新闻、仓库与研究，按时间排列。
pengzy-cosmo 发布 AgenticEvolve，一个用持久 LLM 会话驱动的进化程序搜索工具，论文为 arXiv:2610.31326。每个岛由一个贯穿整个搜索的 LLM 会话运行，commit 之间智能体可自行运行分析脚本，只有提交的程序被正式评估，存档按 MAP-Elites 网格组织并支持岛间精英迁移；附带 circle_packing、online_bin_packing 等示例任务，MIT 许可，需要 Python 3.12+ 和 uv。
推荐理由：作者开源了带持久 LLM 会话的进化程序搜索工具，任务定义、评估器和沙箱设置都可直接复现。
论文提出 HarnessMM，通过受保护的决策复用与递归自我改进（RSI）降低 Agent harness 的 token 消耗，actor 权重保持不变。在 HumanEval 上，Codex 成功率保持 90.82%，Tokens/task（k）从 66.72 降至 47.02（节省 29.54%）；DeepSeek Harness 成功率从 71.43% 升至 85.71%，Tokens/task（k）从 96.28 降至 11.62（节省 87.93%）。MBPP 消融显示成本比单次使用图低 26.91%，比保留回调低 19.52%。
腾讯推出 TGR-EvoDAG，一个面向生成式推荐（GR）的多智能体代码演化框架，将代码演化建模为 DAG 以维护多条演化分支并合并互补创新。该框架引入阶段感知成本规划与主动下游协同适配，在 Amazon 公开数据集上离线指标最高提升 37.4%，Agent4Rec 模拟用户满意度提升 19.7%。在腾讯大规模商业媒体平台部署中，演化后的 GR 离线 Hit@1 相对提升 12.16%，线上 CTR 统计显著提升 0.40%。
研究者提出 CAKE，一个面向 Ascend NPU 可部署自定义算子的 CANN 原生系统，结合自适应多 DSL 路由、生成与进化双模式及 CAKE Book 知识复用。在 Ascend 950PR 上 53 个 CANN-Bench v1.1 算子测试中，CAKE 标准集用例通过率 100%（1,060/1,060），隐藏集 98.28%（4,167/4,240），相对基线平均 1.334× 加速；Evolution 模式使 EngramGateFusion 聚合设备时间降低 46.6%。
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。
GuideEvolve 是一个结合专家引导与 3Ts 机制（Think Fast and Slow、Throwback、Termination by choice）的自进化智能体框架。在 MGSM 上达到 89.8% 准确率（Gödel Agent 为 90.6%），MMLU 上 89.1%（对手 87.9%），方差降低 25-59%。其进化成功率达 100%（基线 82%），优化迭代次数从 30 次降至约 15 次。
论文提出 HGM-Dual，一个面向规划智能体的诊断引导式 harness 进化框架，将智能体进化表示为谱系感知上下文，并采用错误条件下的双路径子代生成。该方法在 case accuracy 上较最强基线最高提升 14.45%，并以 2x-4x 更少的评估预算达到 HGM 变体的最终性能。
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。
GitHub 新仓库 AutoQuant 是一个把已发表的量化研究观点转化为清晰、可证伪回测的研究工作区，首个研究管线为 Quantocracy Lab。该管线用 Python 从 Quantocracy、Cboe Insights 和 arXiv 收集文章与论文，经 LLM 提示词评估可回测性后转为策略规格，再以隔离进程、超时受控的方式批量回测，各阶段独立且可断点续跑。可复用资产包括 Python 管线、LLM 提示词、策略规格模板和示例策略，数据源、价格缓存与生成报告均不进入 Git。
一项研究提出用 LLM 驱动的进化程序搜索来改进生成式检索（GR）中的语义标识符设计，据称是该方法首次应用于 GR。框架使用本地部署的开源 31B 模型变异可执行组件，并以 1M 参数代理解码器替代反复训练 1B 目标生成器提供快速反馈，代理与目标 Recall@100 的 Spearman ρ 达 0.90。在 NQ320K 上，联合进化 SID 构建与碰撞处理将 Recall@1 从 55.8% 提升至 59.3%，Recall@100 从 85.8% 提升至 90.6%。
