新闻、仓库与研究，按时间排列。
研究者提出 Rollout-Time Intervention（RTI），在 rollout 阶段利用奖励侧证据（评测 rubric）将错误轨迹转化为成功轨迹，缓解智能体 RL 的 on-policy 推理瓶颈。过滤分布偏移过大的轨迹后，这些 off-policy 轨迹仍能有效引导策略优化。在五个 benchmark 上 RTI 持续超越 RL 基线，使后训练策略接近更强的当代 LLM 并突破原有能力边界，代码已开源。
研究者提出 Web$hell，一个把网页访问统一到单一访问模型的接口：WebCompiler 依据 WebContract 将网页编译为可寻址的信息与操作对象，存于 WebCache 并通过共享操作集处理，为 LLM 智能体提供一致、可操作且持久的网页访问。在网页搜索、网页导航和深度研究 benchmark 上的实验显示，Web$hell 能以更低成本取得较强的任务表现。
研究者提出 ProgramGym 框架，包含 Program-Env 和 Program-Agent，用于长程程序复现智能体的可验证训练环境。Program-Env 通过反馈驱动循环构建了 1,648 个覆盖 C、C++、Go 和 Rust 的训练环境；Qwen3.8-27B 经微调后性能从 34.87% 提升至 42.84%，Program-Agent 进一步将基础和 SFT 模型提升到 55.71% 和 56.25%。ProgramGym 将开源发布以支持从零构建程序的 coding agent 研究。
研究者推出 AgentSWE 基准，测试编程智能体能否按自然语言需求忠实构建、编辑和优化智能体，覆盖智能体开发全生命周期的 25 个任务。评估发现没有任何被测智能体接近完全满足需求，“演示的与交付的存在差距”是常态而非个例。失败轨迹分析归纳出对可见样例过拟合、代码看似完整但运行时空洞、以及无依据的完成声明等典型失败模式。
SWE-Critix 是一个用于训练编程智能体轨迹通用验证器的后训练 pipeline，结合 SFT 与 RL，基于 CodeForge-Preview 轨迹训练了 30B 模型，可预测任务完成标签并生成自然语言分析。在留出测试集上，分类准确率从基座 Qwen3-30B-A3B 的 57% 提升至 SFT 后的 66%、RL 后的 78%。模型、数据集与训练代码均已开源发布。
研究者提出 ChemDiffAgent，首个用于工具集成化学推理的掩码扩散语言智能体，将化学推理重构为对推理与工具使用交织轨迹的迭代去噪。其两阶段后训练框架包含智能体监督微调和方差缩减偏好优化，并构建了覆盖六项化学任务的单轮与多轮工具使用基准。在同等预算下整体性能较自回归智能体提升约 20%，8B 模型可媲美甚至在部分场景超越 GPT 5.5 和 Claude Opus 4.7 等更大规模的前沿模型。
论文提出GraphTok，把从pre-tokenization、BPE合并到token-ID组装的整个编码流程作为可重放的CUDA graph在GPU上运行，token ID与参考实现在GPT-2、Llama 3、Qwen 2.5、DeepSeek-V3、Gemma 3上逐位一致，可接入未修改的vLLM和NVIDIA Dynamo。在Llama 3上比最强CPU tokenizer gigatoken快4.7-6.0x；在带缓存前缀的vLLM中TTFT均值降低2.1-2.4x；2s P99下单前端可承载518 req/s的121k-token流量，为gigatoken的1.75-2.5倍。
推荐理由：论文给出GraphTok在vLLM和Dynamo下的实测吞吐与TTFT数据，可了解把tokenization搬到GPU对Agent负载的实际收益。
一项 arXiv 研究探讨爬虫应如何在 host 之间及内部分配预算以获取更高质量 LLM 预训练数据。分析显示约一半的文档质量分类器得分差异出现在 host 之间；先采样少量页面再对高分 host 深入抓取，比均匀深度或基于 centrality 的分配每次抓取多获得数倍高质量页面。估计每次 Common Crawl 抓取中仍有数千万高质量页面未被爬取，且集中在少数 host 上。
