新闻、仓库与研究，按时间排列。
研究者提出智能体图像生成框架 GenRevisit，将动作选择扩展为联合选择续接状态与编辑动作，使智能体可回访历史图像候选而非固定从最新图像继续优化。训练采用 SFT 加智能体强化学习，并提出 NACA 改进 GRPO 的粗粒度信用分配。在 GenEval2 上，GenRevisit 结合 Qwen-Image-2512 与 Z-Image-Turbo 分别取得 GM 分数 84.3 和 74.4，超过同生成器最强基线 12.7 和 10.9 分，并在 GenEval、GenEval++ 与 GenEval2 上达到 SOTA。
GUIDE 框架（Generalized Unified Intervention for Dynamic Exchanges）让 LLM 从 432 段多方对话中离线自学习通用主持策略，并以与人类标注对齐的 LLM judge 迭代优化。自学习的通用主持者在留出对话上对三个任务专家主持者取得 61.4% 胜率；实时在线实验中，其保持团队生产力并改善发言舒适度、减少人际摩擦，turns 减少 24.7%、词数减少 29.0%。
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。
Liquid AI 在 Hugging Face 发布 LFM2.5-24B-A2B，一个 24B 总参数、2.45B 激活参数的纯推理模型，主打设备端私有 Agent，上下文 131,072 tokens，支持 16 种语言。该模型在 LiveClaw 上得 48.09 分，超过参数量多约 50% 的 Qwen3.6-35B-A3B（38.19）；在 Apple M5 Max 上解码 184 tok/s，单张 NVIDIA B300 GPU 高并发下超 21K 输出 tok/s。官方同步提供 FP8、GGUF、ONNX、MLX-4bit 等多格式权重，并给出与 vLLM、SGLang、llama.cpp、Transformers 的部署指南及 Agent Harness 配置示例。
Liquid AI 发布开放权重模型 LFM2.5-24B-A2B，总参数 24B、每 token 仅激活 2B，定位端侧快速、私有的推理智能体。模型在 16 项基准上与参数量约多 50% 的 Qwen3.6-35B-A3B 竞争，LiveClaw 得分 48.09 对 38.19，在 8 项工具与智能体基准中的 5 项领先或持平，并在全部 3 项指令遵循基准领先；M5 Max 上解码 184 tok/s，单张 B300 高并发下超 21K 输出 tok/s。
推荐理由：原文给出了完整的16项基准对比和端侧推理速度数据，可据此评估这款小激活参数MoE在工具调用场景的实际取舍。
Google 发布 Gemini 4 Argon，面向开发者、企业和消费者全球开放，API 定价为每百万输入 token 2 美元、输出 token 10 美元，支持 1M 输入输出 token 上限。模型在 Vals Index 排名第一，ERQA 具身推理基准得 87%，在 Antigravity 中使智能体代码提交量增加超 35%、回滚减少近三分之一；安全方面对抗性违规减少近 2 倍，Gray Swan 间接提示注入基准下 15 次自适应攻击成功率降至 0.7%。
推荐理由：官方发布给出工程、科学与机器人三线的实测数据，可用于评估该模型在长程复杂任务上的真实表现。
inclusionAI 发布 Ling-3.1-flash，一个原生混合推理模型，总参数 560B、每 token 激活 25B，支持 1M token 上下文窗口。模型采用 Hybrid-linear MoE 架构（KDA 与 Gated MLA 混合注意力、512 个专家激活 8 个），在 Terminal-Bench 4.0、SWE-bench Pro、GDPVal-AA V2.1 等 Agent、编码和医疗金融类基准上有提升，并提供了基于开源编码 Agent Pi 构建的 LingCode 评测 harness。官方给出 SGLang（含 MTP 推测解码）和 vLLM 的部署配方，支持 Claude Code 等框架调用。
推荐理由：官方模型卡同时给出架构规格、多基准评测和 SGLang 与 vLLM 的部署配方，方便读者评估并直接上手这个混合推理 MoE 模型。
