arXiv 论文提出被动模仿（PI）机制：局部修复与验证式技能习得助力自适应智能体
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。
#Agent自我改进
新闻、仓库与研究，按时间排列。
arXiv · cs.AIAI 评分4444
arXiv · cs.AIAI 评分4545 HACE：通过异构智能体协同进化联合优化专用基础模型与 LLM 智能体
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。
arXiv · cs.AIAI 评分3838 Marvo：通过边际奖励实现视觉智能体自我进化
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%。
arXiv · cs.AIAI 评分4242 Trace Evolution Bench：衡量智能体能否从自身环境轨迹中获得改进的评测协议
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。
arXiv · cs.AIAI 评分3232 AlphaRLM：用强化学习对齐 LLM 以从金融文献中发现符号化因子
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。
arXiv · cs.AI精选AI 评分5858 MCPDisCo：面向 MCP 原生智能体的跷跷板缓解调优框架
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。
arXiv · cs.AIAI 评分1818 CauCRL：面向离线对比目标条件强化学习的反事实 rollout 方法
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。
arXiv · cs.AIAI 评分4646 arXiv 论文研究语言模型倾向的分布外泛化如何预测
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。
arXiv · cs.AIAI 评分3232 基于上下文建模的模型预测任务采样如何弥合风险近似差距
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。
arXiv · cs.AIAI 评分3838 TQG-Exp：用轨迹质量反馈改进大语言模型智能体的经验学习
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。
arXiv · cs.CL精选AI 评分5858 RSI-Anything：基于世界模型实现递归自我改进的通用框架
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。
arXiv · cs.AIAI 评分4545 MC-EvoBench：审计 Minecraft 智能体中经验驱动的自我改进
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。
arXiv · cs.AIAI 评分4141 JANUS：用协同进化的世界模型增强长时程自主研究
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。
arXiv · cs.CLAI 评分4848 TerminalHorizon：面向长程终端智能的 Agent 数据合成引擎
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。
arXiv · cs.AIAI 评分3838 GeoReform：面向多模态几何解题的反思式形式化演化框架
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。
arXiv · cs.AI精选AI 评分5555 RoboRSI：基于自顶向下技能精化的稳定可复用机器人自进化系统
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。
arXiv · cs.CL精选AI 评分6262 小米 LLM-Core 团队发布 MiMo-V2.6 技术报告，通过扩展强化学习迈向自我改进
小米 LLM-Core 团队在 arXiv 发布 MiMo-V2.6 系列全模态模型技术报告（arXiv:2610.11959），核心是通过扩展 RL 计算推动模型自我改进。RL 前先在多模态语料上做 mid-training，RL 计算沿三轴扩展：异步训练每步消耗 1,568 个样本、2.7-3.7B tokens，上下文最长 1M；环境覆盖代码、通用、视觉与 cyber 域；采用 groupwise agentic grading 提升长程任务奖励信号精度并引导更短的 token 高效解法。为稳定训练冻结了 MoE router 并建立多层防 reward hacking 机制，同时开源训练动态、RL 环境与 RL 框架。
推荐理由：报告系统拆解了沿数据、环境、评分三轴扩展 RL 计算的工程细节，并开源训练动态与环境框架，可作复现参考。
arXiv · cs.CL精选AI 评分5353 Agentic-TTT 论文提出用测试时策略模型决定何时进行测试时训练
arXiv 论文 2610.12002 提出 Agentic-TTT，将测试时训练（TTT）过程封装为可调用工具，训练一个测试时策略来决定何时使用 TTT、调用哪种算法以及是否复用已有技能。在该基准上，Agentic-TTT 相比骨干模型几乎将效用翻倍，学会在效用与计算开销间权衡，并能泛化到训练时未见过的领域。
