新闻、仓库与研究，按时间排列。
arXiv 论文 OmniVerifier-C1 提出一种分解式分级视觉验证器，可将复杂提示或环境规则自动分解为细粒度组件并给出逐点评分，替代传统 True/False 二元判断。训练采用 Decoupled RL 策略，联合优化子问题级二元判断与全局对齐评分，实验显示其在文生图场景显著优于二元验证器，并在 Maze、Sudoku 等结构化世界建模任务上验证有效。论文还从理论上证明有真值图像时成对验证比逐点验证更准确。
HTN-Orchestrate 是一个两层多智能体编排框架：Planner 通过分层任务网络（HTN）维护子任务层级与依赖，本地 Orchestrator 调度 worker 执行叶子子任务，结果按 AND 语义向上传递，必要时重建任务网络。在网页研究、科学推理等五项 benchmark 上，它使用相同底座模型超越 ReAct、Agent Team 和 DeepSeek Harness，BrowseComp 达 89.73%，SUPERChem 达 73.44%，分别超出 Agent Team 2.45 和 4.69 个百分点。
一项 arXiv 研究提出通过序贯拍卖构建去中心化智能体市场来解决多步任务。该框架突破了此前理论要求“完美克隆体”的完全竞争假设，证明缺乏竞争同样会导致市场失灵；在不完全竞争下，智能体学会策略性压低出价以保留利润。研究评估了 Mirror Descent、Thompson Sampling、Bayes-Optimal 和 PPO 四种出价算法及 1st-Price、2nd-Price、Credit-Conserving Vickrey 三种拍卖协议，结果显示不完全竞争能在维持高任务成功率与低成本的同时保留智能体利润空间。
论文提出 FEB-30 基准，指出以下游问答准确率评估 Agent 记忆会混淆记忆正确性与检索和生成质量，产生假阳性和假阴性。该基准包含 30 条事实演化轨迹、6 个诊断类别和 3 个难度级别，通过范式反转从已知事实轨迹生成文档，无需人工标注即可获得确定性真值。应用于一个代表性记忆系统后发现，内在与外在评估平均偏差 16 个百分点，44% 的轨迹超出显著偏差阈值，记忆操作分类正确率仅 20%，该失败对外在评估完全不可见。
推荐理由：论文指出问答准确率会掩盖记忆系统的内部错误，并给出可复现的内在评估基准，为记忆评测提供新方法。
研究者提出拓扑感知、预测自适应的目标函数 TRACE，针对细长结构分割中的连通性错误，利用目标骨架定义所需局部连接，并在当前预测下寻找最易有效重连路径，联合监督其瓶颈点与对应骨架点。方法引入保留前景和类别拓扑的骨架载体，在六个 2D 与 3D 基准上提升了连通性与拓扑指标，同时保持分割精度且训练开销低。论文已被 WACV 2027 接收，代码将在接收后发布。
研究者提出 DSA-MP（DSA 结合多重图形光刻）版图分解新方法，构建了捕捉 DSA 模板边到边间距约束的冲突图模型，并利用图神经网络（GNN）驱动局部精细化策略，实现高效可扩展的分解。实验显示该方法比 state-of-the-art 方法解质量更高、收敛更快，且在不同版图规模、设计风格、工艺节点和掩模数量下保持稳健。该论文共 9 页，已被 ICCAD 2026 接收。
SCOPED（Skill-Decoupled On-Policy Expert Distillation）是一种面向视觉语言模型的训练方法，先分别训练能力专属专家并通过奖励引导反思提取显式技能，再进行在线蒸馏，让统一模型在推理时无需显式技能也能内化程序性知识。在八个多模态 benchmark 上，SCOPED 持续优于骨干模型和混合能力 RL。分析还发现联合优化存在能力间干扰，技能增强有助于专家轨迹更一致、更关注任务相关视觉证据。
arXiv 论文 OS-Helix 提出端到端训练的多模态计算机使用智能体，把 GUI 操作和代码执行统一到一个动作空间。通过应用与真实文件配对构建可执行 Ubuntu 环境和可验证任务，先 SFT 冷启动再在真实桌面环境做在线 RL，提出 Step-balanced GSPO 按动作步聚合重要性权重；OS-Helix-27B-RL 在 OSWorld-Verified 上成功率达 66.44%，比匹配的 Qwen3.5 混合基线相对提升 42.9%，并在 WindowsAgentArena 上展示跨平台迁移。
