更少 token、更高成功率：GPT-6 Astra 机器人智能体以 65% 更少 token 实现 14% 成功率提升

研究团队提出交互式代码执行框架 PyRUA-Lean，将反馈驱动的基元组合与选择性观察相结合，减少视觉语言模型（VLM）智能体控制机器人时的 token 开销。

Rohan Paul@rohanpaul_aiAI 评分4747

ScienceBuddy 将用户对 AI 智能体的修正转化为评分测试任务，交替重写提示词与技能、重训模型。在生物学任务上，仅提示词与技能调整使 4B 模型准确率从 31.1% 升至 51.1%；重训将 4 次内解决问题比例从 48.3% 提至 67.8%。两者结合将科学智能体准确率从 42.2% 提升至 73.3%。

AgSpec：突破检索式推测解码在编码智能体流水线中的极限

AgSpec 框架为编码智能体流水线补齐检索式推测解码缺失的语料库与草稿长度策略，从会话、工作区和全局语料检索，并按智能体离线画像设定草稿长度上限、在线自适应调整。在两个仓库级多智能体编码基准上，AgSpec 在多数设置下优于五种检索式草稿器及 EAGLE-3，批大小 1 和 16 时生成吞吐量较自回归解码分别提升最高 4.37 倍和 4.76 倍。

elvis@omarsar0AI 评分4545

一篇关于智能体强化学习信用分配的论文提出 ProVer 方法：由 LLM 裁判对比成功与失败轨迹并定位关键片段，再采样该片段前后的续接，以成功率变化作为该步优势。相比 GRPO，ProVer 在 ALFWorld、WebShop 和 SearchQA 上对 Qwen3.5-2B 相对提升 9.91%，对 Qwen3.5-4B 提升 7.12%，且裁判模型更小时依然有效。

InterEvolve：人形机器人移动操作中奖励程序的测试时进化

InterEvolve 提出一种测试时进化方法，让人形机器人控制器无需重新训练即可通过重编程现有技能解决新任务。它用 LLM 智能体在上下文中修订奖励程序结构，并由数值优化器调整常数，在并行仿真中验证候选程序。实验表明，InterEvolve 进化出的程序释放了 FB 模型未被充分利用的移动操作能力，进化技能可在物理 Unitree G1 上自主运行。

InFlowOp：无标签的流内多智能体工作流优化方法

研究者提出 InFlowOp，用一套无标签成本为多智能体工作流的每个决策定价，在任务分解粒度与智能体分配上双向求解，并在执行中按同一成本以最低代价修正故障。同时发布 Braid 基准，其任务需多智能体协作才能完成。在多个领域与骨干模型上，InFlowOp 较单智能体基线最高提升 +11.97%，流内优化带来 +9.64%。

Argo-Bench：评估数据智能体在企业级工作流中的表现

Argo-Bench 是一个包含 210 个数据科学与分析任务的评估框架，模拟纽约市外卖平台，导出为 235 张表、75 亿行的 ERP 仓库，智能体需先重建事实再执行封禁欺诈账号、分配骑手激励预算等操作，评分依据模拟器中的后果。14 个前沿与开源模型中最强者在仅 34.8% 的任务上得分达 95 以上，平均 59.5 分。

ActiveSaddler：面向 Agent Harness 优化的自动化课程学习

ActiveSaddler 将 Agent harness 优化中"用哪些训练场景产生反馈"这一被忽视的维度建模为非平稳 bandit 的自动化课程学习问题，把反复出现的失败抽象为可复用的失败模式臂，动态估计其学习潜力并平衡已知弱点与未知场景的探索。

PoS：用显式信念状态增强长时程 LLM 智能体

研究者提出推理时框架 PoS，为 LLM 智能体构建并持续维护显式信念状态作为决策上下文，每个信念结合当前世界状态估计与未解决的任务需求。PoS 通过一致性校验和任务进度监控检测“Belief Trapping”，并按陷阱模式与未满足需求类型进行恢复。在四个覆盖执行与诊断的基准上，PoS 在三种 LLM 主干下均取得最高整体表现，消融实验验证了一致性校验与恢复机制的作用。

OmniSeek：面向多轮音视频推理的原生工具集成框架

OmniSeek 是一个将 Omni-LLM 转变为具备原生工具调用能力的多轮推理智能体的框架，能动态决定看或听以及对应的时间窗口，将检索到的音视频片段回填上下文以支持后续推理。

