新闻、仓库与研究，按时间排列。
SAPD（Step-Advantage Policy Distillation）是一种从离线轨迹学习训练 LLM 智能体的方法，它将多轮轨迹拆解为单个决策上下文做 on-policy 蒸馏，并引入相对步骤优势信号稳定训练，全程无需新的环境观测或多轮交互。在 ALFWorld、WebShop 和 Search-based QA 上的实验显示，SAPD 在不同教师配置下均提升性能，比 SFT 缓解灾难性遗忘，每个训练步速度比在线 OPD 快至少 4.7×。代码即将开源。
研究者推出 MMEnterprise-Bench，包含 1,613 道基于模拟协作项目中演化多模态记录的问题，覆盖证据推理、冲突消解和不可回答三类任务。对 10 个闭源与开源多模态 LLM 的评测显示，最强模型在证据存在跨来源或时间冲突、或跨越多张图像时仍表现吃力。增大检索预算或换用更大检索器能提升证据召回，但不一定转化为更高的回答准确率。
Ai2 发布 FairStress 基准，用 300 个真实两难决策场景、扩展后超 1300 万测试用例，测量大语言模型在不同人口身份下的决策稳定性和解释差异。实验发现存在反刻板印象的过纠，模型在对抗性前缀下更容易放弃有利于多数群体的正确决策，匹配前缀下向少数群体切换的概率高出 8.8 到 42.4 个百分点；对 BBQ 的对比显示评测提问和打分方式会改变测得的偏见方向。
推荐理由：不止测最终选择，还用对抗性前缀测决策稳定性，揭示了用固定选项打分的旧基准可能漏掉的反向过纠现象。
IBM Research 发布 ALTK-Evolve，通过 GPT-4.1 从智能体自身轨迹中蒸馏行为规则并追加到系统提示词，在不更新权重的情况下让 stock ReAct 智能体在 τ²-bench retail 达到 Pass^4 67.5%，登顶 2026 年 10 月 12 日榜单快照。换用 gpt-5.5 后 airline 以 82.0% 位居第一；对比显示 retail 需 292 条 lossless 全集才见效，airline 的 14 条 sup3 核心反而更可靠，代价主要是输入 token 成本上升，对话轮数略降。
推荐理由：不更新权重，仅靠从轨迹中蒸馏的提示词级规则就把 stock ReAct 智能体推上 τ²-bench 榜首，方法可直接复用。
论文提出 BetaMem，一个通过工作、空间、实体、情节、经验、程序六层记忆构建可追溯长期记忆的具身智能体框架，用监督微调与强化学习结合教师验证来训练记忆操作。以 Qwen3.5-9B 生成记忆，在 M3-Bench-robot 得 48.08%、LoCoMo 得 92.08%、OpenEQA EM-EQA 得 72.6%、EgoLifeQA 得 62.4%；训练使写入契约通过率从 50.9% 升至 86.2%，每条存储动作的输出 token 减少 47.3%。
研究者提出 RELIEF 方法，用编码 Agent 修订代码生成模型产出的交互界面，并将改进融入原始生成轨迹作为微调监督数据。评测基于 200 个合成网站、355 段交互记录和 24 名用户的反馈，对两款代码生成模型变体做了微调。结果显示反馈效果随基座模型能力而异，其中从人类交互记录推断的 critique 带来最大的可用性提升。
AllPath 是一个接入真实模拟券商账户的个人 LLM 交易智能体，采用三层验证架构：确定性代码规则引擎执行风险限制和完整性检查、智能体在有迭代上限且无行动工具的前提下夜间自我复盘、人类通过审批界面验证判断。系统先运行两周半的全部自我修订人工把关，再运行五周让反思修订在代码门控下自动生效；期间人类否决了 2 个通过全部代码检查的提案，并删除了智能体自行添加的 19 条规则中的 11 条。
StepBench 基准从 wikiHow 抓取 6,885 条经核验的程序性步骤，覆盖 81 个开放域类别，并派生出 5 项诊断任务。对 12 个模型的 14 种配置测试显示，步骤排序最难：最强模型正确排序率仅 63.0%，步骤数达 9 步及以上时降至 33.1%。研究还发现错误步骤检测可预测生成计划的有效性，可作为更低成本的评估替代方案。
SOMA（System One Metacognitive Awareness）提出用 Jev 这类 S1 决策模型持续监控 S2 推理模型并在需要时干预，含场景、感知、控制三层，无需训练即可跨任务共享同一 S1 模型。在两个推理模型上，SOMA 将过度思考场景的推理 token 削减最多 36% 且平均准确率提升，并把不可回答问题的弃答率从 70.5% 提高到 87.2%。
研究者将 Next Best Action 系统建模为约束马尔可夫决策过程（CMDP），并在其线性规划形式中融合对客户动态估计的离策略因果校正，使策略在最大化长期价值的同时显式执行业务约束，影子价格还可量化公平性等约束的经济权衡。在网约车优惠券定向案例中，以 RFM 阶段定义客户状态，基于离策略评估，优化后的策略比估计行为策略提升客户生命周期价值（LTV）19%，比短视基线提升 8%。该框架与具体动作无关，可扩展至多种干预措施。
ProteinGeoBench 是一套包含 131 项蛋白质结构任务的评测套件，基于 4 个前沿模型的 4,249 次 rollouts 和 26 个模型的 4,486 次额外试验。结果显示前沿智能体擅长结构元数据查询但几何计算较弱：131 项任务中数值任务占 28 项，却在四个模型全部失败的 12 项任务中占一半；三个前沿模型得分在 0.785 至 0.816 之间难以区分，第四个为 0.707。研究还发现评测排名受评测预算影响显著，单次运行时 23.9% 的 bootstrap 复现会得出不同的第一名，建议评测应按任务族报告结果并注明运行次数、harness 和访问条件。