Gaotang Li 等人在 arXiv 论文 arXiv:2610.28380 中提出 Object-Oriented Harness（OO-Harness），通过面向对象设计演化出可执行的 harness 类层级，训练时由演化 agent 依据执行记录以继承方式生成专用 harness 子类，测试时由 harness router 结合训练积累的路由经验为每个任务选择 harness。在涵盖业务流程、工作区任务和工具使用的三个长程基准上，OO-Harness 取得对比方法中的最佳表现，较基线绝对提升最高 15%，并附有对核心组件的消融研究。
一篇 arXiv 技术报告系统研究物理递归自我改进（RSI）的机制、scaling 行为与泛化，提出 PhysRSI-eval，用首次尝试性能、效率、成功率、预算与失败改进五轴指标，在固定交互预算下评测多个 VLM 于 18 个操作任务。分析引出 Physical Barrel 假设，并从公开能力预测相对表现、从早期物理反馈预测后续进展两个角度做观测性 scaling 分析；工作区干预显示移除历史会降低后期成功率，而冻结工作区在未见布局上仍有效，说明场景特定适应与可复用经验可以共存。
推荐理由：论文用五轴指标量化物理 RSI 并给出观测性 scaling 分析，能帮助读者理解 VLM 智能体自我改进能力的来源边界。
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。
Alekseev3387 在 GitHub 开源 self-improving-agents 框架，把自我改进代码 Agent 分为四个层级，从最简单的 AutoResearch Loop 到带自我改写与对抗共演化的 Arena Loop。实验显示固定基准会制造虚假信心，Level 1-3 在 email validation 原始测试上得 90-100%，换到对抗测试集跌至 62-66%；Feedback Loop 是性价比最好的方案，赢下 snake（31.1 vs 29.2）且每任务成本仅 $0.03，约为 Arena 的 $0.63 的 1/20。框架任务无关，支持自定义任务、checkpoint 恢复和全部实验一键复跑。
同一新闻，精选展示《alambert996 开源自我改进代码 Agent 框架 self-improving-agents》
CrepuscularIRIS 发布 HarnessRSI-Daily 仓库，专门追踪改进提示词、技能、工具、记忆等非权重组件的递归自我改进研究。已对 585 篇论文打分（17 篇达 ★★★ ≥70），评分含证据、执行、证据等级和代码四项且每条判断附原文引用；从 1198 篇语料归纳出 13 主模式 / 36 子模式，独立重判一致率 86%（κ=0.84），并发现 ICLR 2025–2026 中 critique-and-rewrite 模式录用率 17% 低于 35% 基准。仓库含论文榜、诊断卡、模式卡与每日 arXiv 流水线，MIT 许可。
推荐理由：仓库不只收论文，还给每篇打了带引用依据的评分，并从 1198 篇语料中归纳出 13 个研究模式与 ICLR 录用对比。
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。
研究者提出 Darwin-Claw，一个环境自适应的自进化框架，通过分层经验整合系统将情境经验蒸馏为可动态更新的原型向量，驱动智能体技能与持久记忆的持续演化。该框架可自动部署、兼容主流 agent 系统，无需人工整理。在 WildClawBench 上实验显示其带来显著性能提升，为自主智能体的用户中心持续适应提供可控稳定路径。
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 技术报告提出 MMLA-RSI，一种在 Memory-Mediated Learning Architecture 中的递归自我改进方案，包含两条实现路径：Reasoning-Time Training（RTT）修改策略状态 Φ，Reasoning-Time Memory Adaptation（RTMA）修改权威记忆 M，且各自的适配方法本身也是改进对象。在四候选程序选择任务中，保留 LARC 反馈更新使两个训练初始化的期望误差分别降低 24.65 和 36.65 个百分点；两条递归路径的联合实现已给出规范，但其有益递归链与发现效率仍有待评估。