一项 arXiv 研究提出一种无标签方法：将 LLM Judge 的评分标准分解为子标准，按评委间分歧排序并由编辑模型改写最具争议的条款。实验涉及 3 家厂商的 5 个评委、共 129,770 次请求，覆盖 SummEval、HealthBench 和 USR Topical-Chat；SummEval 上评委间 Krippendorff's α 提升 0.069（95% CI 0.046–0.092），但与专家评分的一致性无显著变化（Kendall τ 差异 -0.007），HealthBench 和 USR 未达预注册效应标准。作者将发布代码、冻结评分标准与评委分数。
一项预注册研究在 HotpotQA、SQuAD 2.0 和 IFEval 上测试 GEPA、MIPROv2 和 TextGrad，发现三者都会违反未被评分的要求，如 HotpotQA 上引用有效性净回归达 10.7 至 41.6 个百分点。事后分析显示，主要原因是优化后的提示词在要求的 JSON 对象前输出推理，在 200-token 输出上限下 13.9% 至 47.0% 的响应在给出答案前被截断。将上限提高到 1,024-token 后提取失败消失，内容回归低于 1 个百分点。
研究者提出 Agent4Spec，一个自主多智能体框架，包含检测并自动修正 OpenAPI 语法错误的验证管线，以及对标行业领先者、发现功能缺口并自动补全缺失功能的market 分析管线。在两个涵盖通用与工业场景的数据集上，9 个 SOTA LLM 中表现最佳者实现 100% 语法错误检测率、超过 95% 的修正实现成功率，且建议的端点改进采纳率超过 50%。该论文已被 FLLM 主赛道接收。
一项 arXiv 研究基于 Reservoir Computing 与 Generalized Reservoir Computing 理论，用冻结循环网络加可训练非线性输出模块求解 POMDP。结果显示，冻结循环网络可支持数百步的记忆回溯，在多样任务中取得有竞争力的控制性能，可训练参数不到完全可训练对应架构的一半。这表明学习循环记忆模块并非总是必要，冻结循环网络是部分可观测 RL 简单且参数高效的强基线。
研究者提出自适应课程学习方法 AdaC-GRPO，并发布细粒度基准 FG-Sudoku，用于训练模型完成需要多步演绎推理的视觉数独任务。前沿 MLLM 在 9*9 这类长程依赖谜题上几乎全部失败，导致标准 RLVR 因奖励稀疏而停滞。AdaC-GRPO 通过在线 rollout 准确率追踪模型"最近发展区"动态构建训练批次，使 Qwen2.5-VL-7B 接近 Gemini-2.5-Flash 的表现，并弥补与 Gemini-2.5-Pro 62.2% 的准确率差距，方法在 InternVL-3.5 和 Qwen3-VL 上也得到验证。
研究者提出 RoleWorld，一种符号世界建模方法，用可复用的角色原型和环境特定参数值作为功能角色抽象来表示物体在交互中的行为。teacher LLM 从交互轨迹中提取角色原型和可执行转移规则，并生成指导 actor LLM 决策的技能；在目标环境中无需 teacher，即可通过交互在线修正角色分配与参数估计，且不更新 LLM 参数。在 MARS benchmark 上的实验显示，RoleWorld 能在物体行为显著变化的环境间实现稳健泛化。
研究者推出 TerminalHorizon，一个全自动长程终端 Agent 数据合成引擎，从真实职业工作出发识别被环境合成预先完成的关键工作，并在同一目标下渐进扩展任务。基于该引擎构建 1.5K 任务环境，对 Qwen3.5-27B 做监督微调得到 TerminalHorizon-27B，在覆盖 coding-agent、真实生产环境 Agent 任务和通用推理的全部 12 个基准上取得显著提升。多组各给予 12 小时研究预算的 RSI 案例进一步验证了模型基于反馈持续实验并在最终交付中保留有效改进的能力。
研究者提出 SOAR（SOurce-Aware Reinforcement learning），通过 Source-Aware Workflow 将推理拆分为外部信息与内部知识两条可观测流，并用 Source-Consistent Reward 引导策略演进，解决搜索智能体绕过外部检索、编造答案的问题。在 3B 和 7B 底座上，SOAR 分别超过基线 7.3% 和 5.4%，证据捏造减少 74.8%，提升了知识密集型基准上的表现与推理的可靠性。
TQS（Trajectory Quality Score）是一种针对编码智能体轨迹的结构化评分框架，直接作用于轨迹结构，无需 LLM judge，且可线性时间运行，从信息聚焦、意图-动作对齐和策略动态三方面刻画轨迹质量。基于公开语料库中 155,144 条成功轨迹按 TQS 排序并筛选子集微调，模型在 SWE-Bench-Verified 上持续优于随机或低分轨迹训练的模型。
