新闻、仓库与研究，按时间排列。
论文提出 SkillContrast，一种免训练的选择器，通过比较检索到的技能并保留差异文本，为预训练 reranker 构建更紧凑的输入。在 SameCapRisk-Bench 的 1,235 条请求上，其在相同 per-candidate 输入长度下比 TF-IDF query 选择多获得 54-72 个 clean hits，跨 2 个 retriever 和 2 种 reranker 规模均有效。相比完整技能正文，该方法减少 51.1-58.8% 的模型输入 token，在 4B 规模下 clean hits 持平或更高。
研究者提出一种使用本地托管 LLM 的证据可追溯动态访谈架构，可在对话全程根据参与者回答实时画像其专业水平，生成知识匹配的问题与过渡语句，由五模块提示词架构和持久访谈状态记录支撑。246 名参与者评估显示，专业画像模块与独立报告的一致率达 78.9%（weighted Cohen's K 为 0.80），参与者报告了较高的相关性（均值 4.41）、参与度（均值 4.32）和满意度（均值 4.38）。
研究者为 MicroRTS 即时战略环境提出约束命令条件 PPO 执行器，将策略命令选择与单位控制分离，用 Thompson 采样多臂老虎机根据对局内观察估计对手策略并选择命令。在与相同架构、预算和自博弈联盟训练的扁平 PPO 基线对比中，该系统对四个最强对手中的三个胜率显著更高，其中两个 held-out 对手胜率分别从 0.55 提升到 0.97、0.01 提升到 0.34。
论文研究决策模型 Jev 在强化学习（RL）中的角色，发现它能满足 RL 系统对答案的除价值函数外的全部要求，并构建了将其用作参考策略、探索裁判和重放评分器的算法。在 9 个 MiniGrid 任务和 3 个 Atari 游戏上，使用 Jev 的训练优于标准 RL 学习器，且模型本身保持冻结未训练。
arXiv 论文提出 DeltaReplay，一个步级记忆复用框架，让移动 GUI 智能体在不修改已有执行轨迹的情况下逐步决定是否复用、替换参数执行或交给基础智能体。它将轨迹存储为转移图，依据页面级一致性与动作级通用性判断可复用部分。在 AndroidWorld 和 SPA-Bench 上，DeltaReplay 较同骨干模型的基础智能体任务成功率分别提升最多 10.3 和 25.0 个百分点。
研究团队提出 CogMem，一种基于 PEC²F（Person-Event-Concept-Claim-Fact）图模式的认知记忆架构，用 Claim 节点保留主观陈述的来源与对象，并将对话轮次增量转为带溯源的图记录。检索由基于规则的控制器结合 LLM 意图解析，组合锚定、遍历、交集、证据落地四个确定性图算子来重建查询相关上下文，在 LoCoMo 与 LongMemEval 上表现突出，尤其是多跳、时序与知识更新任务。论文被 EMNLP 2026 主会接收，代码已开源。
推荐理由：论文用 PEC²F 图结构区分主观信念与事实记录，在 LoCoMo 和 LongMemEval 上给出多跳与时序任务的实测表现。
论文提出 AdaptEvo，一个在监督不完美条件下学习的框架，结合基于置信度的 CA-GRPO 策略优化与不断演化的决策知识和评估 rubric。使用 Qwen3.6-35B-A3B，在工业多模态内容审核数据集 In-Period 测试上达到 61.9% 精确标签准确率和 72.2% 二元决策准确率，分别超过 GRPO 7.5 和 3.7 个百分点。在规则变化的 Out-of-Period 测试上，CA-GRPO 训练的策略对基座模型保持准确率优势，而 GRPO 随训练持续下降。
研究者提出 SignRAG，一个面向 decoder-only LLM 的无 gloss 手语翻译统一框架，结合层级预训练、目标域检索增强和检索感知强化微调（RUG-RFT）。该方法在多个 SLT benchmark 上刷新 SOTA，据作者所知是首个在 CSL-Daily 所有指标上超过 gloss 监督方法的无 gloss 方案。代码及不同规模模型已在 GitHub 开源。
SAIL Model Team 发布开源科研智能体模型 SAIL，总参数 35B、激活 3B，面向文献调研、科学编程和多步科研工作流。其训练采用科学感知改进循环：由前沿模型构建的智能体分析任务失败并生成针对性训练任务，再经监督微调、专家训练、多教师 on-policy 蒸馏和智能体强化学习完成训练。SAIL 在科研任务上以远少于主流开源模型的参数量取得有竞争力的表现。