NVIDIA 在 Hugging Face 发布 Nemotron 3.5 Super VL 的 NVFP4 量化版本，这是一个 120B 总参数、12B 激活参数的视觉语言模型，采用 Mamba-2 与 MoE 混合架构加 C-RADIO 视觉编码器，支持最高 1M token 上下文和原生 MTP 投机解码。量化通过 BF16 模型的量化感知蒸馏完成，模型卡给出了 BF16 与 NVFP4 在 GPQA-Diamond、SWE-bench Verified、Video-MME v2 等数十项基准上的对照结果，并提供 vLLM、SGLang、TensorRT-LLM 在 DGX Spark、H200、H100、GB200 上的部署配置，许可证为 OpenMDW-1.1，可商用。
推荐理由：模型卡同时给出 BF16 与 NVFP4 的完整基准对照和多种硬件部署配置，读者可以据此评估量化损失与所需显存门槛。
研究者提出 Dream2Discern，一种面向 LLM 多智能体系统的运行时审计器，通过按自身预测损失选择表示算子扰动生成难潜在变体进行训练，无需额外轨迹采集或结果验证。在 AFTraj-2K 和 StepShield 两个基准上超过竞争性失败审计器，轨迹级加权准确率均超过 90%。
arXiv 论文提出一套针对 LLM Agent 评测框架可靠性的 Oracle 完整性审计方法，含五条状态完整性不变量和三个已知答案控制，通过注入七类缺陷验证全部可检出且修复后无误报。对某 Agent 基准的审计发现奖励函数会在评分前改变环境状态，4,320 条 episode 的回放修正使 database-pass 标签从 4,194 降至 2,883，测得成功率从 94.3% 降至 65.5%。另发现策略文档、工具描述与工具错误字符串影响测得轨迹可靠性，工具描述的探索性效应最大（-9.2 pp），且第二任务域的语言效应符号反转；审计方法无法验证第二个基准，因其记录的 API 调用日志无法重建参考终态，论文发布了含审计套件与故障注入目录的复现包。
推荐理由：论文给出了一套可检测评测 Oracle 缺陷的审计方法，并实测出奖励函数缺陷把 94.3% 的成功率拉低到 65.5%，方法附带完整复现包。
研究者提出 Error-Chain-Aware Optimization（ECHO），将责任识别与信用分配分离，用冻结 judge 区分新引入错误、继承后果、遗漏纠正与成功纠正，并对修复自致错误的奖励加以约束。在 4B 与 8B 规模的六个工具使用 benchmark 上，ECHO 在每个规模的六个 benchmark 中五个取得最高分，代码已开源。
balkhaisi9 发布 Qwen3.8-27B-Uncensored-Cyber 的 GGUF 量化，用真实 agent 编码会话日志构建重要性矩阵，而非通用英文语料，保留 MTP 头与视觉塔。提供 IQ4_XS（含/不含 MTP，14.96/15.38 GiB）与校准矩阵文件，配对评测显示 IQ4_XS 相对 Q5_K_M 的 PPL 代价为 +0.417%±0.187%，在单卡 V100 上端到端速度为 Q5_K_M 的 1.20x，逐字抄写保真 7/7。该仓库只做量化，无微调或行为改动，上游为 philbert440 的 abliterated 去拒绝模型。
推荐理由：作者给出基于真实agent流量的imatrix校准语料构造方法与配对评测数据，做法可复现，对低比特量化部署有可迁移价值。
arXiv 论文 2610.15093 提出 loop engineering 概念，分析 600 条公开编码 Agent 轨迹后发现 98.6% 的输入 token 由前缀缓存提供，平价输入定价平均高估循环成本约 7 倍。轮次数量解释轨迹成本 84% 的方差，而平均观察大小只解释 4%；模型委派在一半评测设置中反而增加成本。作者发布 TurnCost 工具，用于在替换缓存、定价、压缩与路由策略下重算轨迹语料成本。
推荐理由：论文用 600 条轨迹数据指出轮次数量而非观察大小才是编码 Agent 成本主因，并开源了换算不同缓存与定价策略的 TurnCost 工具。
该 arXiv 论文研究多环境 POMDP（ME-POMDP）的复杂度格局。论文证明多环境 blind MDP 与确定性 POMDP 为 NP-complete，不满足混合闭包条件的一系列子类仍为 PSPACE-complete，并在时间依赖策略或有限状态控制器下证明若干 ME-POMDP 问题为 ∃R-complete。结果表明两类复杂度关系取决于具体子类。
