新闻、仓库与研究，按时间排列。
Per Kristian Lehre 等提出分阶段管线，让智能体提出黑盒优化算法，用 Lean 证明期望运行时界并过滤缺陷设计。智能体给出的算法在 CycleUncover 问题达 O(n²)，而经典 (1+1) EA 需 e^Ω(n)；在 8 个问题类上，15 次运行中 12 次用前沿模型完成机器验证的运行时证明，消融显示去掉分阶段会导致照抄基线或证明不完整。
推荐理由：论文展示了分阶段管线让智能体在 Lean 中机器验证算法运行时证明，为无实证评估的开放式算法发现提供了可检验的替代路径。
研究者提出 Evolve on Graph（EoG）框架，让 LLM 在无 QA 标注下通过 Graph Self-Play 自进化图谱推理：单一 LLM 交替扮演提出问题的 Proposer 与作答的 Solver，并用 SVTS 生成可符号验证的拓扑骨架、用 Boundary-Aware Graph Curriculum 使题目保持在 Solver 能力边界。在基于 Freebase、Wikidata 和一个工业 KG 的六个 benchmark 上，EoG 持续优于 prompt、检索和 Agent 类方法，代码已开源。
论文提出 EvoRouter，一个通过洞察引导在线蒸馏自我演进的多智能体路由框架，由专家从配置轨迹中提炼可复用路由洞察，特权教师结合执行反馈为路由器的规划轨迹提供密集 token 级监督，并用成本感知强化学习联合优化性能与开销。在 19 个域内数据集和 2 个域外基准上，EvoRouter 平均域内精度 68.69%，超过最强路由基线 7.23 个百分点，推理计算成本降低 50.95%，代码已开源。
研究者推出 ClinVerse，一个基于真实数据的交互式多智能体环境，用于训练和评估医疗诊断智能体。其底层 ClinPatient 数据集包含来自真实电子健康病历的 150k 诊断案例，支持医生智能体等六种临床角色的协作交互，并通过规则化打分框架量化信息获取、检查开单与诊断准确性，作为训练奖励信号。实验显示，三类共九种自我进化方法均能持续提升智能体的诊断能力。
一个 GitHub 研究仓库尝试诱导 LLM 发展并扩展 Balaban 纲领，以构造四维 Yang--Mills 理论（YM4），从紫外奇异性较轻的 QED3 和 YM3 入手。仓库声称包含 QED3 在无穷体积下的完整构造及场强张量的 Osterwalder--Schrader 公理证明，内容主要由 Claude 生成的数千页草稿经 Astra 精简而成，尚未充分人工核验。YM4 论证已存在但极长难以理解，作者欢迎协作完成形式化与消化。
Numina Fuse 是一个用于 Lean 4 数学形式化的智能体原生应用，围绕人类对智能体工作的监督设计，用户可通过蓝图、依赖图和 Lean 代码视图协作并让后端运行智能体数小时。它在 2026 年从固定人工节奏的流水线演化为自主调度专家、证明器和并行子任务的 orchestrator。Fuse 已用于三维 Kakeya 猜想的形式化，开源本地版本 Fuse Desktop 已可用。
研究者提出 MTA-Zero，一个无需预计算多跳语料的在线多模态 QA-Solver 共训练框架，用 GRPO 独立优化 QA Generator 与深度搜索 Solver。在六个多模态深度搜索 benchmark 上，该框架将 Qwen3-VL-8B Solver 的平均准确率从 36.91% 提升至 51.58%，与相同 agent 工作流下的 GPT-5 表现相当，并使 Qwen3.6-27B Solver 提升 10.82 分。
Yue Huang 等人发布 RSI Arena 论文，让十个前沿模型作为训练智能体，各自从 NVIDIA Nemotron 3.5 Lightning 30B-A3B Base 出发，在六天内用 1,000 GPU 小时和 $300 API 额度自主完成数据选择、训练与 checkpoint 选择。最强的 GPT-6 Astra 训练模型在 12 项能力基准上平均弥补了基座到 Instruct 差距的中位数 76%，人类偏好评分经长度与格式调整后接近 NVIDIA Instruct；第二阶段十个模型中八个的风格调整相对评分继续提升，但基准提升与偏好提升无明显关联，且一个模型在 StrongREJECT 上有害合规上升。
推荐理由：十个前沿模型自主后训练同一基座并接受人类盲评，还报告了有害合规上升的副作用，结果细节值得细看。