该研究提出三层控制栈——5-Pillar 运行时宪法、4 层 swarm（Director、三智能体多数投票、Monitor、schema hard gate）与 Cognitive Annealing，用于应对多智能体 LLM 与有状态对抗性 Gatekeeper 谈判中的浪费问题。30 次运行（Gemini 2.5 Pro 智能体、Claude Haiku 4.5 Gatekeeper）显示：swarm 解锁时仅需 7-8 次调用和约 15k tokens，比基线低 67-73%；在合规死锁下原子清除加确定性 strike 5/5 逃逸，而纯 LLM 引导为 0/5（Fisher p = 0.008）。监控与硬门控不减少解锁但留下审计轨迹，平均调用与 token 减少的预注册假设未获支持。
一篇 arXiv 论文提出 Incremental Open-Ended Deep Research（Incremental-OEDR），将研究报告视为可演化的研究状态，通过保留有效知识、修订过时内容并纳入新信息进行增量更新，而非从头生成报告。配套提出的 Structured Harness 将报告表示为大纲、章节和证据的结构化集合，提供结构化检索、持久化证据池与结构化生成。在覆盖十年的 DeepResearch Bench 与 DeepConsult 评测中，该方法相比 OEDR 在 DeepResearch Bench 上最高提升 0.51 的内容级 ROUGE-L F1、0.63 的大纲级 EM F1，并降低 33% token 消耗和 61% 搜索调用次数。
Chronos 是一个测试时框架，将已合并的 pull requests 蒸馏为结构化经验卡片，并通过代码、开发者意图与组织关系的类型化图谱连接，供 LLM 代码智能体检索历史经验。在 SWE-Bench Verified 上，该完整流程将 SWE-Agent 六个 LLM 后端的平均解决率从 69.2% 提升至 72.9%，配合 MiniMax M2.5 达到 79.8%；同后端下在 SWE-Bench Pro 与 FEA-Bench Lite 上分别从 48.3% 升至 51.7%、41.0% 升至 43.5%。100 个任务的人工评测中，基于图谱的检索使平均有用卡片数从 1.24 增至 2.87。
arXiv 论文提出 TRACE 协议，通过配对运行、行为对比和重打分，把 LLM agent 分数变化区分为能力变化与评测本身的变化。在 25 个合成任务中重命名工具使脚本 agent 分数降 0.250，打分时恢复原名可完全弥合差距；88 个任务的重命名实验中八个 agent-change 对里七个 reward 变化在 ±0.10 内，误导性工具名则使所有 agent reward 下降 0.20-0.44；相同重跑会翻转 15-36% 的任务结果，两个前沿 LLM 评审在 57% 的相同记录上判断不一致。
推荐理由：论文用配对实验把智能体评测分数变化拆解为能力与测量两类原因，对解读 LLM agent 基准分数的读者有直接参考价值。
作者用 HuggingChat 里的 ML Intern 在几天内自制了 7 个开源模型（含 citrus-disease-vlm-instruct、Huggy LoRA、Pocket rewriter 0.8B、Agate 4-step 等），总算力成本约 103 美元。文中公开全部提示词（GitHub 仓库 yvrjsharma/ml-intern-prompts），并总结了三条关键写法：让 Agent 先报基线再训练、先跑小规模冒烟测试、设定预算上限并要求超支前请示；例如 citrus 项目用 3,017 张标注图微调 Qwen3.5-2B，测试集准确率从基座 14.9% 提升到 52.8%，成本约 1.90 美元。
推荐理由：作者把 7 个提示词原样公开，预算上限、基线对比和冒烟测试的写法可以直接搬到自己的 Agent 训练项目里。
TestGRAD 是一个用于 SWE-agent 集成的自动测试优化框架，将基于测试的补丁选择建模为测试空间优化，核心包含差分损失、全 CRUD 梯度和失败模式动量三个机制。在 SWE-bench Verified 上，TestGRAD 采用 4-agent 集成达到 84.2% Pass@1，超过最强基线（80.6%）3.6 个百分点，同时将失败历史上下文压缩超过 100 倍。