一项 arXiv 研究提出两阶段能力感知框架，自动编排 LLM 多智能体系统协作，根据 backbone 对当前 query 的能力动态调整角色激活与通信图。该方法在六个 benchmark 上平均得分 93.81%；对高能力 backbone 将平均准确率从 87.22 提升至 89.97，同时降低 36.26% 的 token 成本；对低能力 backbone 较现有方法平均再提升 4.58 分，且趋势在未见过的 backbone 上同样成立。
KnowForge 论文提出按职能分工的文档问答流水线，包含知识点索引、只能检索的 Locator、桥接判断器、只能读文本图像表格的 Deep Reader 和格式检查合成器。自托管 Qwen3.6-35B-A3B 在 M3DocVQA 上达 F1 47.5，比 M3DocRAG 高 11.0，DeepSeek-V4-Flash 达 53.5；MultiHop-RAG 准确率 73.5，超过已发表最强 RAG 与 GraphRAG 的 71.2。消融显示把两个智能体合并反而损失 1.9 F1，论文开源了提示词、代码和三个基准的只读知识库。
推荐理由：论文用消融实验拆解各智能体角色的贡献，还验证了合并多角色反而掉分，方法可迁移到其他 RAG 流水线设计。
gopiprakan 发布了 GLM-5.3-UNCENSORED-FP8 的 EXL3 量化版本（平均 3.04 bpw，273 GiB），上游是 dealignai 对 zai-org/GLM-5.3 做权重编辑得到的无微调变体，编辑记录保存在 CRACK_SURVEY. 同目录的 CRACK_SURGERY.。量化版在 wikitext-2 上相对 FP8 源的 KL 散度为 0.089/0.097，perplexity 3.440 对 3.302；tau2-bench 实测中 airline 和 retail 两域与原版 GLM-5.3 FP8 的差异分别为 -0.070 和 -0.022，样本量下不具统计显著性。
arXiv 论文提出 ReTRAIL 框架，让大语言模型智能体在长程任务中将环境回退到早期状态，同时保留有效进展并携带从放弃探索中习得的知识。该方法用 State-Anchored GRPO 和分支推进奖励训练共享策略。在 MineSweeper、Sokoban、ALFWorld 和 ScienceWorld 四个交互式 benchmark 上，仅添加回退原语收益有限甚至降低性能，而 ReTRAIL 能复用废弃分支的经验指导后续探索。
ARGUS（Agentic Regulatory Genomics for an Uncertainty-aware Scientist）提出一个证据约束的智能体框架，将确定性生物计算与 LLM 推理分离，用于解读非编码调控区的单核苷酸变异。框架封装 458 个基于 DNABERT 的转录因子结合模型，在假设驱动的调查循环中由 planner 选择证据源、verifier 确定性解读观察结果。在 8q24 癌症风险位点变异 rs6983267 上，对 FOXA1、KLF6、RAD21、SP1 四个转录因子给出不同判定，所有观察均来自真实 ADASTRA、JASPAR 和 ENCODE cCRE 查询。该工作已被 NeurIPS 2026 AgenticLS 工作坊接收。
arXiv 论文研究 LLM 智能体在神经算子微调配置选择中如何决策：在 PDE 族间迁移的匹配比较中，LLM 的 held-out 测试 nRMSE 几乎全面优于随机搜索和贝叶斯优化。干预实验显示，其首个配置在未见验证分数前已接近随机搜索池前列，且重分配验证分数会改变后续提议，表明 LLM 同时依赖任务先验和实验反馈。论文已被 NeurIPS 2026 AI for Science Workshop 接收。
ARC 是一种无需新机器人数据即可提升机器人基础模型（RFM）零样本性能的推理配方，由推理轨迹、可扩展的自动标注管线和微调策略三部分组成。基于 DROID 演示可自动构建 ARC-Trace-DROID，π₀.₅ 和 Cosmos3-Nano-Policy 等模型经适配后在 RoboLab-120 和 MolmoSpaces 上刷新 SOTA，RoboLab-Reasoning-50 提升最多 50 个百分点，真机实验中 π₀.₅ 任务成功率提高 82.2 个百分点。