emmarion 发布了 Sleight 编程语言仓库，语言采用 s-expression 语法、受限依赖类型、每个 binder 标注 multiplicity（erased/many/unique）以及无逃逸的终止检查，编译器会检查程序声明的性能断言如尾调用。仓库含参考实现（OCaml）、自举编译器 slc 和 Lean 4 模型，附千余个测试程序及 checked_runs、no_false、eval_sound 等机器验证定理；palindrom、heapsort、msort 等认证程序中堆排序由 LLM 智能体经多会话写成，2026 年 10 月 14 日的 talk 报告了模型表现。
Hugging Face 与宾夕法尼亚大学合作开发 LitPivot，一款帮助研究者在早期选题阶段结合文献调整研究方向的系统。它通过 Asta Paper Finder 检索论文，将提案拆分为问题、贡献和评估计划三个维度并按所选维度组织文献、给出带引文依据的批评和修改建议。在 17 名研究者的实验中，领域专家认为用 LitPivot 形成的想法比基线工具更扎根于文献，该系统将在 UIST 2026 上发表。
arXiv 论文 2610.32770 将 on-policy 自蒸馏重构为自训练框架，仅凭粗粒度高层主题描述，由模型自行合成问题与特权推理轨迹，不依赖任何人工提示或答案。实验覆盖文本与多模态领域，模型在标准语言基准和视觉问答上取得一致的自我提升，且未自训练领域能力得以保留。
研究团队提出 Poseidon，一个从科学代码仓库自动生成多样化、可验证训练环境的流水线，同等仓库预算下比先前方法多提取近 10 倍环境，涵盖 Reproduction、Subflow、Completion、Correction 四类任务。由此构建的 Pearl 包含来自 7,110 个公开仓库、横跨 10 个学科的 97,659 个可执行可验证环境，是迄今最大、覆盖面最广的科学智能体训练环境集合。Qwen3.5 模型（9B、27B、35B-A3B）在 Pearl 上训练后在六项科学智能体基准上均取得一致提升。
研究者提出多方向 Perturbation-Rewrite Search（PRS）框架，利用 LLM 自动设计 NP-hard 组合优化问题的启发式算法。PRS 通过扩展、压缩与导向三个方向探索启发式设计空间，并采用带自适应算子控制的广度优先搜索，防止过早收敛。在多类组合优化任务上的实验显示，PRS 能持续发现高质量启发式算法。
ExpEvolve 提出在 AlphaEvolve 类进化编码智能体中注入“想法级”抽取与控制，从程序中发现解释得分差异的高层因素，并给出其提升样本效率的理论条件。在 11 个开放式数学任务上，ExpEvolve 将最终性能和样本效率最高提升至 5.0x，改进还可迁移到 4 个其他 LLM 及 MLS-Bench 的 6 个机器学习任务。
OpenAI、PerturbAI 与 Scripps Research 联合发布研究，用数千个 GPT-Rosalind 驱动的 AI 智能体并行分析数百万小鼠脑细胞的全脑 CRISPR atlas，32 分钟完成分析与文献解读。团队称同样工作人工逐一分析需数月至一年。该研究从数据中挖掘出新的研究线索。
FemPrompt SozArb 是一项定性文献综述，探讨社会工作者如何负责任、有建设性地使用 LLM，并以女性主义 AI 素养为框架。研究通过 AI 辅助深度研究识别文献，按 PRISMA 2020 与 PRISMA-trAIce 报告筛选流程，由人类评审在 PRISM 工具中筛查、AI 智能体编码，最终学术权威由领域专家掌握。该项目属格拉茨大学 Elisabeth List Fellowship 项目，代码采用 MIT 许可，文档采用 CC BY 4.0。
研究者提出 OptScientist，一个从数据中自动发现符号化优化定律的框架，由符号优化问题推断模型和结合文献先验的 LLM 智能体系统组成。在含 99 个物理优化问题的新基准 OptFeynman 上，它对超过 80% 的问题恢复出真实定律，显著优于机器学习、符号方法和 LLM 基线。在人类风险决策与央行货币政策数据上，其发现的定律在留出预测性能上与主流基线相当，且参数更少、token 消耗显著更低。
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。
