按兴趣浏览，循来源深入。
Zhipeng Chen 等人在 arXiv 发布 DeepEvolve，一个以未来事件预测为环境的可持续演化智能体系统，通过递归进化引擎把每次预测的推理轨迹转化为能力。在按周更新、以真实世界结果评估的 FutureX 榜单上连续三周排名第一，rating 最高提升 195%；在自建评测中于四个基座 LLM 上进入前三，领先最强基线最多 10.7 Bradley-Terry 分。论文 47 页，标注为进行中的工作。
推荐理由：论文以未来事件预测这一可持续演化的环境为基础研究递归自我改进，FutureX 榜单连续三周第一是可复核的外部结果。
研究者借助 AI 智能体框架 AI-greement 发现了面向地理分布式状态机的新共识协议 A-greement。在 5 或 9 副本的六种部署中，该协议在写密集和读密集负载下分别将地理分布式键值存储的平均延迟较最快基线降低 12.2% 和 33.3%，只读负载下持平。AI-greement 集成协议知识库、模块化实现骨架和基于 Lean 的验证框架，其形式化还发现了既有共识协议中多个此前未报告的漏洞；作者强调人类专家在搜索前后仍不可或缺。
推荐理由：原文给出 AI 智能体在 Lean 验证框架下发现新共识协议的完整方法与延迟数据，还附对既有协议漏洞的发现。
Wenjie Lou 等人发布 Sage-A1.5 技术报告，这是一个基于 A1 的 35B Mixture-of-Experts 智能体模型，通过自适应能力组合推进长程问题求解。报告提出三项改进：通过任务委派与子智能体隔离上下文并行协作的智能体编排，包含进度检查、证据验证与反思式策略修订的智能体验证，以及超越回答预设问题的开放科学探索能力；模型 checkpoints 已开放。
推荐理由：报告说明了子智能体并行协作、验证与开放科学探索三项改进的设计，适合关注长程智能体任务执行方法的读者。
论文提出 HarnessPro，一种无标注方法，通过 LLM 生成的测试评估候选框架，并用 Pareto 优化同时提升任务性能、降低执行成本。在 Terminal-Bench 2、SWE-Bench Pro 和 ProgramBench 上，用 GPT-5.5 加 Codex 时 heavy 模式相对 RHO 平均 pass-rate 提升 2.0 个百分点、单任务成本降低 26.1%，用 GLM-5.2 加 Claude Code 结果一致，并输出 lite、medium、heavy 三档框架供不同部署预算选用。
推荐理由：论文用无标注测试加 Pareto 选择同时优化 Agent 框架的性能与成本，给出与 RHO 的对照数据，方法可迁移到类似的框架自改进场景。
arXiv 论文 arXiv:2610.23845 提出 SEER-Repro 基准，收录 20 篇基于美国 SEER 癌症数据库的已发表论文及其复现所需数据资源。作者构建的 AI 智能体成功复现 2,190 条原子论断中的 77.4%，并通过智能体分析管线识别分析选择、提出替代方案后重跑分析，在 9.5% 的完全复现发现中标记出可能有实质影响的分析选择，交由专家复核。
推荐理由：论文给出了基于 SEER 的复现基准和 77.4% 原子论断复现率等具体数据，可用于评估 LLM 智能体做科学复现的现阶段水平。
研究团队提出 DiscoveryRSI 框架，通过多智能体进化搜索构建假设树，用假设信用优化、harness replay 和 rediscovery 三种机制递归学习，并配套发布 DFM-Bench 评测假设质量与累计研究进展。四个生命科学领域中，两轮自改进后假设质量从基线 4.86 升至 5.39，可证伪性和数据可解性提升最大；专家评审中 DiscoveryRSI-27B 在假设重要性与论断合理性上高于 GPT-6 Luna，与模型截止日期后发表研究的对应率为 6.3%，高于 GPT-6 的 2.5% 和 Claude Opus 5 的 2.3%。
推荐理由：论文给出假设树自改进框架和假设质量的量化指标，可看到自动评测与专家评审两层验证结果。
论文 arXiv:2610.23826 提出自建实验室（SBL），给定高层次科学目标即可自主设计、配置并运行实验室设置，补建实验布局、数字孪生、机器人技能和实验流程。系统已在不同机器人和 setups 上演示，从单一工作站扩展到多机器人协作实验室，并通过真实世界量子点合成实验完成端到端验证。
推荐理由：论文提出自建实验室概念，把人类角色从配置自动化设备转为只给科学目标，实验灵活性问题有了新解法。
论文提出技能演化中的认知分化方法 CDSE，把统一技能拆为 Meta、Experience、Tool、Script 四个功能组件，从成败轨迹中提取语义梯度并按功能角色做组件级更新与协调调用。对 500 个高分技能包的分析显示 96.8% 包含至少两种功能角色的知识；在六个基准、三个 Agent 模型、两种执行框架共 36 个设置中全部取得最高分，比 Base Agent 平均高 7.6 个百分点，比各设置最强对照方法平均高 2.6 个百分点。论文 22 页，编号 arXiv:2610.23599。