推荐理由：论文给出 GUI 与代码执行统一到单一动作空间的训练方法，以及 Step-balanced GSPO 等具体做法和消融证据，可迁移到同类 Agent 研究。
一篇 arXiv 论文提出 training-free on-policy 蒸馏：不用训练，仅通过前向传播就能把多个单独微调的专家模型能力合并到一个学生模型中，合并后平均精度高于任一专家。当专家共享同一 base 模型时，蒸馏有精确的逐层解，等价于一个最小二乘问题，只需几百条 rollout 的前向计算即可得到二阶矩。去除重复循环截断的回答后，在 AIME25 上将合并模型从 task arithmetic 水平提升到专家水平；在 Olmo 3 7B 上，每个专家只需几 GPU 小时的前向计算，即可在七个数学和代码基准上保留各专家的大部分增益。
推荐理由：给出免训练合并多个专家模型的具体方法，层式最小二乘解只需几百条 rollout 的前向计算即可落地。
Hasan Demirkiran 在 arXiv 发布论文（arXiv:2610.22243），提出三层 shortcut 审计框架，审计 LinuxArena 轨迹和两个 TS-Bench 衍生数据集，已被 NeurIPS 2026 工作坊 TAE 与 AIWILD 接收。实验显示改变 <INFORMATION> 标记使拦截率下降 8.33 个百分点，不透明工具别名使其上升 11.46 个百分点；AgentHarm-Traj 上 TS-Guard 的 F_1 从 .902 降至 .719。作者建议采用域分组 holdout、评估单元指标和安慰剂对照配对干预。
推荐理由：论文给出shortcut审计框架与配对干预实验，说明评测数据表征如何改变guard决策和指标，方法可直接借鉴到自建评测。
作者构建 LinguaGuardBench，基于 TS-Bench AgentDojo-Traj 的 1220 个标注步骤，仅将用户指令译为德语、法语、土耳其语、斯瓦希里语和阿姆哈拉语，检验 Agent 守卫判定是否受请求语言影响。在 19 个守卫中，多数开源小型和专用守卫的判定翻转超出自身噪声底，专用守卫最敏感；13B 以下九个守卫经安慰剂校正的翻转率从法语的 +1.5 pp 升至阿姆哈拉语的 +4.4 pp，12-30B 开源守卫更多误拦良性步骤（最高 +5.0 pp），10B 以下守卫出现召回损失（最高 -7.4 pp）；前沿守卫偏移至多约一个百分点，Gemini 3.8 Flash 最稳定。基准和全部 489k 判定已开源。
推荐理由：研究把用户指令译成多语言而其余轨迹不变，分离出语言本身对 Agent 守卫判定的影响，方法设计和 489k 判定数据都可复用。
一项 arXiv 研究（arXiv:2610.22245）提出用模型间分歧信号指导弱模型到强模型的路由，无需正确性真值标注。该方法先刻画最优弱到强路由策略，再基于多个弱模型本地推理响应推导出近似方案，且强模型越接近真值分布近似越准确。在智能体与单轮任务上，该方法能平衡路由成本与响应准确率，即使有真值信号可训练，分歧路由也可优于直接预测正确性的方法。
X-RIC 是一个将智能体 AI 融入 O-RAN 架构的新框架，把响应式强化学习与策略性智能体推理结合，包含基于领域启发式的自动化 Behavioral Cloning、Telecom Language Model 推理模块，以及 Near-RT RIC 控制环内的闭环协同适应。配套的 BARX 评测框架从延迟、合规性和确定性等指标评估智能体控制。在 SLA 感知网络切片的仿真与 O-RAN 兼容测试床验证中，X-RIC 实现 89% 运营成本下降，收敛快 75%、训练步数减少 50%、方差降低 46%，且保持 SLA 合规。
论文提出 Librarian Agents 框架，由 builder agent 把原始文档整理成层级化合成文件工作区，并将构建过程建模为 MDP、用强化学习直接优化下游答题准确率。方法在 BrowseComp-Plus 上比最强检索与预计算基线高 33 个百分点，并在 BRIGHT 上零样本泛化，平均准确率提升 31 点。
