 Hugging Face Papers · 视觉推理 · 论文 ChronoReplay 将异构空间监督组织为保留原生目标的时序回放片段，使单一空间 VLM 检查点能够跨多种应答接口迁移，并通过自适应选帧降低推理视觉成本。

★ 1 子主题：视觉推理 Hugging Face Papers 

 空间智能 视觉推理 多模态 模型训练 时序建模

空间 VLM 针对方位、距离等单一输出接口进行后训练时，容易只保留该接口所需的信息，形成“接口锁定”，导致其他空间任务的迁移能力停滞甚至下降。ChronoReplay 将不同来源的空间监督按时间顺序重放为片段，保留各数据源的原生目标，并在监督家族之间进行平衡学习。单一 ChronoReplay 检查点同时提升 OVO-S-Bench、OST-Bench 和 UCS-Bench，其中 OST-Bench 提升 13.41 分；配对实验还显示，时序回放相较顺序偏移对照平均提升约 2.41 个 OST 分。模型训练完成后，自适应帧选择可在不修改权重的情况下进一步提高性能，同时减少视觉输入成本。

用途与启示
  • 说明空间智能训练不应只优化单一答案格式，而应保留距离、类别关系等多种可迁移的空间信息。
  • 可将异构监督组织为时间有序的训练片段，并通过家族平衡避免高频任务主导联合微调。
  • 为流式视频与具身场景提供训练和推理解耦思路：训练阶段改善跨接口迁移，推理阶段通过自适应选帧优化证据质量与视觉成本。
  • 提醒评测者同时检查多个空间读出接口，避免把单接口增益误判为通用空间能力提升。
📝 原始笔记（逐字保留）
[ChronoReplay：流式空间智能仅靠单一应答接口远远不够（345 ▲）](https://huggingface.co/papers/2610.34283?utm_source=digest-papers&utm_medium=email&utm_campaign=2026-10-28)
0%