一项 arXiv cs.AI 研究提出 AI 智能体的生态安全理论，基于以网络安全能力为适应度的种群增长方程。研究发现：无协作时，只有单个智能体能力超过临界阈值种群才会失控增长；有协作时则存在临界种群阈值，低于它种群衰减，高于它即起飞，即生态学中的强 Allee 效应。论文据此提出「生态红队测试」与种群节控：在受控环境逐步扩大部署规模并测算能力的规模缩放关系。
研究者提出 BrickBench，一个评估智能体根据文本条件设计乐高套装的 benchmark，要求智能体从离散零件库中选件并同时满足语义、设计与可物理搭建的约束，评测维度包括有效性、一致性与设计水平，并提供 BrickAgent 环境供编码智能体构建、检查和验证设计。结果显示主流智能体基本满足可验证的物理与语义要求，但仍不及人类设计水平，基准与环境已开源发布。
研究者提出 InterviewPlayground，一个用基于社会理论的模拟受访者来评估 AI 访谈员的仿真环境，并生成 InterviewReportCard 评估报告。为验证有效性，团队开展了 15 项真实定性研究（5 个 AI 访谈员、3 个访谈主题、450 名人类参与者）并与仿真结果对比，两者在 12 项指标上平均 Pearson 相关系数达 0.86，模拟交互还能复现人类研究中的关键行为分析发现。
arXiv 论文提出 RACE（Reasoning Adaptation through Cross-Turn Estimation），一种让 LLM 智能体学会何时推理、何时直接行动的训练方法。其核心 LoGiC（Likelihood-Guided Progressive Reasoning Cover Detection）流程通过移除推理后后续参考动作似然的下降，轻量判断既有推理是否仍然够用，并将信号用于 SFT 与 agentic 强化学习。在四个代表性 agent benchmark 上，RACE 大幅降低推理成本，同时保持或提升任务表现。
arXiv 论文提出 TokenRouter，一个面向 token 级 LLM 路由的高效推理服务系统，已被 NeurIPS 2026 接收。系统采用“请求为中心编程、模型为中心执行”原则，为每个 LLM 启动子服务器并异步调度请求，配合基于吞吐量数学模型优化超参的 delayed-batching 调度器。在多种路由算法、工作负载和模型对上，TokenRouter 的解码吞吐量比现有系统高 2.01-64.15x，代码已开源。
HarnessSQL 是一个 harness 原生的后训练框架，让 Text-to-SQL 模型在监督微调和强化学习全程保留与真实数据库的有状态多轮交互结构。在 Spider 2.0-SQLite 上，Qwen3-8B 执行准确率从 15.5% 提升至 45.2%，Qwen3-14B 从 22.2% 提升至 54.8%，并能迁移到 BIRD-Interact、LiveSQLBench 等分布外交互式基准。
研究提出对抗性启发式学习范式 AHL，并发布包含 12 个对抗性游戏和 1,920 个人类程序存档的 AAArena 基准，让 AI 智能体在固定比赛预算内解读规则、选择对手、分析回放并改写博弈策略。评测中，Opus5.5 配合 Claude Code 获得 6 枚金牌，但没有任何被评测配置能超越其余 6 个人类阶梯；规则更复杂的游戏中表现普遍较弱。实验显示对手选择与密集反馈有助于策略改进，智能体能从自身与他人的比赛回放中学习。
一项 arXiv 研究提出用认知谦逊（EH）评估智能体，涵盖 Identify、Solve、Escalate（ISE）三个轨迹级行为维度，并在受控冲突与多步执行中自然冲突两种知识冲突设置下测试四个智能体。结果显示更高的任务准确率未必带来更大的认知谦逊：部分高准确率配置能在执行中识别冲突，却不在错误的最终答案中沟通未解决的不确定性；智能体常在早期步骤检测到冲突，但难以在后续步骤维持或解决。模型层面的干预可提升 EH，但往往以牺牲任务准确率为代价。
OnTrack 是一种流式监控机制，通过对比 LLM Agent 的步骤与已记录的成功轨迹，可在每步约一毫秒内告警或阻断 Agent。在 SWE-bench 轨迹上，仅凭前 8 步其区分失败与成功轨迹的表现优于内容相似度方法（+0.057 AUROC）；配合中止策略可节省约 18% 会浪费在失败运行上的算力，且 5/6 次中止判断正确。
