新闻、仓库与研究，按时间排列。
论文提出 Interlock 框架，将任务表示为类型化完成图，通过 grounding 边、coupling 超边和 realization 边刻画证据、决策与下游效果间的关系，并编译为可重置工作区、公开请求与评测 rubric。在两个 Qwen3.6 backbone 上用自产轨迹微调后，AutomationBench 任务通过率提升 4.00-4.50 个百分点，JobBench 加权分提升 3.20-6.64 分，Harvey LAB 准则通过率提升 3.89-4.16 个百分点。
一项 arXiv 研究提出 Privileged Hindsight Distillation（PHD），将科研品味建模为从评估准则打分到相对偏好的个人化映射，并利用训练时才可见的后续科学证据改进提案期评估。该方法主要在量子研究领域评测，每位研究者仅需 15 次成对提案比较即可捕捉差异显著的偏好；交互实验显示个性化排序能带来更高的用户后续参与度。
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。
研究者提出通用校准框架 GCH，将地球科学过程模型的校准委托给受知识基础设施约束的 LLM 智能体，由其定义参数域、观测映射与目标并生成模型代码，数值搜索与评估则无需智能体判断。在雪模型测试中，5 个知识引导设定全部一次执行成功，NSE 达 0.81-0.94，而仅给模型名的 5 个设定无一成功，默认参数仅 0.57；GR4J 独立设定得分差异在 0.001 NSE 内，验证了可复现的端到端校准委托。
Yasheng Sun、Jürgen Schmidhuber 等人在 arXiv 发布论文 JevGPT，提出用于自主研究的双系统架构，System Two 设定证据目标并整合发现，System One 定位支持、评估相关性并指导后续检索，独立来源判断并行运行。在固定语料问答与文档排序实验中，JevGPT 达到领先的任务表现，完成速度更快且成本低于同等有效的研究智能体，并显示更广的来源检查与支持文档覆盖。论文共 24 页，链接 https://arxiv.org/abs/2610.18272v1。
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。
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。
该 arXiv 论文针对模型预测任务采样（MPTS）中风险预测模型的两大缺陷——优化历史稀疏与风险近似的一步滞后，将其重构为上下文序列建模问题。改进后的 RPM 结合一步前瞻机制与时间加权滑动窗口，无需额外 rollout 即可缓解数据非平稳与稀缺问题，在鲁棒 Meta-RL、域随机化及 LLM 提示词课程 RL 后训练中带来更可靠的难度估计和一致的性能提升。
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。
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。
JANUS 是一个长时程自主研究框架，通过协同进化的世界模型驱动 Predict-Verify-Evolve 循环，在执行前预测候选方案的价值增益、信息增益与探索效用，从而选择、优化或剪枝分支。反馈后经验被蒸馏为研究智能体技能、世界模型探索策略技能及协调协议，实现持续共同进化。在 MLS-Bench-Lite 和真实研究任务上的评估显示，JANUS 在进化效率和上限上均显著超越 SOTA 基线。
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。
研究团队提出 MindFlow 框架，将科研想法生成显式建模为由模块化思维算子构成的图结构 Flow，并用概率化 mind supernet 表示。给定研究主题后，控制器动态采样思维流生成候选想法，通过锦标赛式相对排名优化，逐步偏向高质量思维流。该框架还引入同时评估问题发现与问题解决的评测协议，在多类主题上展现出显式、可控、可优化的优势。
Zijun Wang 等人在 arXiv 发表论文，研究语言模型作为 Research World Models（RWM）预测候选实验干预的结果。评测基于九个研究环境、2600 多条实验记录，涵盖预训练、后训练和推理，超过 171,000 H100 GPU小时；真实实验经验使 RWM 对同环境未见干预的预测提升 Spearman +0.27，OLMo3、Marin、Nanochait 预训练经验可将 Qwen3 环境的选择遗憾降低 78%，多轮 Autoresearch 固定预算下环境内与跨环境知识分别提升最佳收益 15.8% 和 11.6%；13 个模型的消融显示加入研究知识比换模型或增加推理力度更能改善干预排序。论文链接 https://arxiv.org/abs/2610.12235v1