一项强化学习研究提出在给定与奖励无关的 m 步混合策略时，通过向该混合策略正则化来控制学习策略的收缩与探索性质，并对可实例化多种正则化的 Q-Learning 算法给出有限时间分析。单步设置下其速率匹配 Q-iteration 与同步 Q-Learning 的最优已知速率，m 步混合下得到新速率；Q-Planning 变体中规划视野 H 在边界值偏差与样本复杂度间权衡。数值实验验证了强混合策略可改善收敛与探索，且理论能预测 α-散度族中各正则化器的收敛与偏差排序。
香港 researchers 推出 SkillHorizon，一个通过技能组合在七个业务环境中构建长程任务的 benchmark，含 1,050 个任务，参考交互工作负载为 64K 至 1M tokens。评测五个大语言模型发现：随着规模增长，平均局部目标完成率从 90.4% 降至 46.8%；更大负载下智能体常在大量工作未完成、工具调用额度仍有剩余时提交不成功的最终答案。代码已开源。
arXiv 论文 arXiv:2610.14960 让九个 LLM Agent 与人类分析师在两个静态分析逆向工程任务上同题对比，GPT-5.5 Pro、Claude Opus 4.8 和 Kimi K3 达到与人类统计上相当的理解水平。研究记录了完整交互过程并发现强 Agent 采用跳转式广泛检索、很少回访已检视代码的 greedy fetching 策略；对 4000 个真实二进制文件的测量显示，更大应用和更低级代码表示会快速耗尽上下文窗口，扩展逆向 Agent 需要更好的导航、选择性检索和持久分析状态。
推荐理由：论文用统一评分标准实测人类与 AI Agent 的逆向工程差异，指出差距源于代码表示和工作流，并量化了 greedy fetching 下的上下文饱和问题。
论文提出 MCPDisCo，一个面向 MCP 原生智能体的生态级强化学习框架，在 70 个 MCP 服务器和 527 个工具、六个领域的真实服务器长程交互上训练。框架用 Thought-MDP 显式表示内部推理与路由、执行、终止，通过 token 掩码奖励归因和双向梯度手术缓解推理与工具学习之间的跷跷板干扰，以更少思维链 token 取得更高成功率，并在分布外 MCP-Atlas 与 GAIA 基准上保持单调增益。模型权重和实现已放出。
推荐理由：论文给出推理与工具学习互相干扰的失败模式及其梯度手术解法，在 70 个真实 MCP 服务器上训练并验证分布外泛化。
SkillForgeBench 是一个以 agent 技能为执行蓝图的智能体可靠性评测基准，含 842 个跨五大专业领域的 sandboxed 任务，对 8 个主流 agent 进行严格评分，Opus 4.8 以 40.9% 的 strict completion 率居首。结果显示所有模型层级在满足全部约束时表现大幅下滑（70.0%-85.7% 的单项通过率降至 12.6%-40.9%），且各模型的过程 rubric 达成率远低于完成 rubric（Haiku 4.5 不足 3%），说明仅看完成度会高估真实可靠性。
arXiv 论文 WorkBorne 提出以 artifact transitions（工件转变）为核心 primitive 合成长时程终端 Agent 任务的框架，并构建了 1,061 个工件语料和 7,882 个任务环境，产出 15,485 条高质量轨迹，其中 53.6% 超过 30 个 assistant turns。
推荐理由：原文给出了任务合成的具体数据规模和 Terminal-Bench 2.1 的前后对比，读者可评估该方法对训练终端 Agent 的实际增益。
一项 arXiv 研究提出由 student agent 在 F1 决策边界附近选择性查询专家判断、仅修订被查询预测的证据获取方法，用于情绪-原因对抽取（ECPE）。在约 10% 查询率下，选择性融合使平均 pair F1 提升 2.64-3.88 点，在 ECF 上达到 65.14、在 MEC4 上达到 49.74。分析表明更多证据访问并不必然改善原因识别。
arXiv 论文提出 MARL-BattleGrounds（MARL-BGs），一个 JAX 原生的异构竞争性多智能体强化学习（MARL）基准，填补 SMAX 与 Dota 2 之间的高效且丰富的空白。其含 52 张手工设计地图、8 个终局泛化场景和每月循环赛 Elo 排行榜，单张 RTX 5090 上以 1,024 并行对局实现每秒 50,000 步 5v5 模拟，并通过 API 用 Qwen3.5-9B 与最强策略进行了评测。