论文提出 SwarmRSI 框架，通过演化科学智能体集群实现递归自我改进（RSI）。该框架包含 Feedback-Guided Swarm Mutation、Complementary Swarm Recombination 和 Recursive Swarm Evolution 三项机制，利用智能体间实验反馈修正假设与实现并复用互补组件。在 OpenProblems、NatureBench 和 MLE-Bench Lite 上达到 SOTA，且积累的研究经验可提升 held-out 任务表现。
论文提出 AdaRSI，一种具身智能体的按需递归自我改进（RSI）框架，解决 VLA 在未见长程任务中途中失败的问题。编码 agent 先改进技能与 harness，再通过从保存状态重试失败子步骤来归因持续失败，仅对仍不可靠的子步骤用自采演示和先前任务经验做微调。在 RoboCasa365 全部 50 个目标任务上，以 GR00T N1.5 为执行器且无人类演示，AdaRSI 在三个套件上均提升 VLA，将未见复合任务成功率从 4.6% 提至 13.8%；相比微调每个子步骤，成功率略高而仅用 28% 的 GPU 时间和 22% 的自采演示。论文链接 https://arxiv.org/abs/2610.20474v1
推荐理由：论文给出按需微调与全量微调的对照数据，GPU 时间和自采演示用量都大幅降低，方法细节可直接参考。
arXiv 论文提出将对地观测（EO）任务交给通用编码 Agent 递归自我改进：任务被拆解为 harness 和 verifier 两个组件，Agent 自行构建并改进 EO 模型。在覆盖光学、SAR 和多光谱时序影像的四个 EO benchmark 上，Agent 构建的模型超越 SOTA，且仅用约 1% 训练标签即保留大部分精度。
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。
一篇 arXiv 论文提出 Harness self-evolution 框架：在模型权重固定的情况下，让智能体持续修订提示词、记忆、工作流与可执行组件等软件脚手架，被接受的修订跨运行保留。论文将更新目标与提议、准入机制分离，通过演化优化刻画搜索过程，并用持续 PAC 学习给出期望泛化界、保留界与高概率准入规则。全文共 18 页，附 66 页相关工作讨论及持续更新的代码。
arXiv 论文提出 Physical Recursive Self-Improvement（Physical RSI）概念，指物理经验驱动机器人能力及其改进过程的持久更新。作者给出 L0-L5 分级框架，区分能力层与元层更新、任务内与跨任务收益，并指出在噪声观测、连续动态、试错成本高与不可逆后果下，现有文献尚未真正实现该定义下的 Physical RSI。研究优先级包括可靠反馈、因果归因、安全保持与基准评测。
研究者提出 ReTerm，一种通过学习从自身失败任务中恢复来实现自我改进的终端智能体训练方法，并构建了用于 SFT 冷启动的 ReTerm-10K 数据集和从失败状态分叉生成多次自恢复尝试的在线 RL 算法 ReTerm-GRPO。基于 Qwen3.5-9B 的 ReTerm-9B 在 Terminal-Bench 2.0 上取得 34.8% Pass@1，较基座模型提升 14.6 分，且在多类错误下的恢复率均高于标准 GRPO。代码、数据和模型已开源。
研究者提出 Heterogeneous Agentic CoEvolution（HACE）框架，通过监督学习改进专用基础模型，同时用 on-policy 强化自训练训练 LLM 智能体，并用进化搜索优化二者的交互方式。在推荐系统、蛋白质功能预测和晶体稳定性预测三个领域，HACE 在主要任务指标上均优于被评测的自改进方法。
研究者提出 Marvo，一种无需标注数据的视觉智能体自我进化方法：由 challenger 从无标注图像生成问答对，solver 通过强化学习在解题中学习工具调用。challenger 引入边际奖励，即 solver 有无工具时的性能差，形成自适应课程，在智能体推理、视觉搜索、数学等基准上平均准确率最高提升 7.1%。
Trace Evolution Bench（TEB）是一个将重新评分与上下文或权重更新分离的评测协议，主榜为代码任务，由封闭工作区的隐藏单元测试评分。在 40 个 held-out 任务上，DeepSeek v4 Pro 在 no_evolve 下仅重评分就变动 7.5、5.0 和 12.5 个百分点；九个受 GEPA、ACE、ExpeL 启发的文本更新单元有七个超出种子自身波动带，GLM 与 MiniMax 未复现该模式。