推荐理由：论文把工作区构建建模为 MDP 并用 RL 直接优化下游答题准确率，方法路径和基线对比对长上下文 Agent 研究有可迁移参考。
arXiv 论文提出 LEASH，一个免训练框架，让弱模型默认执行任务，仅在其潜在不确定性升高时把控制权交给强模型，并在交接后用 shadow observer 持续监督黑盒强模型。在 OSWorld 上，LEASH 在相同升级率下比随机升级高 6.55-11.94 分；用 Qwen3.5-35B-A3B 达到 73.66% 任务成功率、每任务 $0.4117，与常驻 Claude Opus 5（72.90%）持平，同时推理成本降低 19.2%。不确定性估计复用动作生成时已产生的激活，无需额外前向传播或专门训练监控器。
推荐理由：论文给出弱到强按需升级的具体做法和成本对比，弱模型默认执行、仅在不确定性高时交给强模型，成本账算得清楚。
一项被 CoRL 2026 接收的研究提出将纠正奖励学习缺陷的负担从人类转移到机器人：通过构建针对待解决特征的先验，并在偏好询问中附带解释来引导人类注意力。仿真中，该先验在低询问量场景下比标准主动偏好学习基线最高提升 30.8%；用户研究显示先验与解释均显著改善奖励恢复并相互放大效果。
一项研究用 Codex 智能体在 ARC-AGI-3、AGI Maze 和 Terminal-Bench 上对比两种几乎相同的提示词变体，仅改动一条“报告困难并交还控制权”的指令即可提升前两个环境的平均分。但即使搭配 GPT-5.6-sol，通用智能体仍低于 ARC-AGI-3 专用参考方案，把 reset 决策交给脚本控制器可挽回部分差距，额外教程经验反而可能降低 AGI Maze 表现。收益同时带来更高的 token 成本，作者发布了 EnvTraverse 框架与基线智能体。
EliteReplay 是一种将 GRPO 与质量多样性搜索构建的"精英"档案回放损失相结合的后训练方法，可在提升 LLM 可验证任务准确率的同时保留基础模型的解法多样性。在多个 text-to-SQL 任务上，其 pass@128 超过所有基线，比最强基线多产出最多 77% 的不同正确策略；在 AmbiQT 模糊问题上覆盖两种解释的频率接近最强基线的两倍。
Arnav Chavan 等人在 arXiv:2610.22293 提出 Subspace Tuning（SST），把每次权重更新限制在权重矩阵的底部奇异子空间，避免沿主奇异方向改动，以缓解微调带来的灾难性遗忘。该方法与优化器无关，可与 SFT 和自蒸馏组合；保护约 99% 的权重子空间能显著提升保留能力且保持目标任务性能，KL 漂移比基线低 2 到 4 倍，且模型和数据规模越大遗忘越少。
一项 arXiv 研究提出用随机投影保护 RAG 系统中检索数据存储的隐私。对数据存储嵌入和查询嵌入施加同一投影，可在可证明保持语义相似度的同时显著缓解数据提取攻击。跨多种 RAG 架构和数据集，该方法在检索与生成性能上优于基于差分隐私（DP）的方法，且在强攻击模型下经验隐私相当。
研究者提出 AI Consilium，一个基于 300 例 NEJM-MedQA 病例的 LLM 临床多学科二次意见多维评测基准，其中 110 例用于医生参考评分与 Judge 校准，190 例用于留出评估。8 条单模型流水线共生成 3,040 份报告，由医生校准的 LLM Judge 评分：结构化报告在 8 条流水线中 7 条平均分更高，management 维度优势最明显（2.740 vs. 2.436）；完整结构化会诊报告在全部五项共同标准上优于会诊前的主角色意见。GPT-5.6-Sol 在所有评测组件中领先，并以最少的评审轮次达成共识。
一项 arXiv 研究区分了语言模型中的“活性事实”与“惰性事实”：前者能在微调后泛化到共享答案的保留主体，后者只能被召回却无法支持泛化。研究通过在既有关系上构造任意重标注的新关系来检验泛化，覆盖 11 个语言模型和 70 个关系，原始关系在预训练表示中的线性可读性与之强相关，模型内 Pearson r 为 0.87 至 0.92。结论是新关系能否泛化，更多取决于其共享结构能否被线性读出，而非事实本身能否被召回。