推荐理由：论文用功能分化思路改造 Agent 技能演化，并在 36 个实验设置中给出对比数据，方法对技能库维护有参考价值。
论文提出 LM2LM，用强化学习训练大语言模型生成语言模型改进提案，并以研究世界模型（RWM，一个冻结 LLM）从真实实验记录预测提案收益作为奖励，定期执行高排名提案以更新上下文保持反馈可靠。在八个自回归与扩散 LM 开发环境中，Qwen3.8-27B 经 LM2LM 训练后在留出任务上超越获得 300 条真实实验记录的 GPT-6-sol，数据生成成本降低 33%，并能泛化到训练未见的模型家族。论文链接 https://arxiv.org/abs/2610.23344v1
推荐理由：论文用研究世界模型替代真实训练反馈来训练改进提案模型，并给出跨八个环境与 GPT-6-sol 的对比数据，方法可参考。
ornith-ai 发布 Ornith-1.5-122B，一个 122B MoE 模型，将 Ornith-1.0 的自我改进循环扩展到联合优化任务生成、scaffold 构建和解题 rollout，通过强化学习持续生成训练任务并改进策略。模型支持 262,144 tokens 上下文（YaRN 缩放后约 1M），可单张 80GB GPU 部署，并提供量化 Mobile 变体。基准中 SWE-bench Verified（non-hack）84.5、TerminalBench 2.1 为 81.2，评测采用防 reward hacking 措施并以 Claude Opus 作为 judge。
推荐理由：模型卡同时给出多基准成绩与防 reward hacking 的评测细节，读者可对照同参数量级模型比较编码与智能体表现。
论文提出面向长时程自主机器学习工程优化的后训练方法，训练出 35B Mixture-of-Experts 智能体模型 MLExpert。方法包括构建可执行任务的 Kaggle-MLE Factory、层级 agentic SFT，以及将两次实验结果之间的多轮决策作为一个执行窗口并赋予共享结果奖励的 Windowed Interaction RL（WIRL）。在 MLE-Bench Lite 上，MLExpert 将基座模型平均奖牌率从 37.9% 提升到 72.7%，达到与 Kimi-K3、GLM-5.3 等更大前沿模型相当的水平，并在 NatureBench Lite、agent scaffold 优化和算法优化上显示能力可泛化。
推荐理由：论文展示了用层级SFT加窗口化RL把35B模型训练成自主机器学习工程智能体的完整后训练方法，MLE-Bench Lite数字可作参考。
arXiv 论文《Scaling Discovery Requires Forgetting》提出，LLM 智能体自动科研的三种扩展策略（单智能体长迭代、并行、并行通信）都会因历史累积而停滞，智能体被自身过往尝试锚定，编辑越来越少且越来越小。论文的方法是周期性丢弃搜索状态（包括各智能体会话与候选历史），从当前最优候选重启搜索。在启发式编程、kernel 优化和模型训练四类任务上，相比并行智能体最高提升 15%，相比单智能体最高提升 39%。论文链接：https://arxiv.org/abs/2610.20563v1
推荐理由：论文指出 LLM 智能体自动科研随历史累积而停滞，提出定期丢弃搜索状态重启，在四类任务上给出量化对比。
Xinyi Wang 等在 arXiv 发布 SEAR（Self-Evolving Agentic Robotics）框架与基准，语言模型智能体通过编写控制代码并在真实与仿真任务中保留有效经验实现自我进化。框架含 code-as-policy、agent-as-policy、auto-research 三种模式，基准覆盖 7 个前沿模型、330 个仿真任务与 5 个真机任务、累计超四年智能体运行时间。主要发现包括任务更难时延长会话更划算、控制代码与共享例程可跨任务和模拟器迁移而任务特定方案不能、真机上智能体设计的练习与新颖人类设计场景存在性能差距，且纯文本模型可媲美可比多模态模型；基准与代码库已开放。
推荐理由：该基准专门设计对照组区分真实学习与重复尝试和运气，并给出跨模拟器与真机迁移的实测发现，方法可复用。
Taoyong Cui 等人在 arXiv 发布 RSI-Anything（arXiv:2610.13912），一个基于 JEPA-Anything 的领域通用递归自我改进（RSI）框架，用预测式世界模型指导动作与学习数据选择，并通过组件与兼容性检查决定更新后策略-模型对的保留。代码修复中成功率先从静态验证器的 26.3% 提到预测选择的 29.2%，经世界模型适配后达 31.2%；GUI 任务完成率提高且平均动作减少 39.4%；五个连续策略版本使实验室规划得分从 21.80% 升至 46.01%；40 次实验预算下反应优化平均最优产率 96.15%，优于贝叶斯优化的 82.16%。