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。
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。
圣母大学 Yiwen Lu 发布 SkillRC，一个受控实验框架，用于审计 Agent harness 注入冻结 LLM 执行器的经验记忆收益。在 ALFWorld 134 个未见任务上，GPT-4o-mini 记忆增益 +0.127，Qwen3-8B 为 -0.021，跨栈 transport gap 为 -0.148；顺序安慰剂复现了执行器反转，表明主要效果源于各栈对附加上下文的响应而非技能内容本身。仓库含 YAML 配置的六控制面、安慰剂构建脚本与预印本论文。
推荐理由：论文用安慰剂对照和跨执行器配对设计拆解经验记忆的收益来源，方法可迁移到自己的 Agent 记忆审计中。
一项研究探讨自我改进 LLM 智能体在不更新权重、用 LLM 自评记忆得分时出现的“Echo Gap”问题：错误片段获得膨胀奖励并被优先复用，误差通过记忆检索不断放大。论文提出错误独立性准则（EIC），并给出无需标签的去膨胀算法 LUCID，在 BIRD text-to-SQL 基准上达到 57.6% 执行准确率，高于 Memento 式自评智能体的 53.7% 和无记忆智能体的 52.4%。论文尚未发表，代码将在发表后放出。
研究者推出自进化智能体框架 EmbodiedRSI，让机器人自主决定探索方向，并将物理交互转化为代码与技能改进。其采用 Fast-Slow 双系统架构，用 Hypothesis Graph 维护竞争性代码与技能假设。在 RoboCasa365 上总体成功率达 77.0%（最佳基线为 40.1%），LIBERO-Pro 上达 86.8%，并可零样本迁移到真实机器人，多任务成功率为 71.3%。
该仓库配套论文《Execution-Aware Alpha Mining》，用本地部署的 Qwen2.5-Coder-14B-Instruct 生成股票横截面因子，并以 Corwin-Schultz 价差加平方根冲击模型计入真实执行成本。在 2006-2026 年 21 折 walk-forward、3 个采样种子 x 4 类种子因子的测试中，只看原始收益的基线收敛到 49-101%/天换手率、净 Sharpe -4.7 至 -11.2，而成本感知智能体在各类别将换手率降低 22-38x，低波动类因子实现净盈利（净 Sharpe +0.35，累计收益 +117%）。
arXiv 论文提出 ScienceClaw 框架，将 AI for Science 智能体的持续自我进化形式化为固定参数的程序自我进化，统一任务求解、科学验证与程序更新。其配套评测 ScienceClaw-Eval 覆盖 23 个学科，通过序列任务流与独立重置评测衡量科学正确性、进化收益、保持率、跨数据集迁移和进化成本。框架仅当源任务重放复现修复且独立科学任务获得提升时才保留更新，代码已开源。
研究者推出 VeriFine，一个通过策略、训练课程与裁判共同演化来扩展验证的 Agent 框架。该框架包含 Policy Improvement Loop 与 Judge Improvement Loop：前者用 rubric 裁判诊断反复出现的失败并构建自适应课程，后者在验证成为瓶颈时选择性引入人类指导，通过 coactive calibration 修正裁判。在驾驶和机器人导航任务上，该方法在强化学习与监督微调中均实现了策略和裁判能力的持续自我改进。
beita6969 在 GitHub 开源 ScienceClaw，一个基于 OpenClaw 网关的科研 Agent 系统，模型参数始终不更新，靠重放验证的可执行修复转化为版本化的 Skill 与 Operator 程序更新。在覆盖 23 个学科的 ScienceClaw-Eval 上，7 轮进化后 OOD 平均提升 16.45%，OOD 宏观成功率从 77.83 升至 91.30，98.23% 实例通过科学硬约束；消融显示分离提交 Skill 与 Operator 只保留 60% 增益。评测数据在 Hugging Face（beita6969/scienceclaw-64-samples），仓库采用 MIT 许可。
推荐理由：原文给出了完整的评测数字和消融对比，读者可以据此评估这种不改模型参数的程序级自进化框架究竟带来多少收益。