新闻、仓库与研究，按时间排列。
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。
论文提出 CoDA 框架，让仿真数据引擎与动作策略通过共享异构记忆共同进化，记忆将视觉语言评论家的诊断编译为生成程序与训练程序，并用 Text2potential 为动作块价值学习提供密集监督。在四个操作任务族上，分布外成功率从 SFT 后的 5.3% 提升到 27.6%，比最强闭环基线高 9.5 个百分点；LIBERO-Pro 上 15 轮生成与训练使位置扰动下成功率从 25% 升至 84%，指令扰动下从 1% 升至 76%。
推荐理由：论文提出仿真数据引擎与动作策略共同进化的训练框架，并给出分布外成功率的实测对比，方法思路可迁移到机器人策略训练。
研究者提出 Feedback-Guided Search State（FGSS），用 LLM 反射器提出并修订假设、确定性 curator 校验假设并维护测试记录，将语言引导与观测证据和参数干预相连，并基于 LLAMBO 实例化为 FGSS-BO。在两个回顾性协议/媒体任务上，其最终最优样本均值和 search AUC 超过匹配的 LLAMBO 基线及非 LLM 基线；六个直接训练的超参数优化任务显示迁移效果因任务而异，在 diabetes SVM 上最强。
研究者提出局部上下文蒸馏方法 LoCD，让大语言模型从交互经验中持续学习。LoCD 先定位学生模型轨迹中需修正的关键片段，由教师模型基于学生自身前缀重新生成这些片段并用于训练，兼顾信息量与低曝光偏差。在数学推理、代码生成和智能体任务上，LoCD 持续超越强基线，训练更稳定且参数更新更小更稀疏。
论文提出 MetaExp 框架，通过带跨任务结构的可验证任务族训练语言模型智能体把交互反馈变成可迁移的经验学习能力，设计了 Shared-Tool 和 Shared-Workflow 两种任务族。团队在 1,000 个任务族上收集并过滤得到 4,956 条轨迹，微调 Qwen3.5-122B-A10B，参数冻结后在 SpreadsheetBench 提升 +8.5、APEX-Agents 峰值 +2.3、AutomationBench 提升 +14.8，领域排除训练下增益仍保持。论文地址 https://arxiv.org/abs/2610.21492v1
推荐理由：论文用可验证跨任务环境训练经验学习能力，并在三个基准上给出领域排除训练下的迁移增益数据，可参考其环境构造思路。
研究者提出 Lifted State Policy Optimization（LSPO），将有限、成本调整后的状态转移作为学习基本单元，为文本答案学习连续坐标并用能量函数排序，通过塑形奖励与内化损失把低能量答案吸收进直接生成器。在 Qwen3.5-27B 上，单次推理策略在数学、科学、代码与逻辑基准上达到 71.8% 总准确率，接近测试时反思的 71.9%，同时延迟降低 28%、token 减少 25.8%。该模式在稠密与 MoE 骨干上均成立，代码已开源。
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 2610.19789 在 ALFWorld、ScienceWorld、Search-QA 和 WebShop 四个环境、三种模型规模上，将十种代表性自蒸馏方法与 GRPO 直接对比，共 132 次训练、累计 12,124.4 H800 GPU 小时，并对预训练骨干和全部十一个训练后方法在八个 rollout 种子上重复评测。结果显示没有方法能在所有设置下稳定超越 GRPO，最终性能好可能掩盖训练不稳定，额外训练成本也不必然带来更好表现。
推荐理由：论文用 132 次训练、1.2 万余 GPU 小时直接对比十种自蒸馏方法与 GRPO，指出最终分数可能掩盖训练不稳定。
arXiv 论文提出 AGORA 框架，独立变化团队构成与相互依赖结构（协作、从众、竞争）来研究自演化多智能体系统（MAS）的演化。在网页搜索、代码库理解与文档问答任务上发现：仅演化很少带来提升，合适的脚手架最多比单独演化的强智能体高出 25 分；其机制是把权威移交给最有能力的成员、其余成员退居辅助，且该成员在团队中成长后优于同一模型单独使用。
推荐理由：论文用 AGORA 框架把团队构成与依赖结构拆成独立变量，给出社会脚手架影响多智能体自演化的实验数据。
FSPO（Function-Space Policy Optimization）是一种单策略强化学习框架，将稀疏历史 next-token 分布存为固定时序目标，无需维护常驻教师模型即可实现时序分离，并引入特权分歧校正、可靠性自适应锚定与质量覆盖感知时序记忆。在推理与工具使用 benchmark 上，FSPO 在 5 小时训练预算内平均准确率最高，较最强基线平均提升约 4 个百分点，在 Olmo3-7B-Instruct 上峰值显存从约 70 GB 降至 56 GB。