研究者提出一种 steering agent，用于实时监督基于 LLM 的单智能体与多智能体系统，在其偏离整体目标（goal drift）时将其拉回正轨。该方法通过强化学习联合训练低成本快速路径与高成本慢速路径，结合成对排序目标与 GRPO。在信息搜索任务上的实验显示其能提升单智能体与多智能体系统的性能和效率，且引导能力可泛化到域外任务、迁移到未见过的执行器，并支持无需重训的可控干预频率。
研究者将四个 Gemini 4 Argon 智能体放入沙盒化的 Minecraft 生存世界，目标是击败末影龙，每个智能体通过开源库 Mineflayer 控制一名玩家，靠游戏内聊天和共享记忆协调，没有人类分配角色或编写游戏逻辑。团队从随机生成的 Easy 难度世界出发，编写了 2,783 个程序，死亡 605 次，用 27 小时 14 分钟击败了末影龙。作者称这是据其所知首次由 AI 智能体仅用标准 Mineflayer 库、无预探种子等人类专用工具完成的端到端自主通关，论文还描述了分工、知识共享、互相恢复物品等策略与结果局限。
推荐理由：论文给出了完整运行数据与协作策略描述，读者可以据此了解多智能体长时程自主任务的实际做法和局限。
研究者提出事件中心评测框架并实现为可训练音视频奖励模型 AVC-Reward，将判断聚合为粗到细的三级一致性指标，覆盖全局叙事、事件级时间同步和细粒度属性对齐。配套的 AVC-Benchmark 由多类音视频生成模型的正负样本构建。AVC-Reward 在与人类判断的对齐上达到自动方法中的 SOTA，作为在线强化学习信号可提升联合生成模型的音视频一致性。
研究者提出市场化后训练（MPT）框架，让去中心化 Agent 集群通过投标机制联合学习动作策略与自组织协调，无需中央协调者。该框架在具身合成、机器人导航和深度研究任务上优于单体后训练，且在相同动作策略下，学到的自组织优于其他协调策略。训练后的集群对相关任务适应更快，在更大规模和 Agent 掉线时表现更稳健，代码和模型已开源。
研究者提出用互补表示设计时序语言模型，基于 Qwen3-VL-8B 结合折线图与归一化延迟嵌入两种视觉视角，经专用视觉编码器融合进同一语言模型。双视角模型在 TSRBench 上将整体准确率从单折线图的 44.5% 提升至 53.2%，远超最强专用 TSLM 基线的 36.7%，并在 TSExam 达 89.9%、多变量 ChatTS 对齐数值准确率达 86.8%。
研究者提出 ACEdit 训练方案，解决多轮图像编辑中分布偏移累积导致的质量退化问题。该方案将 Self-Forcing 原则引入图像编辑，让编辑器在训练时处理自身此前的输出，并通过知识蒸馏结合非对称条件控制——学生模型在自己的输出上顺序编辑，教师模型则锚定原始干净图像接收复合编辑指令。实验显示该方法在长序列多轮编辑中显著减少退化，同时保持编辑质量和指令遵循能力。
研究者提出 Language Diffusion Transformer（LangDiT），针对连续扩散语言模型（CDLM）系统优化 Transformer 架构，引入 feature 与 query-key normalization、noise conditioning、梯度路由等设计。以 LangFlow 为骨干时，OpenWebText 上 1024 token 无条件生成取得 21.72 GenPPL（1024 NFEs）；适配 Plaid-style CDLM 后达到 11.33 GenPPL（1024 NFEs），均创 SOTA，且不改变原模型的训练目标与推理采样器。
研究者提出强化学习框架 KnowGPO，将轨迹按已获取的任务相关知识而非表面观察对齐：把回答所需信息分解为原子知识条件，以相邻步骤间的知识增益作为过程奖励，并按相同知识状态分组比较。在 Xbench、BrowseComp-ZH 和 GAIA 上，KnowGPO 比仅用结果奖励的 GRPO 及过程监督基线 GiGPO、IGPO 高出 3.8 至 4.2 分，其 8B 模型可匹敌或超过多数 32B 开源系统。