研究者提出 BioNEL-RAG，一种无需训练的生物医学实体链接（BioNEL）框架，用 RAG 模块检索候选实体、LLM 模块结合上下文完成实体规范化。该方法无需在基因、疾病或化合物等子领域数据集上微调，性能即可与现有依赖领域数据训练的方法相当，提升了跨领域适应性。
Vela 框架将 100,000 名用户的匿名真实行为数据转化为 91 类真实任务模板、共 100,000 个任务，经难度过滤后保留约 75,000 个任务及其训练轨迹。基于这些轨迹微调 Qwen3.6-35B-A3B，用户相关任务较基础模型最高提升 11.5 分，通用基准平均提升 4 分；微调后再做强化学习比直接从基础模型强化学习最高多 7.7 分。
PVFH-Bench 基准用于系统评测视觉语言模型（LVLM）的"前提诱导视觉固着幻觉"（PVFH），即模型接受错误文本前提后，对并不存在但视觉上合理的对象生成回答。该基准自动构造视觉易混淆的缺失目标并配诊断子集，对 10 个 SOTA LVLM 的实验显示所有模型均高度易感，且显式链式推理（CoT）会进一步加剧该失败模式。
musatoktas 向 prompts.chat 提交了一条新提示词，让模型扮演资深工程师对网站及其 MCP 服务器做成熟度审计，覆盖 SEO 爬取健康、负载韧性、MCP 协议一致性、输入加固、Agent 行为评测、安全与隐私合规等 A-H 类别。提示词限定仅对授权或 staging 环境做破坏性测试，各按 0-4 分评分并给出生产上线门槛，如 sitemap URL 健康率 ≥99%、Agent 评测任务成功率 ≥90%、日志零 PII，最终输出 REPORT.md 等六类交付物。
arXiv 论文提出 RATED，一个结合冻结双编码器对比微调与 contextual bandit 动态重排的 AI Agent 工具检索框架，可快速适应运行时工具故障而无需重训练。配套发布 EcoAgent 基准，含 5,172 个真实工具和超 21 万 query-tool 对。RATED 相对 ToolLLM API retriever 的 MRR 提升 52.2%，在 30% 故障率的严重 API 中断下将故障选择率从 86.2% 降至 2.9%，额外延迟开销不足 1 ms，代码与数据集已开源。
论文提出 Matched-Context Group Policy Optimization（MCGPO），一种从已有轨迹中构建加权动作偏好的方法，用于训练长程 LLM 智能体，保持无 critic 训练并复用 rollout 数据。在 ALFWorld 和 WebShop 上使用 Qwen2.5-1.5B 和 7B 时，相比匹配的 GraphGPO 平均成功率提升 0.47-1.46 个百分点；Qwen3-4B 和 8B 在 WebShop 上分别提升 3.96 和 5.16 个百分点。
论文提出 SafeDiSTL，一个在联合约束度量下仍能进行信用分配的受限多智能体强化学习框架，利用 Signal Temporal Logic（STL）鲁棒性和可微动力学将代价增量分配到各智能体。在协同搬运、连通导航和网联交通控制任务中，SafeDiSTL 的安全成功率分别达到基线的 1.6-5.1x、提升 11.1%，交通吞吐量提升 50-68%。
Adaptive DHiSparse 在层级稀疏 KV 上支持 DSpark、DFlash2 等投机解码，并按负载自适应调整缓存驻留。100K 上下文、并发 128 下，GLM-5.3 配 DFlash2 达每解码 GPU 793 output tokens/s，为 HiSparse 的 1.45 倍；同等延迟约束下并发最高 4 倍、输出 2.3 至 3.7 倍。DeepSeek-V4.1-Flash 在 500K 上下文、并发 512 下输出达常驻服务配 DSpark 的 1.85 倍。
研究者提出多智能体系统测试框架 MASTIF（Multi-Agent System TestIng Framework），对 3 个 LLM、3 种协议和 4 个 agent 实现框架组成的 Agentic Web 技术栈，在 300 个 Mind2Web benchmark 任务上进行基线评估。结果表明，按任务选择技术栈可提升任务完成率、效率分数和社会价值稳定性分数，并降低冗长度与任务完成时间。该工作为设计、评估多智能体系统提供了指标与结果基线。
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。