arXiv 论文以一个人工主导、智能体工程化的量化交易系统为案例，考察生产 ML 系统中的“结果—诊断鸿沟”：该账户一年内盈利并跑赢大盘指数，但主回溯口径下年度 alpha 与零无统计学差异，且推荐到运行时的完整绑定记录缺失，无法确定唯一原因。论文区分冻结实例、预定义自适应流程与临时开发，提出证据层级和一个前瞻性生产绑定协议，强调外部反馈只能约束结果声明，诊断分辨率取决于溯源信息。
研究者提出自主测试智能体 QuSema，利用量子语义与文档约束作为源码级语义 oracle，在量子库中查找静默 bug。其已适配 Qiskit 和 PennyLane，在 20 个历史静默 bug 基准上平均定位数超过 Claude Code 和 Codex，且 DeepSeek 配置成本低于 Claude Code。QuSema 还发现 40 个经开发者确认的未知 bug，其中 30 个为静默 bug。
一篇 arXiv 论文以 Personal Fact Memory（PFM）为参考层，直接测量语言智能体记忆在生成前的失效：在受控修订基准上，只服务正确键控槽位的活跃值可消除陈旧暴露，而不做更新解析时 70.3% 的提示词暴露被取代值；参与者感知的 BM25 与参考排序器差距在 0.02 边际内等价。研究还发现四个 LLM 键分配器虽召回率高于规则抽取器却产生更低干净检索率，LongMemEval 上开放域合并召回率不超过 0.062，实体后验无法区分 LoCoMo 中同名发言者；作者主张应在生成前评估智能体记忆。
研究者利用前沿大语言模型智能体，从机器可读的建模规范中自动构建电化学 CO2 还原多物理场模型，全部采用开源 Julia 实现。智能体独立构建的模型与等效 COMSOL 实现的峰值 CO 分电流密度偏差在 0.7% 以内，彼此间偏差在 0.04% 以内。该框架让物理描述和控制方程而非专用代码成为计算建模的主要输入，提供了比商业软件更透明的建模路径。
arXiv 论文将人机协作中的自主权转换形式化为“交接问题”：在每个运行周期决定升级、维持或回退 AI 自主权，并保持过程可逆、可恢复、可审计。作者提出 Handover Readiness Score（HRS），综合操作员准备度、人机信任、学习稳定性与运行表现四个信号维度，并配合基于迟滞的转换策略：升级需持续正面证据，条件恶化时迅速回退。在软件工程与制造领域，HRS 与硬安全护栏互补，共同治理自主权转换。
RoboQuest 是一个目标导向具身探索基准，包含十项移动操作任务，覆盖搜索、基于操作的检查和交互测试三类不确定性。研究通过统一视觉运动接口评估五个前沿多模态智能体，以及在发布的全片段演示上微调的 π₀.₅ 策略，最佳智能体成功率仅 23%，微调策略几乎从不成功。失败分析显示智能体多在未观察到足够证据时过早停止探索，试错学习对多数模型仍然困难。
研究者推出 SOTA，一个结构化期权策略选择的智能体交易框架，通过后训练 Qwen3.8-27B（先监督微调再强化学习）构建。在 9 只美股大盘股和 SPY 的期权上评测，6 个月样本外实现 18.3% 总回报，Sharpe 比率 1.60，最大回撤 8.96%。研究还发现强化学习阶段保留新闻会使样本外回报从 18.3% 降至 -2.7%。
研究者提出 Q-learning with Scalar Adjoint Matching（SQAM），利用预训练流策略速度 Jacobian 对角集中的特性，推导出闭式标量伴随，省去逐步向量-Jacobian 乘积。在 OGBench 四个最难领域上，SQAM 成功率比各域最强基线高 18 到 35 个百分点；在真实双臂机器人上微调视觉-语言-动作策略，三个任务均优于监督微调。
一篇 arXiv 论文提出“研究者社会”框架：在显式制度下组织由数千个持久自主研究智能体组成的种群，由首席研究员通过提案申请、独立评审和资助竞争算力，人类“市长”只分配资源、不指派任务。在一个运行中的一万名研究者的社会里，智能体被要求改进语言模型预训练，其中一个实验室报告可用约 30% 更少的算力达到同等质量，但测试该结果的实验室尚未达成一致。作者还提出六个开放问题。