推荐理由：论文把测试时训练过程变成可调用工具并学习决策策略，在基准上给出了效用提升与泛化的量化结果。
arXiv · cs.CL精选AI 评分6363 arXiv 论文提出语言模型作为 AI 研究世界模型（RWM）预测实验结果
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。
arXiv · cs.CLAI 评分5151 arXiv 论文 SGUID 提出筛选紧凑技能库用于模型蒸馏与共同进化
论文提出 SGUID 方法，用于在技能蒸馏前筛选紧凑技能子集，发现在策略蒸馏中少于 25% 的检索技能能提供有效蒸馏信号。在 Olmo 与 Qwen 四个模型上，仅蒸馏 6 个精选技能即可匹敌或超过最大 11 倍规模的全库蒸馏；第二轮循环为 Qwen3-8B 新选 3 个技能，将其成绩从 64.3% 提升到 66.3%，而未过滤更新使 Qwen3-4B 的 HMMT25 下降 0.3 个百分点，SGUID 则在两轮后分别提升 0.5 和 1.1 个百分点。论文链接：https://arxiv.org/abs/2610.12367v1
arXiv · cs.AIAI 评分4343 ReTeach：通过多轮反思与重试构建自教师模型
ReTeach 是一种反思式自蒸馏框架，仅用模型自生成的尝试和结果级验证，通过多轮反思与重试构建自教师，无需参考答案、外部诊断反馈或跨样本记忆。其结果感知的选择与加权策略区分初始正确、反思纠正和未解决样本，并通过 on-policy 蒸馏将迭代纠错收益转移给学生模型。在数学推理、科学问答和工具使用的六个 benchmark 上，ReTeach 平均准确率比 GRPO 提升 1.39 个百分点。
arXiv · cs.AI精选AI 评分5454 AgentEvolver 论文提出任务执行中的系统级自进化方法
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。
arXiv · cs.AIAI 评分3737 拉马克进化框架：通过进化竞争发现自动驾驶训练策略
研究者提出一种拉马克式进化框架，用候选训练场景分布之间的竞争取代基于真实度、难度或风险等替代指标的自动驾驶训练策略发现，并将其表述为多阶段双层优化问题。外层通过达尔文式交叉、变异和选择探索场景分布空间，内层策略学习并经拉马克式遗传传递能力，使场景分布与策略能力共同进化。实验显示，完整框架相比基线最多降低 25.07% 的性能损失，蒸馏出的轻量化拉马克训练策略仍实现 19.13% 的降低，代码已在 GitHub 开源。
arXiv · cs.CLAI 评分5050 EFRE方法用演化功能库实现LLM持续学习，arXiv 2610.11373
论文提出 Evolving Functional REpertoires（EFRE），用随新任务演化的函数库替代单一提示词，实现无需参数更新的LLM持续学习：兼容更新细化现有函数，冲突更新触发新函数。在三任务持续学习流上，EFRE最终平均性能比GRPO高7.50个百分点；适应Bio任务后FinQA性能仅下降1.56个百分点，而基线提示词优化方法下降25.10个百分点。在最小Agent系统中的实例化显示跨骨干模型的一致提升。
arXiv · cs.CL精选AI 评分5555 arXiv 论文提出与自我改进 agent 协同进化的可审查 grader 方法
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。
arXiv · cs.CL精选AI 评分6161 arXiv 论文提出诊断式规则判断 LLM Agent 何时应从 harness 进化转向权重训练
arXiv 论文（arXiv:2610.11655）提出按失败构成诊断 LLM Agent 的改进路径：进程类失败交给 harness 进化，内容类失败交给权重训练。在 DeepPlanning 上，自进化 harness 将 Qwen3.5-4B 的 held-out 分数从 0.16 提到 0.30、Qwen3.5-9B 从 0.32 提到 0.44；在进化 harness 轨迹上训练的 LoRA 适配器在原 harness 下为两种规模各加 +0.13，9B 上适配器单独即可匹敌完整进化线，内容失败从四分之一轨迹降到二十分之一；该方法还迁移到 WebArena-Lite（117 个未见任务上 +0.09）。
推荐理由：论文给出按失败构成在 harness 进化与权重训练之间做选择的诊断规则，并用 Qwen3.5 与 WebArena-Lite 数据支持其可迁移性。
arXiv · cs.AIAI 评分4747 EmbodiedRSI：基于假设引导共同进化的机器人主动持续学习框架
研究者推出自进化智能体框架 EmbodiedRSI，让机器人自主决定探索方向，并将物理交互转化为代码与技能改进。其采用 Fast-Slow 双系统架构，用 Hypothesis Graph 维护竞争性代码与技能假设。在 RoboCasa365 上总体成功率达 77.0%（最佳基线为 40.1%），LIBERO-Pro 上达 86.8%，并可零样本迁移到真实机器人，多任务成功率为 71.3%。
arXiv · cs.AI精选AI 评分5656 SkillForge 论文提出技能与智能体协同进化的动态技能生命周期方法
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。
arXiv · cs.AIAI 评分5050 AnchorLoop：以历史参照锚定训练工具集成智能体的自我进化
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。