论文提出 HOA（Humanize Olympiads Agent），一个开源的流程级框架，通过独立审稿、结构化 wiki 和 Lean 证明验证三条反馈通道协调多个智能体会话求解奥赛题。使用 GPT-5.6 Sol 时，HOA 在 IMO、IPhO、IOI 2026 满分，IChO 2026 接近满分，PutnamBench 672 题全部解出，并以 251/304（82.6%）位居 Lean-Eval 榜首；改用开源模型 Kimi-K3 也在 IMO、IPhO、IOI 满分，IChO 达 97.1% 金牌水平，部分超过闭源 GPT-5.6 Sol + /Goal 基线。论文地址 https://arxiv.org/abs/2610.13632v1。
推荐理由：论文提出多会话协作框架替代单会话求解，并给出用开源模型逼近闭源模型奥赛成绩的对比数据，方法可迁移到其他长程推理任务。
研究者提出带内在反馈的用户模拟器，为模型配备潜在评估状态：以第一人称用户视角在每轮对话中对助手进行内心想法、反应和标量评分。基于真实用户与助手的交互日志训练 LLM 模拟器，其模拟真实度与评判能力优于提示词基线，生成的评估与人类判断的相关性也高于同规模提示模拟器。该模拟器还可作为多轮 RL 训练的有效奖励信号，效果可比依赖外部 judge LLM 的方案，同时将 RL 计算量削减一半以上。
arXiv 论文提出多智能体框架 MENTOR，针对 RLVR 训练中的“零奖励坍缩”问题，实时诊断失败根因并动态生成针对性教学提示词，引导学习智能体的下一次尝试。它作为即插即用模块可无缝集成到 GRPO 等策略优化管线，无需改动训练基础设施。数学与代码生成实验显示其优于 SOTA 基线，Llama-3.2-3B-Instruct 相对基座模型平均相对提升最高达 78.3%。
论文提出 Humanize MLE Agents（HMA），通过两个智能体在共享工作区上交替执行、每会话最多 k 次实验并重置上下文，避免单会话长程减速和自定义 harness 随模型升级失效的问题。在 MLE-bench 的 75 个 Kaggle 任务上，HMA 达到 78.2% 的 any-medal 率，超过最强开源基线 8.0 个百分点且只用其四分之一时间预算；跨五种异构智能体对的六种配置平均提升 6.4 个百分点，另有核优化案例达到 878 个周期、距社区榜首 1.6%。
推荐理由：论文给出双智能体会话轮换的 CR-SMDP 理论条件与 75 个 Kaggle 任务实测数据，读者可据此评估工作流级方法相对单智能体的优势边界。
POrchestra 是一个即时主动式 agentic 编排框架，允许子智能体在任意逻辑点主动向编排器请求调整 harness，同时保持本地执行连续性。该机制还启发了基于事后反馈的 On-Policy Orchestration Distillation（OPOD），将子智能体的修订请求归因到前置编排决策以生成过程监督信号。在深度研究、动态数字助手和软件工程三项长程 agent 基准上，POrchestra 较最强基线平均提升任务成功率 9.1%，结合 OPOD 使小编排器成功率较现有训练基线平均提升 10.0%，代码已开源。
研究者提出 BranchOPD（Branching On-Policy Distillation），基于学生不确定性与师生分歧选择信息量大的决策点，从共享前缀分支重采样并对主轨迹与分支施加 token 级教师监督。共享前缀复用使学生生成 token 开销在 ALFWorld 和 WebShop 上分别降低约 19% 和 31%（相对 7 条独立轨迹）；相比 Vanilla OPD，平均数学准确率（avg@16）提升 18.55 个百分点，ALFWorld ID/OOD 平均成功率提升 13.8 个百分点。
一项 arXiv 研究提出基于笔记本电脑本地 LM 的 agentic AI 框架，用于自适应生成边缘场景，成本低、可控且保障数据隐私。系统采用 think-act-observe-update-continue 循环和轻量 JSON 编码，以系统需求、系统与环境描述作为知识库构建提示词，并由第二个独立 LM 按领域标准批评并改进场景。改进后的场景在仿真中运行并收集评估指标，通过事后聚类与主题分析定位功能缺口及触发条件，为安全论证生成可追溯证据。
Niki Van Stein 在 arXiv 发布 472 页教科书《Agentic Large Language Models》，系统讲解智能体大语言模型（Agentic LLMs）的工作原理。该书探讨 LLM 如何在真实世界中行动、模型之间如何交互，以及这对用户意味着什么。