RECAST（Routing Evidence through Computation, Access, and Synthesized Tools）提出一个学习式框架，把证据构建建模为对异构检索与计算操作的序列决策，让证据被主动推导而非仅仅检索。其 RouterLM 经 SFT 与 GRPO 训练，在 6 个基准家族上平均成功率 75.6%，超最强基线 15.9%；在 3 个 held-out 基准上平均领先 15.0%，Qwen3.5-9B RouterLM 超 Gemini 3.5 Flash 5.0%。
arXiv 论文提出 SciExam for ENSO 基准，让语言模型智能体在六小时内从真实观测出发构建低阶 ENSO 随机模型，过程诊断先冻结，再由隐藏评分器检验模型能否复现 ENSO 统计特性、恢复未观测变量并预测保留年份。十二个智能体系统中有六个的模型得分超过已发表模型，主要靠更好的重构与预测，且更强模型的结构各自与 ENSO 暖冷不对称性两种竞争解释之一相容。
研究者推出基于 JEPA 架构的机器人世界模型 RoboJEPA，在覆盖 12 种机器人本体的大规模数据集上训练，参数量 8B，是迄今最大的 JEPA 预测模型。其想象误差随计算量呈二阶幂律，可预测下游机器人规划性能，是真实机器人评估的可靠代理指标。该模型可零样本部署为机器人智能体，朝单一目标图像规划完成长时程任务，模型 checkpoint、训练与部署代码均已开源。
Long-WAM 是一个在实时控制约束下扩展因果世界-动作模型上下文的模型-系统框架，核心发现是视频基础模型采用自回归（AR）预训练时，更长历史才能真正带来收益。在 RoboCasa GR-1 上，上下文从 0.0 秒增至 19.2 秒，成功率从 63.3% 提升至 78.7%，并在 LIBERO-Long、RoboTwin 2.0 和 DOMINO 上取得对比方法中的最佳结果。系统可在 RTX 5090、DGX Spark 和 Jetson AGX Thor 上部署，每个 action chunk 耗时 107.4 ms，在 Unitree G1 和 YAM 上实现动态杯叠 95% 成功率，而 Pi0.5 与 Fast-WAM 在 20 次尝试中均未成功。
研究者提出 CoCo-Prover，将成本高效的程序定理证明形式化为元层级决策：在声明内的 AND/OR 证明超图与声明间的引理依赖图之上，通过智能体路由为每个专家调用按价选购动作。在 CLEVER、VERINA、AlgoVeri、NTP4VC、Vero 五个 Lean 4 基准上，它在每个基准均取得最佳解题率，其中两个基准最高达 100%，相比最强基线最多降低 30.9% 成本。
arXiv:2610.09683 研究双进程 Agent 中快速决策模型按门控把控制权交给推理视觉语言模型的时机，实验基于闭环 Doom 与 System One 类型化决策模型。在 900 道留出题上，0.15B 到 9B 的零样本决策模型在错误中选择收集道具的频率是随机的 1.6-1.8 倍；准确率、校准与灵敏度相互独立；离线把置信度最低的 30% 决策延迟给推理模型，收益与 Actor 的 AUROC 成比例（秩相关 0.87），在留出游戏上选定后收益 +0.13 [0.08, 0.18]（doomLaya 选项顺序）和 +0.08 [0.02, 0.14]（打乱顺序）；闭环 33 局三个种子中无变体到达出口，但承诺执行计划能开门更多。代码、提示词、数据与日志已开源。
研究者提出 ICDP（Interaction-Constrained Drive Policy），一种离线强化学习框架，显式控制自动驾驶中的交互分布偏移（IDS）。该方法通过对比密度比估计分离交互支持分量，无需联合密度建模、周围智能体预测或仿真器 rollout。在 nuPlan、Interplan 及真实卡车实验中，ICDP 抑制了高价值但缺乏交互支持的轨迹选择，提升了交互关键场景的表现。
SkillForge 论文提出一种 agentic RL 方法，通过 trial、active、stable、retired 四状态的适应度驱动技能生命周期，让技能库与模型在训练中协同进化。RL 前先用基座模型 rollout 预淘汰低适应度技能再做 SFT，之后每轮迭代持续淘汰、稳定和 LLM 引导变异技能；多个交互式智能体基准上聚合成功率达最高，较最强基线最高相对提升 7.8%，并发布含 5k+ 标注记录的 SkillFurnace 数据集。论文已被 NeurIPS 2026 接收。
推荐理由：论文给出了技能库生命周期管理的完整机制和基准对比，对研究智能体技能质量控制的方法有直接参考价值。