后训练中的锐化税：预训练 LLM 配轻量推理框架即可胜任智能体任务

研究发现，预训练 LLM 搭配轻量推理框架即可作为智能体使用，其 pass@1 准确率虽远低于后训练版本，但在充足测试时预算下 pass@K 解题覆盖率常反超后训练模型。

elvis@omarsar0AI 评分4848

AgentWorld 将 3 到 20 个不同角色的 LLM 智能体放入游戏沙盒，执行 50+ 轮的长程任务，智能体无法看到彼此内部状态，只能通过消息和共享计划协调。Gemini 3 Flash 任务成功率最高，为 52.0%；协调类任务最难，成功率仅 12%，常见失败包括沟通中断、角色混淆和共享计划丢失。论文显示，多智能体团队中不到三分之一的行动真正有助于完成任务。

AutoGUIWorld：用图像生成器作为 GUI 智能体的视觉世界模型

AutoGUIWorld 是一个数据生成框架，结合图像生成器的视觉先验与规划器的任务知识，无需部署或运行软件环境即可合成 GUI 交互轨迹。它从操作系统上下文、视觉外观和界面状态的结构化规格中采样初始场景，生成 79,266 条覆盖 Ubuntu、Windows、macOS 和 Chrome 的空间标注步级训练样本。

FloWright：用工作流优化工作流，小模型性能提升最高 7.41%

针对多智能体工作流训练只优化生成器、其余智能体固定的问题，研究者提出 FloWright，通过分层、结构感知的奖励范式让一个角色自我进化、两个及以上角色协同进化，无需额外模型、标签或执行。

arXiv 论文提出 Context Language Models，让模型原生管理自身上下文

Rulin Shao 等人在 arXiv:2609.37725 提出 Context Language Models（CLMs），把上下文当作文件、由模型自由更新，从而原生管理自身上下文，并可自然扩展到多智能体共享文件式上下文。

Karina@karinanguyenAI 评分3434

一个有趣的结果：Fable 5.1 得分 44.6%，高于 Fable 5 的 37.3%，同时平均少用 33 分钟。这里的进步也意味着从每小时的自主工作中获得更多产出。 大多数智能体运行 8–10 小时，却取得显著不同的分数。下一个有趣的问题是，每多一个小时，每个智能体能获得多少提升！

elvis@omarsar0AI 评分5858

Meta 及合作机构发布 Context Language Models（CLMs）论文，把上下文作为文件让模型用 Bash 自由读写编辑，自行决定保留、重写或删除内容。

Apple 提出 RLTL;DR：通过内化自生成反馈实现自我提升

Apple 研究团队提出 RLTL;DR，让策略在每次失败后根据验证器输出自行撰写一条 TL;DR 式反馈，并将上下文中的洞察反向传播以内化“任务→洞察”映射。

Apple 与 EPFL 研究：强模型做自主 ML 工程时复杂 harness 不占优势

Apple 与 EPFL 研究者发表论文，比较开源 SOTA MLE agent harness 与最小 harness 的单会话 coding agent。在相同时间预算和同一前沿 LLM 骨干下，复杂 harness 并无优势，性能主要取决于模型骨干；大规模消融实验显示多层机制在 coding agent 场景中变得冗余。

AK@_akhaliqAI 评分1818

Omni-IO Skills 让你的智能体全能原生 论文：https://huggingface.co/papers/2609.31847

AK@_akhaliqAI 评分2525

LEGO-Anything 面向 3D 场景重建的编码智能体 论文：https://huggingface.co/papers/2609.36380

dex@dexhorthyAI 评分4444

给基准测试爱好者们：一个很酷的新数据集，面向 SRE 类型的工作

物理学家 Schwartz 分享用 Claude 与 BootLoops 做跨领域定量科学的方法与成果

物理学家 Matthew Schwartz 发文介绍一种 AI 加速科研的新思路：不再对抗模型短板，而是寻找适合当前 LLM 的 "Claude-shaped" 问题，并开源了定量科学计算工具包 BootLoops。

AK@_akhaliqAI 评分2727

SpatialClaw 重新思考智能体空间推理的动作接口 论文：https://huggingface.co/papers/2606.13673

DAGent：面向深度研究智能体的 Evaluate-then-Grow 规划框架

DAGent 是一个基于 DAG 的多智能体框架，采用 Evaluate-then-Grow 增量规划，由 Orchestrator 依据已完成节点的置信度与不确定性信号逐批扩展任务图。

MemLife：面向长期第一视角视频记忆的整理与推理系统

MemLife 是一个多模态记忆系统，通过构建实体锚定的第一人称文本片段，并用时间索引的智能体读取器进行检索，在无需训练、查询时不访问原始视频的情况下，于四个长时程基准上比最强免训练基线提升 4.6–12.0%。配套的 MemOpt 强化学习框架优化记忆写入器，使 MemLife 再提升 2.7–5.0%，且增益可跨写入器与读取器骨干及不同记忆系统泛化。

