新闻、仓库与研究，按时间排列。
研究者推出 Continual Learning Exam（CLE）基准，由 50+ 领域专家构建，用于衡量 LLM Agent 在真实职业工作流中通过积累经验持续改进的能力。CLE 包含 120 个人工编写任务，每个任务分五级阶梯，共 600 个级别，覆盖 12 个职业领域的 89 种职业角色。在 17 种 harness-模型配置中，失败后反馈加一次修订平均带来 5.3 个百分点的完成率提升，但最强系统也仅通过 47.7% 的级别、仅在 23.3% 的任务中完成全部五级。
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。
研究者提出 HERD（Harness-Evolving Recursive Distillation），一种混合持续学习框架：在 harness 中高效学习，并通过带双锚点的漂移约束知识蒸馏把经验内化为累积能力，抑制灾难性遗忘。在 TRACE+17 的 25 阶段任务流上，在固定内存与计算预算下，HERD 在新任务习得上匹敌最强参数化基线，同时遗忘最少、通用能力保持最好。
Zihan Chen发布arXiv论文（arXiv:2610.27610），对2026年10月冻结的114项递归自我改进（RSI）研究全文编码，其中90项自称RSI。结果显示90%报告了产品评估，但仅60%在选择未用任务上评估，仅22%审计两次以上完整循环；26项声称改进流程的研究中只有4项在同一起点和匹配预算下比较前后流程，作者据此提出将每项声明与对应评估设计绑定的报告标准。
推荐理由：论文用统一编码框架量化了RSI研究的证据缺口，指出可重复性和改进流程验证远弱于产品评估。
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。
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。
arXiv 论文提出 Cold-Start Failure-Only Evolution（CFOE），让 LLM Agent 在无先前经验、无外部评估信号的情况下只从失败交互中学习。跨三种自进化范式、多个 LLM 骨干和四个交互环境的实验发现一致的修复-泛化差距：失败经验能修复已失败任务，但对未见任务的持续改进有限；Agent 常误解失败，验证正确的经验也难迁移，而成功轨迹能显著提升泛化。
推荐理由：论文用统一框架量化了只从失败经验中学习的效果边界，指出修复与泛化之间的差距及成功轨迹的作用。
arXiv 论文提出 AGORA 框架，独立变化团队构成与相互依赖结构（协作、从众、竞争）来研究自演化多智能体系统（MAS）的演化。在网页搜索、代码库理解与文档问答任务上发现：仅演化很少带来提升，合适的脚手架最多比单独演化的强智能体高出 25 分；其机制是把权威移交给最有能力的成员、其余成员退居辅助，且该成员在团队中成长后优于同一模型单独使用。
推荐理由：论文用 AGORA 框架把团队构成与依赖结构拆成独立变量，给出社会脚手架影响多智能体自演化的实验数据。
研究者提出 MC-EvoBench，一个用于审计 Minecraft 智能体经验驱动自我改进的受控基准，含 19 条注册进化链（12 条主评测链、7 条校准/探针链）及三个图对齐配对探针族。基准将任务表示为任务状态图，设置阶段级环境验证器，仅允许声明的 agent 工件跨越源-目标边界。结果显示 planner 支持变体与 controller 变体间存在持续的直接能力差距，而相关经验未带来稳定迁移，各置信区间均含零。
Recursive Game Creator 是一个面向游戏体验的智能体开发框架，通过 Designer、Builder、Player、Reviewer 四个组件递归迭代，把粗糙的游戏原型打磨成有趣的游戏。该方法在 GameCraft-Bench 上取得 77.89 的 SOTA 综合成绩，在 GameASG-Bench 上严格任务成功率达 53.2%，较同模型基线提升 34.1%，运行时检查通过率 93.4% 为对比方法中最高。用户研究显示玩家游玩时间更长、评分更高，代码即将开源。