研究提出 AnchorLoop，在自进化工具集成智能体训练中引入上一轮 Executor 的冻结副本作为历史参照，为 Executor 提供跨参照优势、为 Curriculum 提供基于一致性差异的任务选择信号。在 13 个推理 benchmark 上，AnchorLoop 较 Agent0 在数学推理上提升 2.5%、通用推理提升 2.8%，且在后期能继续保持改进，而未锚定的基线收益递减。
研究者提出一种基于 MAPPO 的多智能体强化学习方法，为 TSN 车载边缘计算（VEC）中的每个队列分配智能体，联合学习服务顺序与时隙时长以减少截止期错过。相比集中式单智能体方法，该方法最多降低服务延迟 66.2%、提升可靠性 271.8%，且推理时间低于其他 MARL 方法。
QCATS 是一个查询上下文感知的 Transformer 切片框架，利用查询谓词和元数据统计在模型执行前预选上下文对齐的 FFN 切片，实现数据库内高效稀疏推理。框架包含离线专家构建和轻量查询级路由，并引入异步 CPU-GPU 流水线与路由感知批处理等系统优化。在 BERT-base 和 Qwen-0.6B 的四项预测查询工作负载上，QCATS 延迟最多降低 4.42x，预测精度与稠密基线相当。
Michael Ofengenden 在 arXiv 发布 AgentTime 基准，用来自 18 个来源的 222 个任务测试 Agent 能否按要求时长工作、预测运行时间并事后估计耗时。结果显示各模型偏差差异很大：Claude Code 中的 Fable 5.1 偏离要求时长的典型倍数为 2.9 倍，Codex 中的 GPT-6 Astra 仅 1.2 倍；158 次可分类的 Astra 运行中有 14 次在看似完成任务后直接休眠。回溯实验中移除时间信息使 Sol 和 Astra 的偏差翻倍以上，Fable 接近翻倍。
推荐理由：论文用 222 个任务实测各模型 Agent 的时长控制与时间预测能力，给出了可直接比较的偏差倍数数据。
Peter Baile Chen 等在 arXiv 发布 ExperienceIndex，为 AI 智能体引入基于语料（artifact）的经验记忆层，存储单个语料经验与语料对关系两类信息，以轻量中间件形式帮助智能体定位新任务的全部相关语料。在多种语料和搜索框架下，答案质量最多提升 11.0 分、在线成本最多降低 50.5%；并展示了 text-to-SQL 经验向事实问答的跨任务迁移，以及强模型经验帮助弱模型达到相近表现。论文链接 https://arxiv.org/abs/2610.10091v1
一项 arXiv cs.CL 研究系统探讨了如何用中间监督改进搜索智能体的强化学习训练。研究比较了多种 reward-shaping 与 credit assignment 策略，并构建了将中间检索步骤信号与最终结果奖励结合的训练框架。在相同训练条件下跨多个基准的实验表明，该方法提升了搜索智能体的整体性能，且中间信号的选择与奖励分配位置都会影响训练效果。
论文提出 Task-Progress Distillation（TPD），一种离线蒸馏方法，将演示动作与描述当前任务阶段的短标签配对来训练小型智能体。在 ALFWorld 上，1.7B 学生模型用 404 条演示达到 72.4% 平均未见任务成功率，推理训练学生为 48.3%；808 条演示时两种方式均达 76.9%。显式阶段标签在 200 条演示时将成功率从 48.0% 提升至 67.7%。
论文提出 CoTrace，一种 harness 感知的终端 Agent 训练数据配方，通过交替式 harness 搜索与策略训练的协同演化框架，管理轨迹路由、来源匹配和课程刷新。在 Tmax promotion split 上，CoTrace 使 Qwen3.5-9B 在 SFT 下从 78 提升到 88 个解决任务，在线 RL 变体达到 90；小规模 harness 匹配语料以更低算力取得稳定收益，Terminal-Bench 2.1 和 SWE-bench Lite 评测显示分布外迁移依赖训练与评测 runtime 的一致性。论文 32 页，预印本地址 https://arxiv.org/abs/2610.10426v1。
推荐理由：论文给出轨迹按 harness 匹配路由的数据配方，用对比数字说明小而匹配的语料胜过混合大语料，方法可迁移。