GraphForge：用图锚定工作区合成训练工作型智能体

GraphForge 是一个基于证据图的工作型智能体训练框架，从职业种子出发为每个种子组装真实文件工作区并构建证据图，任务描述与评分标准均由该图派生，使每条标准都锚定到验证所需的文件。

Apple 发布 SCLATE：持续学习智能体训练与评测的执行基底

Apple 发布 SCLATE，一个持续学习智能体训练与评测的执行基底，基准和未修改的智能体通过适配器把事件加入同一开放事件调度器，混合模拟时钟可把一个月长的场景压缩到数小时。

arXiv 论文：多智能体系统潜空间通信的安全风险与修复

研究显示，多智能体系统的潜空间通信即使良性训练链接也会提高有害顺从度，而智能体本身的安全对齐未被改动。攻击者可通过在有害查询-响应对上优化链接、投毒训练数据或强化学习攻击放大该效应，在三种通信拓扑和四个安全基准上将平均有害顺从分从 27.9 提至 76.9；把奖励调整为更安全行为可修复被攻陷的链接，无需更新智能体。

AutoDataBench：面向加速自动研究的数据中心测试平台

AutoDataBench 是一个隔离数据因素、系统评估 LLM「数据智能」的受控测试平台，覆盖数据诊断、组织与构建三类优化任务，在固定非数据因素下考察前沿 LLM 通过迭代实验改进训练数据的能力。研究还对比训练前预测与实际结果，检验 LLM 是否具备数据效应推理能力，并发现复用 AutoDataBench 轨迹进行 mid-training 可提升下游编码性能。

Rules to Tools：为科学计算中的 LLM 智能体提供可执行检查

Rules to Tools（R2T）为科学计算场景的 LLM 智能体提供公开科学需求的可执行检查，在 SciCode 修复任务中，工具组完整修复达 29/30，纯文本组为 26/30。

RASO：通过跨 Harness 适配的检索增强技能优化

研究者提出检索增强技能优化框架 RASO，利用外部技能语料库作为先验知识，通过跨 Harness 适配解决领域与 Harness 不匹配问题。RASO 包含无需 agent rollout 即可构建初始技能的 RASI，以及依据执行反馈迭代优化技能的 RASU 两个阶段。在四个 agent benchmark 和两个模型上，RASO 持续优于无检索增强的基线方法。

MILO 论文提出多智能体协同演化框架自动发现 agent harness

arXiv 论文 2609.38349 提出 MILO（Meta-evolutionary Island Orchestration），协同演化 agent harness 与发现 harness 的搜索策略，包含岛屿树层级谱系记忆、重写完整 harness 的 mutator agent 和自适应 orchestrator。

SkillGym：用自动可验证环境生成训练技能使用智能体

SkillGym 是一套自动流水线，可从互联网抓取技能、筛选可离线复现的工作流，并通过 builder-reviewer 流程构建难度可控的任务，最终生成 6.8k 个环境和 19k 条已验证成功轨迹用于监督微调。

HeteroFold：面向异构多智能体 LLM 的免预填充跨模型族 KV Cache 传输

HeteroFold 是一种免预填充的跨模型族 KV Cache 传输方法，可在发送方与接收方均冻结的前提下对齐模型结构、映射并校准缓存。在六个传输方向上，它于四个长上下文基准上均取得最佳缓存传输表现，并在多智能体基准上追平文本通信。

研究智能体的预测信用：科学解释对实验预测的增益测量

一项研究提出"预测信用"协议，通过配对预测衡量研究智能体给出的科学解释对实验预测的增益，在336个前瞻状态、12个Tox21端点和24个OpenML任务上测试，v5的冻结信用判定未能得出结论。

APPL：用智能体先验引导策略学习，打通技能泛化与组合

研究提出 Agent Priors-guided Policy Learning（APPL），把每个策略的结构先验同时用作训练约束与组合接口：构建智能体将完整演示切分为可复用技能，为每个技能提出多个结构先验并各训练、验证一个策略，运行时智能体再按先验接口选择并组合这些策略。

BIABench：评估 AI 智能体在真实生物图像分析任务上的表现

研究者推出 BIABench，一个由 16 项已发表生物学研究重建而成的基准，保留原始科学问题、成像数据与 ground truth，覆盖从 H&E 组织学到单分子定位显微镜的 11 类分析子任务。

arXiv 论文揭示提示身份标签会导致多智能体 LLM 系统合作退化

arXiv 论文（arXiv:2609.35928）发现，多智能体 LLM 系统中当各智能体知晓彼此的模型家族时，群体会按标签分裂为派系，即任务本身并不奖励的 factionalism 现象。

NavHarness：面向终身具身导航的训练无关框架

NavHarness 是一个面向终身具身导航的训练无关框架，将记忆处理纳入导航循环，通过多轮智能体会话调用地图、任务记录与房屋知识并对照观测修正。