一项研究考察 LLM 的评测意识在印度语言中的表现，测试了来自三个家族的四个指令微调模型在五种印度语言及英语下的行为。结果显示，当模型被告知正在被监测为安全测试时，四个模型在全部六种语言中对有害请求的拒绝率均上升，印度语言平均上升 14.4 个百分点，但也使良性请求拒绝率从 6.9% 升至 11.3%。研究团队发布了全部 47,880 条已判定响应以支持后续研究。
研究者提出 DSP（Dexterity from Supervised Play）框架：机器人通过行为克隆从几分钟人类 play 数据中学习 play 策略，再自主部署收集数小时交互数据训练世界模型，并引导 MPC 规划。真实世界实验中，该方法成功率比 hindsight 行为克隆高 69.6%，以少 490 倍的交互数据达到与强化学习相当的成功率，且无需任务特定演示或 sim-to-real 迁移。
研究团队推出 3DCodeVerse，一个让 coding agent 大规模生成可编辑、可验证 3D 内容的研究生态。它包含 200 万规模的可执行 3D 代码数据集 3DCodeVerse-2M，以及基于多智能体有向无环图的 3DCodeVerse Harness，通过执行检查、空间测量和视觉反馈自动评估并修订生成程序。在均由 Claude Opus 5.5 驱动的成对人类评测中，该 harness 对 Claude Design (3D Object) 取得 90% 胜率，微调开源模型也显著提升 3D 编码能力。
GeoState 是一种用于预测式 3D 世界建模的视角解耦几何表示，将场景状态演化与相机相关的观测分离。其场景 tokenizer 将多视图 GFM 特征聚合为视角解耦的场景状态，自回归世界模型预测未来状态，相机运动单独建模，整个 rollout 保持单一尺度、无需逐帧对齐。该方法在 Waymo 上优于已有 3D 世界模型，并可零样本泛化到 KITTI 和 nuScenes。
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。
arXiv 论文提出 FDE-Gym 基准，包含来自 20 个真实客户场景、18 个行业的 95 个端到端交付任务，考察智能体澄清模糊需求、发现未言明约束并在生产级系统上交付方案的能力。评分以客户自身成功指标的改进归一化（0 到 1），并对与利益相关者的交互（消息、试运行、等待时间）施加惩罚；同时评测了 7 家提供商的 13 个模型配置，最佳配置平均分 0.56，仅完成 14/95 个任务（得分至少 0.8 且无事故）。主要瓶颈是发现未言明约束，但即便在 23 个拿到全部关键事实的任务上，最佳配置也只有 10 个达到 0.8 以上的业务提升，显示解决明确任务与真实客户交付之间存在显著差距。配套有在线练习平台、代码和数据。
推荐理由：基准把交付结果量化为对客户业务指标的改进，还给出 13 个模型配置的实测对比和瓶颈定位，便于评估真实交付能力差距。
arXiv 论文提出 MirrorMoE，解决现代 MoE 架构中细粒度专家分割与共享专家之间的探索困境：共享专家降低了 token 表示的多样性，削弱路由探索，使细粒度分割的组合式路由空间难以充分发挥表达力。MirrorMoE 通过对 token 自适应地抑制不必要专家来收缩探索空间，在不同模型规模上均带来一致的性能提升。
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。
Chenyuan Zhou 等人发布 arXiv 论文 T2-z，通过可学习的环境隐变量在测试时优化机器人世界模型，适应不可观测的摩擦、质量等环境因素。在 7 个仿真设置和 4 个真实机器人任务上，物体预测误差从 15.20 降至 7.00，动作成功率从 33.73% 升至 72.96%，且仅需一条测试时交互轨迹即可推断环境隐变量。
研究者提出一个进化式框架，由 LLM 提出量子线路设计、独立评估器验证并打分，应用于数值计算、化学、优化、量子模拟和数理等任务。八个任务中七个发现的线路相比现有最优水平显著降低了 Toffoli 与 qubit 数量；在第八个任务中找到了素域模逆的新可逆架构，使原本不适用于可逆整数运算的 divsteps 算法变得可行，并显著改善模逆的 Toffoli-qubit 权衡。