arXiv · cs.CLAI 评分5050 SkillSandbox：通过动态场景合成验证自进化智能体技能的可复用性
SkillSandbox 是一个面向自进化智能体（agent）的技能验证框架，可为每个技能动态合成新颖且相关的任务场景：由 Proposer 指定保留条件与可变细节，Builder 构建可执行场景，Verifier 对比有无该技能的执行效果并给出 Keep 或 Reject 判定。在 ALFWorld 和 WebShop 上使用三个模型测试，SkillSandbox 均取得最强的下游性能和更高的执行效率。该框架从可执行性、实用性和效率评估技能可复用性，决定其是否进入技能库。
arXiv · cs.CLAI 评分4646 BehaviorTrace：在线 RL 训练数据归因的极限
论文发布 BehaviorTrace，一个开源评测框架，用于检验在线 RL（GRPO）微调中能否定位教会模型新行为的训练 rollout。在 Qwen2.5-1.5B 上跨三个 seed 的实验显示，仅按梯度大小排序的对照方法可达 4.2 至 4.5 倍随机水平，多数表观归因信号来自混淆因素；控制流畅度后，逐 rollout 结果随 seed 和生成采样波动。唯一在全部三个 seed 上成立的信号是触发 token 的梯度与行为实际发生处构建的目标对齐。
arXiv · cs.AIAI 评分4545 Recursive Game Creator：面向游戏体验的智能体递归开发框架
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 · cs.AIAI 评分4747 ScienceClaw：评测 AI for Science 智能体在自然科学与社会科学中的持续自我进化
arXiv 论文提出 ScienceClaw 框架，将 AI for Science 智能体的持续自我进化形式化为固定参数的程序自我进化，统一任务求解、科学验证与程序更新。其配套评测 ScienceClaw-Eval 覆盖 23 个学科，通过序列任务流与独立重置评测衡量科学正确性、进化收益、保持率、跨数据集迁移和进化成本。框架仅当源任务重放复现修复且独立科学任务获得提升时才保留更新，代码已开源。
arXiv · cs.AIAI 评分4949 VeriFine：为具身推理自我改进扩展验证能力
研究者推出 VeriFine，一个通过策略、训练课程与裁判共同演化来扩展验证的 Agent 框架。该框架包含 Policy Improvement Loop 与 Judge Improvement Loop：前者用 rubric 裁判诊断反复出现的失败并构建自适应课程，后者在验证成为瓶颈时选择性引入人类指导，通过 coactive calibration 修正裁判。在驾驶和机器人导航任务上，该方法在强化学习与监督微调中均实现了策略和裁判能力的持续自我改进。
arXiv · cs.AI精选AI 评分6262 SIGMA 提出基于 Model Spec 的对齐自我改进训练流程
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。
arXiv · cs.AIAI 评分4949 HMED：从修订后果中学习的自改进智能体元经验蒸馏方法
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。
arXiv · cs.CL精选AI 评分6262 DAEDALUS 论文提出从自生成任务自举智能体记忆的方法
arXiv 论文（arXiv:2610.08048）提出 DAEDALUS，用 explorer 与 solver 两个智能体从自生成练习中自举可复用的智能体记忆，无需既有任务或 oracle 验证器。每次 solver 失败派生出启发式规则，并在反复成功后存入记忆库；在 AppWorld、τ²-bench 和 AutomationBench 上，平均成功率较无记忆基线最高提升 15.9 个百分点，pass^5 最高提升 2.2x，推理成本低于多数使用训练任务的方法。代码与生成及推理轨迹已开源，生成的任务还可作为排序模型性能的基准替代。
推荐理由：论文提出不依赖人工任务和 oracle 验证器的智能体记忆自举方法，并在三个环境给出成功率与成本数据，方法可迁移。
arXiv · cs.AI精选AI 评分6464 SEIS 论文提出智能体自我进化方法优化推理系统
论文提出 SEIS（Self-Evolving Inference Systems），用智能体自我进化在无人干预下端到端优化 mini-sglang 推理引擎。在 H100 上服务 Qwen3-0.6B 时吞吐达到原版 mini-sglang 的 3.27X，并在单请求负载下超过 vLLM、TensorRT-LLM 和 SGLang；正确性通过数值差异及数学、长上下文检索任务的下游准确率验证，会话经验继承的迭代优化优于独立尝试。论文地址 https://arxiv.org/abs/2610.04646v1
推荐理由：论文用智能体自我进化端到端优化整个推理引擎，并在实测中与 vLLM 等主流引擎做了吞吐对比，方法可迁移到系统优化场景。
arXiv · cs.AIAI 评分4848 可微分科学软件生态的递归式改进
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。
arXiv · cs.AIAI 评分4242 TRIZ^a：以 TRIZ 发明理论引导智能体进化，从模式识别走向方案发明
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。