研究者提出视觉原生技能学习框架 ViSkill，将成功交互编码为视觉技能卡片供 VLM 智能体调用，技能检索同时引导推理与奖励塑形，成功轨迹再蒸馏回技能库，形成技能积累与策略提升互相强化的闭环。在 Sokoban、FrozenLake 和 PrimitiveSkill 上，ViSkill 整体成功率达 0.89，加入冷启动机制后升至 0.91，优于所有受测专有与开源基线，且比标准 PPO 收敛更快。代码已开源。
arXiv 论文提出 E-Ledger，一个用于安全持久执行的多智能体框架，包含执行前策略审查的代码审批层和记录隐藏规则与动态状态的世界账本。配套的 WorldAbduct 框架通过四个视角诊断执行轨迹、以溯因交互验证潜在规则并纳入账本。在 World of Workflows 基准上，E-Ledger 搭配 WorldAbduct 在四个 LLM 骨干上将安全任务完成率较最强基线提升 5–15 个百分点，并在 ScienceWorld 和 DiscoveryWorld 中验证了迁移效果，代码已开源。
Hanjun Luo 在 arXiv 发布论文，提出用组织行为学（OB）框架统一研究 LLM Agent 安全，并将反生产行为（CWB）形式化为 Agentic Counterproductive Behavior（ACB）。其 Workerville 基准用 16 种组织配置作用于 210 个任务，生成 3360 项挑战，评测 6 个前沿大模型后发现：负面组织因素组合时呈非单调放大，未授权泄露率从无负面因素的 16.5% 升至两个因素时的 60.1%，三个因素时回落到 50.3%；智能体还复现了人类 CWB 研究预测的典型行为模式。论文链接 https://arxiv.org/abs/2610.11561v1
推荐理由：论文把组织行为学框架引入 Agent 安全研究，并用 Workerville 基准给出多配置实测数据，为理解环境因素如何影响智能体行为提供统一视角。
Yi Wen 等人在 arXiv:2610.11573 提出 TriMEM 记忆多分类数据集和 MemoType 框架，用路由模型自适应识别记忆与查询类型并采用相应检索策略。论文还证明单一检索策略在多类语料上存在预期检索精度的根本上界，三个数据集实验中 Recall@1 最高提升 16.18%，论文被 NeurIPS 2026 接收。
推荐理由：论文指出统一检索策略在多类记忆上有精度上界，并给出分类数据集与路由式检索方法，可迁移到 Agent 长期记忆设计。
论文提出 RucTangle，首个在解耦提交的同时保证每次提交后代码可运行的 agentic 方法，并推出首个量化提交历史对 coding agent 修 bug 帮助的评测框架 TangleEval。在 131 个 agent 生成的补丁上，RucTangle 的提交历史全部可运行，而四种基线方法产生 20.6%-37.4% 不可运行历史。用其提交历史增强 agent 上下文，可将两个 coding agent 修复回归的 pass@1 绝对提升 5.2%。
arXiv 论文提出 EMFA 方法，用于 LLM 多智能体系统的失败归因，通过建模级联传播与持续交互循环，定位可恢复失败执行的“决定性错误”agent-step 对。在 Who&When 基准上，EMFA 达到 SOTA 的 step-level 归因准确率，在 Hand-Crafted 与 Algorithm-Generated 子集上分别将此前最佳 step-level 结果提升 3.45 和 4.40 个百分点。
论文对编码 Agent 的 skill 冲突开展首个实证研究，从 20,947 个仓库快照挖掘出 822,109 个候选相似技能对，由 LLM 判定 3,754 个分层样本，并在三个模型上运行 312 个确认对（6,368 次运行、169,294 次工具调用、542 agent 小时）。研究发现近四分之一的已安装技能与做同样工作的技能共存，相似技能会在约五分之一运行中取代原技能但不降低任务完成率，且打开相似技能的运行会损失超过三分之一的独占核心功能；安装位置决定哪个技能运行，冲突在首次读取技能时即已决定，在首次读取处加 pre-tool 钩子可将独占核心功能保真度恢复到先打开原技能运行的水平。论文建议基准应评分独占核心功能，平台应守护首次读取并显示实际运行的技能。
推荐理由：研究给出技能冲突的实证规模和首读修复思路，并指出只看任务完成的基准会漏掉这类失效。