研究者提出 GBClaw，一个用于研究一般晶界结构与变形的智能体 AI 框架，将 LLM 与编排器、专用 agent、领域工具、仿真接口和分层记忆整合为模块化架构。该框架应用于镍中 14 个一般非对称倾转晶界，表征了界面缺陷结构并识别出多种变形模式，发现有/无次级晶界失配位错时边界滑移的剪切强度差异显著。
研究者提出一种 agentic 工作流，让 LLM coding agent 在商用基带 SoC 上实现算法、优化到 agent 自己编写的向量汇编，并在芯片上验证。该流程在 6G4All 平台上的 AI 发现的 OTFS 检测器组合上展示，产出 12 个可在硅片上周期精确运行的内核，优化版本每帧 18k-405k cycles（30-660 μs）；其中依据芯片实测成本生成的新检测器比移植版少 13.9% cycles 且误码率相当。
GitHub 上的 udg-catalogue 项目用 DeepSeek V4-Flash 自动筛选 arXiv 天体物理论文并提取超弥漫星系（UDG）测量值，发布包含 1,927 个天体的交叉匹配目录，可通过 Plotly 3D 地图和 Streamlit 仪表板浏览。557 篇论文被筛选，90 个（4.7%）天体具备全部六个参数，五次完整运行的 API 总成本为 US$4.32。项目明确标注为原型，数值未经人工核对，使用前需对照 source_papers 中的原始论文并引用原论文。
Anthropic 让内部研究模型在 Claude Science 中主要自主运行 64 小时，设计针对五种蝎子神经毒素的蛋白质迷你结合剂。共生成 318,484 个设计，筛选出 180 个。
论文提出 SELM（Self-Evolving Library Management）框架，将 LLM 智能体技能进化建模为库级管理问题，通过维护技能置信度与效用信号，联合管理技能检索、更新与生命周期。SELM 引入效用感知检索、Map-Reduce 定向更新及基于有效性的技能保留/剪枝机制。在四个覆盖多任务与执行环境的 agent benchmark 上，SELM 在多数设置中持续优于对比方法。
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。
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 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。
开源智能体 Optimist Deep Research 将文献研究作为对显式可变研究状态的迭代证据获取过程：研究问题被拆解为子问题树，检索覆盖 arXiv、OpenAlex、Crossref、PubMed、Semantic Scholar 和网络，经四层去重和引文滚雪球扩展至饱和。文档并行读入结构化证据库，批评者沿八个维度返回研究行动而非二元判定，最终报告逐节生成且每条引用都可溯源。案例研究约三分半钟读完 237 篇检索文档中的 28 篇。
研究者提出 AutoSFT，一个用于监督微调（SFT）数据自动化研究的多智能体系统，由 meta agent 分离执行与分析，并调用 synthesis 子智能体补充数据池无法覆盖的操作。相比单智能体，executor 将上下文丢失减半，分析子智能体使 IFEval 提升 +6.5，合成再加 +3.4 IFEval 和 +2.9 IFBench；同一流程迁移到代码任务可带来 +3.7 MBPP+。所有结果均基于每轮从基座模型重新训练，结论表明自动化 SFT 数据研究更依赖覆盖多样化的数据操作。
arXiv 论文提出集合级强化学习目标，让模型一次生成 K 张基于源论文、彼此明显不同的结构化想法卡片，质量按与前文想法的距离加权。训练后的 8B 模型在无污染 benchmark 上的 creative utility 超过 Claude Opus 4.8 和 GPT-6 Astra。四位专家试点评估认为其想法集与 Claude Opus 4.8 相当且独特想法略多，coding agent 验证的 success@k 也与之相当。
研究者提出一个进化式框架，由 LLM 提出量子线路设计、独立评估器验证并打分，应用于数值计算、化学、优化、量子模拟和数理等任务。八个任务中七个发现的线路相比现有最优水平显著降低了 Toffoli 与 qubit 数量；在第八个任务中找到了素域模逆的新可逆架构，使原本不适用于可逆整数运算的 divsteps 算法变得可行，并显著改善模逆的 Toffoli-qubit 权衡。