研究提出用显式 if--then 规则连接感知、信念与行动，并用 GRPO 训练 Qwen2.5 和 Llama3 模型，在四个 ToM 基准上超越了提示、监督微调和 think reasoning。≥3B 模型生成的规则还可迁移，提升 GPT-4o-mini 的下游表现。
arXiv 论文提出 LAGO，将专用语言智能体作为可复用的时序扩展选项，由 meta-agent 检索或生成选项、分发子任务并验证结果，选项库跨任务增长且不更新模型权重。在 500 个 SWE-bench Verified 任务上，冻结的 Qwen3.5-35B-A3B 单次尝试解决率为 58.6%；在固定 150 任务子集上与 mini-SWE-agent、Terminus 2 同条件对比，解决率分别为 49.3%、57.3% 和 60.3%。50 任务消融显示去掉分解少解决 4 个、打乱复用内容少 2 个、去掉选项库少 6 个。
推荐理由：论文给出了同条件下的组件消融与横向对比数据，读者可以据此评估可复用 agent 选项库在长任务中的实际贡献。
SkillScaffold 是一种策略自适应训练框架，通过复用结果验证的训练轨迹、以结果感知的似然比较低成本估计技能效用，无需候选专属环境 rollout，并据此选择性注入技能或保持无技能执行。在 ALFWorld、WebShop、ScienceWorld 和 τ²-Bench 上超越强智能体 RL 与技能型 RL 基线，代码已开源。
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。
研究者提出自适应多样性控制框架 ADiCo，在合作多智能体强化学习（MARL）训练中在线调节行为多样性：快时间尺度由 DiCo 将多样性控制在目标值，慢时间尺度由 Extremum Seeking Controller 仅依据平均回合回报调整该目标，无需显式模型或解析梯度。在两个合作任务的六种配置上，ADiCo 达到或超过网格搜索最优目标 DiCo 与 Unconstrained DiCo 的平均性能，为手动选择多样性目标提供了系统性替代方案。
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。
一篇 arXiv 论文提出“双时钟”框架，解释 RLVR 训练中平方根学习率规则下更大 rollout batch 每样本进展下降的原因：大 batch 更新次数更少但更长，曲率损耗更大，并推导出学习率相关的临界 batch。在 Qwen2.5-Math-1.5B 上跨 16 倍 batch 范围的 GRPO 实验支持两个预测，ratio clipping 可延迟失效但进展差距仍存在，作者据此提出先小 batch 后大 batch 的多步训练调度。
论文提出混合推理 Agent 框架 HybridAgents，用 HybridLink 在统一生成过程中于潜在推理与文本交互间动态切换，并以连续工作记忆跨多轮保存混合上下文。配套 HybridSFT 与 HybridRL 后训练算法，在 3 个模型规模、11 个基准上较前沿 LLM Agent 与 Agent 框架平均提升 10.4%，同时 token 减少 35.5%-54.7%、推理提速 1.8x-2.6x、成本节省 2.7x-3.7x，代码与数据已开源。
推荐理由：论文同时给出统一架构、后训练算法和在 11 个基准上的量化对比，读者可以直接查看 10.4% 提升与成本节省数据的来源。
一篇 arXiv 论文研究 AI 研究自动化引发的随机智能爆炸：随机性不改变确定性爆炸阈值，但把爆炸日期变为显式分布——等尺寸改进下爆炸时间是独立指数变量的几何加权和，Lomax 分布改进尺寸下爆炸时间精确服从 Gamma 分布。论文还给出区分恒定与几何增长到达率的检验，最小样本量渐近为 (12z_α²)^{1/3}ℓ^{-2/3}，并证明即使爆炸必然发生，剩余时间的条件平均等待时间仍为无穷。
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。
论文提出 TextualRL，一种免梯度的强化学习框架，通过修订引导 LLM 智能体行为的文本上下文来适应任务反馈，而不改变模型参数。其核心机制包括以同任务的一组 rollout 为单位的 Groupwise Policy Critique、跨组证据审查提案的 Cross-Group Policy Update，以及由留出验证奖励决定是否采纳的有界文本补丁。在六个基准上对五个目标智能体的评测中，GPT-5.5 和 Qwen3.8-27B 的测试准确率较基座模型平均分别提升 24.4 和 15.3 个百分点。