推荐理由：论文用预测式世界模型替代昂贵外部反馈来驱动递归自我改进，并给出代码修复、GUI、实验规划等多域的可复核数字。
Zimo Wen 等人发布 arXiv 论文 RoboRSI（arXiv:2610.12424），提出基于 Top-Down Skill Refinement（TSR）的机器人自我改进系统，将任务分解为复合、原子和基础技能，把执行结果归因到对应分支并只修改该分支，由 Manager、Planner、Engineer、Reviewer 协同完成规划、执行、诊断和新技能的验证发布。在移动操作机器人上经 104 轮学会多物体家庭清理，在 LIBERO、LIBERO-PRO、LIBERO-Plus 和 RoboTwin 仿真基准上取得最高成功率，超过最强基线 2.7 至 11.0 个百分点。
推荐理由：原文给出了按技能分支归因修复的自进化框架和多个基准上的成功率数据，读者可以据此评估机器人自改进方法的可复用思路。
Zijun Wang 等人在 arXiv 发表论文，研究语言模型作为 Research World Models（RWM）预测候选实验干预的结果。评测基于九个研究环境、2600 多条实验记录，涵盖预训练、后训练和推理，超过 171,000 H100 GPU小时；真实实验经验使 RWM 对同环境未见干预的预测提升 Spearman +0.27，OLMo3、Marin、Nanochait 预训练经验可将 Qwen3 环境的选择遗憾降低 78%，多轮 Autoresearch 固定预算下环境内与跨环境知识分别提升最佳收益 15.8% 和 11.6%；13 个模型的消融显示加入研究知识比换模型或增加推理力度更能改善干预排序。论文链接 https://arxiv.org/abs/2610.12235v1
推荐理由：论文用九个环境、超过17万H100 GPU小时的实验记录检验语言模型预测研究实验结果的能力，并给出跨环境复用收益的量化结果。
论文提出 AgentEvolver，一个在基础模型保持固定的情况下，通过任务执行发展可复用能力的系统，八类实体经统一版本化生命周期接受修订。团队报告在 SWE-bench Pro Public 上取得 82.08% 解决率，超过其报告的无进化基线；六个应用案例显示能力保留到后续网站、游戏和研究任务，同时也记录了未完成目标和不成功策略。
推荐理由：论文在固定基础模型的前提下把任务经验转为可复用组件，并如实记录未完成目标，便于读者评估自我进化系统的真实边界。
Xing Zhang 在 arXiv 发布论文（arXiv:2610.11464），提出把 verifier 作为进化对象，用小型确定性 drawback 检测器组合、出生门控和十项锚定参照集加共识来选择，而非以 agent 分数为准。MBPP+ 上比手写种子组合提升 +0.21 held-out agreement；实验发现移除锚定守护会退化为永远通过的空 grader，但下游任务分数不变，说明任务分数无法认证自进化 verifier；其 Double Ratchet 方案在代码生成、text-to-SQL 和报告生成上保留 88-110% 的基准提升。论文已被 NeurIPS 2026 Workshop 收录。
推荐理由：论文用锚定参照集与共识验证协同进化的 verifier，并指出仅靠下游任务分数无法证明其可靠，方法可迁移到自我改进 agent 的评测设计。
论文提出 Bolzano，一个使用并行 prover 智能体加 verifier 智能体并维护人类可读研究状态的开源多智能体系统。专家选定问题的早期人工使用产出8个经领域专家核验证明的结果；随后在从四组论文提取的约3800个开放问题上无问题特定人工引导运行，解出约200个。在 STOC 2026 论文的实验中，系统回答了论文中提出的四个问题，经论文作者确认。论文被 NeurIPS 2026 第六届 MATH-AI workshop 接收。
推荐理由：论文给出了多智能体证明搜索系统在约3800个开放问题上的无人工引导实测结果，可了解其解题规模和验证方式。
论文提出 SIGMA，一种仅需 Model Spec 即可让模型自我改进安全对齐的数据生成与训练流程，通过 spec 引导任务合成和基于 rubric 的强化学习完成。尽管只在单轮对话数据上训练，SIGMA 在多轮智能体环境中将 AgentHarm 有害性从 22.6 降至 14.8，Agentic Misalignment 从 79.1 降至 3.8，优于 Deliberative Alignment 和 Constitutional AI 基线，且保留通用能力。
推荐理由：原文给出了仅凭 Model Spec 进行对齐自我改进的流程和 AgentHarm、Agentic Misalignment 前后数字，可与外部监督方法的局限对照阅读。