研究者提出 Feedback-Guided Search State（FGSS），用 LLM 反射器提出并修订假设、确定性 curator 校验假设并维护测试记录，将语言引导与观测证据和参数干预相连，并基于 LLAMBO 实例化为 FGSS-BO。在两个回顾性协议/媒体任务上，其最终最优样本均值和 search AUC 超过匹配的 LLAMBO 基线及非 LLM 基线；六个直接训练的超参数优化任务显示迁移效果因任务而异，在 diabetes SVM 上最强。
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。
论文提出 Interlock 框架，将任务表示为类型化完成图，通过 grounding 边、coupling 超边和 realization 边刻画证据、决策与下游效果间的关系，并编译为可重置工作区、公开请求与评测 rubric。在两个 Qwen3.6 backbone 上用自产轨迹微调后，AutomationBench 任务通过率提升 4.00-4.50 个百分点，JobBench 加权分提升 3.20-6.64 分，Harvey LAB 准则通过率提升 3.89-4.16 个百分点。
一项 arXiv 研究提出 Privileged Hindsight Distillation（PHD），将科研品味建模为从评估准则打分到相对偏好的个人化映射，并利用训练时才可见的后续科学证据改进提案期评估。该方法主要在量子研究领域评测，每位研究者仅需 15 次成对提案比较即可捕捉差异显著的偏好；交互实验显示个性化排序能带来更高的用户后续参与度。
研究者提出通用校准框架 GCH，将地球科学过程模型的校准委托给受知识基础设施约束的 LLM 智能体，由其定义参数域、观测映射与目标并生成模型代码，数值搜索与评估则无需智能体判断。在雪模型测试中，5 个知识引导设定全部一次执行成功，NSE 达 0.81-0.94，而仅给模型名的 5 个设定无一成功，默认参数仅 0.57；GR4J 独立设定得分差异在 0.001 NSE 内，验证了可复现的端到端校准委托。
Yasheng Sun、Jürgen Schmidhuber 等人在 arXiv 发布论文 JevGPT，提出用于自主研究的双系统架构，System Two 设定证据目标并整合发现，System One 定位支持、评估相关性并指导后续检索，独立来源判断并行运行。在固定语料问答与文档排序实验中，JevGPT 达到领先的任务表现，完成速度更快且成本低于同等有效的研究智能体，并显示更广的来源检查与支持文档覆盖。论文共 24 页，链接 https://arxiv.org/abs/2610.18272v1。
AutoNovo 用智能体程序搜索迭代提出、执行、评估并修订核酸设计器代码，以提升跨模型泛化能力。该方法在 3/3 个 DNA 设计任务的 in-silico 性能上取得评估方法中的最佳均值，并在 6/6 个迁移任务上对独立模型表现最佳。发现的设计器来自一个家族而非单一通用最优设计器，作者计划公开发布这些设计器。
GitHub 上的 agentic-research 仓库是一个面向自主研究智能体的知识库，以交叉链接的知识图谱形式整理 MLE-bench、PaperBench、AIRA 等 ML 研究智能体相关的论文、概念与架构模式。内容采用 Markdown 加 YAML frontmatter 组织，分为 concepts、literature、mocs 等目录，并提供实时渲染的可浏览站点与知识图谱健康检查工具。
该 arXiv 论文针对模型预测任务采样（MPTS）中风险预测模型的两大缺陷——优化历史稀疏与风险近似的一步滞后，将其重构为上下文序列建模问题。改进后的 RPM 结合一步前瞻机制与时间加权滑动窗口，无需额外 rollout 即可缓解数据非平稳与稀缺问题，在鲁棒 Meta-RL、域随机化及 LLM 提示词课程 RL 后训练中带来更可靠的难度估计和一致的性能提升。
一篇 arXiv 论文提出由 analyst、coder 和 recorder 三个角色组成的多智能体 LLM 调优框架，配合实验日志与沙盒执行环境，仅自动调优指定组件而不改动网络整体结构。在五个任务上验证：MNIST 与 Digits 脉冲网络分类准确率分别提升 13 和 6 个百分点，GNLSE 单孤子解误差降低约 2491 倍、不变量保持误差平均降低超 100 倍，KS 方程质量漂移降低 14 倍。