推荐理由：原文给出了框架机制与六个基准上的分组对比数据，读者可以据此评估这种免梯度上下文更新方法是否值得复现。
一篇 arXiv 论文将被动模仿（PI）形式化为定位违约、提取局部目标、提出匹配技能并小规模修补、全任务验证后保留证据的架构循环。在十个模拟工具世界中，PI 用 3 次小试验解决全部 600 个冷启动 held-out 组合任务，对照的整轨迹方法仅 6.17%；面对未见过的工具修订，成功率达 70.0%，自试验枚举下为 79.0%。实现仅用 CPU，代码已开源可复现。
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。
AlphaRLM 是一个强化学习框架，训练 LLM 直接从金融文献构建可执行的符号化因子，无需输入因子表达式。其引入 Literature-Guided Operator Assembly（LEGO）提供语义先验，并通过可执行有效性奖励和分组收益分离奖励与市场反馈对齐。在 CSI 300、CSI 1000 和 S&P 500 上的实验显示，其年化超额收益超越强因子挖掘与 LLM 基线，8B 模型也取得强跨市场表现。
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。
研究者提出 CauCRL，解决离线示范中示教者隐藏信息导致的对比强化学习（CRL）失效问题。方法用混杂马尔可夫决策过程形式化该场景，引入反事实转移并最小化所有兼容转移得到最坏情形占用度量，据此训练 critic。该方法在混杂目标达成任务上大幅提升成功率。
一项 arXiv 研究通过 system prompting、few-shot、SFT 与 GRPO 等诱导方法测量语言模型倾向的分布外泛化（spillover），发现同一方法的 spillover 在模型间高度相关，而 SFT 与 GRPO 产生不同 profile；良性特质诱导可能外溢出权力-seeking 等非预期特质。分析识别出三个解释约一半方差的特质聚类，并观察到与目标特质无关的 drift，drift 使 Qwen3.5-9B 偏向其基座模型。测试显示 Claude Opus 5.5 对 spillover 的预测略优于模型本身，但不如基于替代诱导方法或模型的数据驱动方法，没有单一占优预测器。
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。
论文提出 TQG-Exp，一个以轨迹质量为导向的经验学习框架，通过引入 Trajectory Quality Loss（TQL）将任务完成度与过程质量共同作为学习信号，并利用成对 rollout 估计检索经验的贡献以优化经验效用与检索。在 ALFWorld、WebShop 和 ScienceWorld 三个基准上，TQG-Exp 的 Avg.@3 较最强基线在 DeepSeek-V4-Flash 与 Qwen3.5-Flash 上分别提升 4.50 和 8.55 个百分点。
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。
研究者提出 MC-EvoBench，一个用于审计 Minecraft 智能体经验驱动自我改进的受控基准，含 19 条注册进化链（12 条主评测链、7 条校准/探针链）及三个图对齐配对探针族。基准将任务表示为任务状态图，设置阶段级环境验证器，仅允许声明的 agent 工件跨越源-目标边界。结果显示 planner 支持变体与 controller 变体间存在持续的直接能力差距，而相关经验未带来稳定迁移，各置信区间均含零。
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。
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。
GeoReform 是一个反思式形式化演化框架，将几何形式化视为可优化的策略，通过收集失败推理样本、诊断表示缺陷并迭代改进几何实体、关系与约束的组织方式。在 Geometry3K 上，GeoReform 将 Qwen3VL-2B 的准确率从 42.0% 提升至 56.0%，表明有效的形式化是多模态几何推理提升的关键。
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。