推荐理由：论文用九个环境、超过17万H100 GPU小时的实验记录检验语言模型预测研究实验结果的能力，并给出跨环境复用收益的量化结果。
研究者提出 LLM-BlockFE，一个 LLM 引导的离线特征构建框架，通过增量拼接不可变代码块并搜索可执行特征程序，将长文本转为结构化特征，避免在线推理时调用 LLM。该方法引入基于深度校准信用分配的块级回滚机制和交错多轨迹搜索。在两个公开和两个私有数据集上，AUC 较最强基线绝对提升 0.0069 至 0.0358；五个已上线的金融风控应用监测显示 KS 较现有人工策略绝对提升 0.02 至 1.56 个百分点。
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。
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。
Xing Zhang 在 arXiv 发布论文（arXiv:2610.11464），提出把 verifier 作为进化对象，用小型确定性 drawback 检测器组合、出生门控和十项锚定参照集加共识来选择，而非以 agent 分数为准。MBPP+ 上比手写种子组合提升 +0.21 held-out agreement；实验发现移除锚定守护会退化为永远通过的空 grader，但下游任务分数不变，说明任务分数无法认证自进化 verifier；其 Double Ratchet 方案在代码生成、text-to-SQL 和报告生成上保留 88-110% 的基准提升。论文已被 NeurIPS 2026 Workshop 收录。
推荐理由：论文用锚定参照集与共识验证协同进化的 verifier，并指出仅靠下游任务分数无法证明其可靠，方法可迁移到自我改进 agent 的评测设计。
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。
一项 arXiv 研究提出基于反思进化（ReEvo）的模因算法，用于解决流体天线系统（FAS）的安全端口选择问题，防范窃听。与现有 LLM-GA 仅用 LLM 设计交叉或变异算子不同，该算法让 LLM 离线进化出交叉、变异和局部搜索三类算子，嵌入模因搜索框架后执行时无需在线调用 LLM。相同代数下仿真显示，其安全和速率高于传统 GA 及现有 LLM-GA。
一篇 arXiv 论文提出“稀缺性反转”：当机器系统在文献综合、假设生成、软件开发、仿真与分析等可计算的科学工作中优于人类时，科学将转而受实验、观测、可靠结论与问责性机构权威等稀缺资源约束。论文分析选择、物理接入、验证与组织选择四个方面，并指出国家实验室应通过受控实验、受保护数据和专家判断把充裕的机器推理转化为可信结果。
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。
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。
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。
论文提出 Bolzano，一个使用并行 prover 智能体加 verifier 智能体并维护人类可读研究状态的开源多智能体系统。专家选定问题的早期人工使用产出8个经领域专家核验证明的结果；随后在从四组论文提取的约3800个开放问题上无问题特定人工引导运行，解出约200个。在 STOC 2026 论文的实验中，系统回答了论文中提出的四个问题，经论文作者确认。论文被 NeurIPS 2026 第六届 MATH-AI workshop 接收。
推荐理由：论文给出了多智能体证明搜索系统在约3800个开放问题上的无人工引导实测结果，可了解其解题规模和验证方式。
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。
arXiv 论文提出“bottling”概念与 BOTTLED 基准，让 LLM 智能体在固定时间、算力和 API 预算内将大规模任务转化为廉价方案（如训练小模型或写可复用程序）。跨 10 个模型、3 个任务显示：60 次运行中 48 次低于零样本 95% 置信区间下界，31 次不敌同 token 预算的小模型蒸馏基线；但 Opus 5 在查询-商品相关性分类上以约 657 倍更低的成本保留约 82% 零样本 macro-F1，并以四分之一成本达到专用廉价模型 Jev 约 94% 的 macro-F1。
arXiv 论文提出 IdeaAnchor 训练范式，用结构化规范作为特权信号教 LLM 基于文献进行研究构想，实例从已发表论文中挖掘。模型通过示范、自蒸馏和强化学习训练，并在推理时结合检索。实验显示构想质量持续提升，其中 anchor 训练强化创造性综合、检索增强细节展开，两者结合效果最佳。
论文提出 SIGMA，一种仅需 Model Spec 即可让模型自我改进安全对齐的数据生成与训练流程，通过 spec 引导任务合成和基于 rubric 的强化学习完成。尽管只在单轮对话数据上训练，SIGMA 在多轮智能体环境中将 AgentHarm 有害性从 22.6 降至 14.8，Agentic Misalignment 从 79.1 降至 3.8，优于 Deliberative Alignment 和 Constitutional AI 基线，且保留通用能力。
推荐理由：原文给出了仅凭 Model Spec 进行对齐自我改进的流程和 AgentHarm、Agentic Misalignment 前后数字，可与外部监督方法的局限对照阅读。
研究提出 HMED（Hindsight Meta-Experience Distillation），一种为自改进智能体构建 Meta-Experience 的机制：从同一恢复的发现状态重新执行原与修订后的 Meta-Skills，使修订的实际影响可在相同条件下观察，并将比较结果蒸馏为可复用的结构化记录。在三个交互式智能体 benchmark 及开源与闭源模型上，HMED 的 Skill 发现性能均持续超越强基线。
研究者为一个完整的十英雄 MOBA（206 单位、每局最多 6,000 ticks）训练结构化多智能体世界模型，仅在模型内用 1,400-tick 想象 episode 训练策略，再通过连续异步 Dyna 循环在真实游戏中评估。该策略作为 radiant 在 600 局未见种子中胜率达 70.2%（95% CI 66.4–73.7），较循环前的 33.7% 大幅提升，Dyna 修复策略自身对局上的模型误差带来 +9.2 点胜率。世界模型、dream-PPO 训练框架、调试器与全部策略日志已开源。
arXiv 论文 2610.08077 提出 prospective learning 与 Self-Retrospection Distillation（SRD），将智能体事后获得的轨迹经验蒸馏为同一策略在交互前的预测目标，且推理时无需显式生成 foresight。在 10 个工具集成推理和长程智能体任务上，SRD 相比 RLVR 和自蒸馏基线最高提升 24.2 pp；在 98% rollout 组全失败的 2B 设定下，RLVR 成功率为 0.0%，叠加 SRD 后在相同 rollout 预算下达到 60.6%。
研究者提出一个 AI agent 驱动的可微分科学软件演化环境，连接需求识别、开发与质量评估。该工作构建并验证了覆盖物理、化学和生物建模的 20 个包的自动微分扩展，通过独立导数检查、工作流测试和性能评估评估实现。基准测试显示其在梯度评估和完整参数估计中相比有限差分节省计算，量子控制与热设计研究复用已有导数改进了设计。
研究者提出 TRIZ^a，一种结合 TRIZ 发明理论与 LLM 智能体进化搜索的研发自动化范式，用 40 条发明原理和矛盾矩阵替代随机变异来引导方案生成。在 PowerDuck GOOSE、CICIoT2023、CIC-DDoS2019 三个网络安全数据集上，配对重跑协议下 F1 分别绝对提升 +2.88、+4.23、+0.15 个百分点；一次 45 活动的 CICIoT2023 完整实验将 macro-F1 从 0.8325 提升至 0.8483，但未通过冻结的晋升门控。
ShadowMiner v1 是一个从 AI 论文中自动发现研究问题并生成假设的系统，采用九阶段流水线：将文档结构化为知识图谱、找出图谱中的结构性盲区，并据此驱动 LLM 生成假设。每个假设经过已有研究覆盖检查、质量评分与事实溯源核验。报告不提出新技术，而是记录实现与应用已有思路的实践经验，并测量每个环节的实际贡献。
R-Quest 通过问题有效性与新颖性反馈维持推理模型的自进化：先训练求解器识别并拒答无效问题，再用其判断引导提问者奖励并过滤训练数据，同时用冻结的基础模型对比问题对提供新颖性反馈。该方法在两个模型家族的 12 个数学推理、通用推理与代码生成基准上取得最高平均性能，十轮自进化中保持稳定提升，最终比 R-Zero 高 17.32 分。