一项基于 USGS 地球化学模拟器 PHREEQC 的研究测量了 LLM 智能体用检索代替上下文读取工具输出时的精度损失。GPT-5.1 和 GPT-5.2 分别下降 11.3 和 7.9 个百分点，Claude Opus 4.6 与 Claude Sonnet 4.6 无明显损失；GPT 模型在检索模式下常跳过报告、改用自身高精度输出文件并错误取整，即“证据替代”失败。指明权威输出可提升 6.3-7.9 个百分点。
研究者提出 Agentic Imagination（Agima）训练框架，让单一 omni 模型先提出动作、生成结果图像，再基于想象未来推理并决定真实执行。用 SFT 统一策略与世界建模后，再用智能体强化学习训练其规划能力；在 Maze2D、Sokoban、Pacman、PushT 四个环境中可泛化到未见过的更难设置，仅用 SFT 在两箱 Sokoban 训练即解出 40% 的四箱谜题（纯动作规划器仅 2%），RL 后还学会按需前瞻并在关键决策点更频繁分支。论文地址 https://arxiv.org/abs/2610.26845v1。
arXiv 论文提出 LLM 路由基准 RouterWorld，统一 371k 单轮响应与 76k 多轮智能体轨迹，采用 LLM-as-a-judge 协议和基于硬件的延迟标注，并设计 Cold-Start 与 Voyager 两种部分可观测路由设定。对 13 个路由基线的评估发现，多数路由器在部分可观测条件下过于重视准确率而忽视延迟。代码与基准数据已公开。
论文研究 Agent harness 跨轮次处理上下文（丢弃、摘要、回放模型推理）何时改变 Agent 成败，而非只看成本。预注册合成实验显示，所需事实可重新查回时截断上下文几乎无损失，事实不可再观察时成功率降至随机水平，两种惩罚相差 92.5 个百分点（90% CI [89.5, 95.5]），第二家供应商一个模型的复现结果一致。在 ARC-AGI-3 上，Standard harness 与 Provider Adapter harness 存在 63 分差距，改摘要而非丢弃旧轮次并保留记笔记提示可恢复 86%，不保留提示恢复 43%，叠加供应商原生推理回放再恢复 57%；这些为单次运行的点估计。
推荐理由：论文用预注册实验拆解 harness 对 Agent 成败的影响，给出可量化的组件归因，对理解上下文管理设计有直接参考。
一项 arXiv 研究提出反事实评估框架，将 LLM 生成的修复动作拆分为目标记录与数值更新两部分逐组合执行。在 114 个交通修复动作中，76 个的联合修正收益超过单独修正收益之和；数据库修复中，仅替换为参考更新使 108 个动作中的 17 个恶化，这些动作均选择了未受影响的记录。在留存观测上，候选方案重组后的目标-更新配对选择可恢复参考动作损失降幅的 61.6%，高于仅在方案间选择的 58.0%。
arXiv 论文提出 Cost-Coupled Gittins（CC-Gittins），一种多目标扩展的 Pareto 推荐方法，利用评估与部署成本耦合为 LLM 智能体工作流中的角色寻找质量与成本兼顾的模型分配。在 2 到 5 个角色、最多 1,681 个候选分配的八个质量-成本矩阵上，CC-Gittins 以约 10% 的穷举评估成本恢复相当比例的真实 Pareto 前沿，到 30% 成本时基本恢复前沿且误报很少，还可将延迟作为第三个目标。初版已被 NeurIPS 2026 资源感知智能体 AI（RAAAI）研讨会接收。
研究者推出 EpiLens，一个轻量级开源 RAG 包，用固定检索模板和输出模式处理文献语料并将输出链接到原文段落。该工具基于 2,297 篇论文构建语料，在 214 篇人工标注论文上评测，无需任务特定训练数据即在四项任务上匹配或超过监督式和零样本基线。结果显示，与再生数相关的论文中被标为模型研究的比例为 54%，高于 fatality risk 的 22%；模型类论文占比还因病原体而异，SARS-CoV-2 为 55%，mpox 仅 6%。
TokenGate 是一个即插即用的小组件，通过受 MoE 启发的 token-gated attention 实现端到端可学习的 token 剪枝，用于快速、省内存的 prefill。在多类任务上 TTFT 提速 1.4 到 11.3 倍、峰值内存降低 1.5 到 3.4 倍且无精度损失，较此前最优 token 剪枝方法 prefill 最快 6.4 倍、内存低 2 倍，可扩展至 Qwen3 等标准 transformer 和 Qwen3.5 等混合注意力模型，代码已开源。
推荐理由：论文给出可学习的 token 剪枝方法及其提速与峰值内存的量化对比，适合关注长上下文 prefill 效率的读者参考。
研究者提出一个博弈论框架，让 LLM 通过上下文经验（无需微调）学习反制电话诈骗的策略。框架将骗子与"baiter"的交互建模为双人博弈，以 Nash equilibrium 作为评估基准。在 300 段模拟对话和三种 LLM 架构上，自适应策略选择比非自适应基线更接近 Nash equilibrium 28.9-79.7%，相关代码及带策略标注的数据集已开源。
论文提出 WildAWM，一条用开源模型合成计算机使用智能体（CUA）可执行环境与任务的流水线，环境同时支持 GUI、MCP 服务和命令行三种交互接口。流水线产出 341 个长程环境任务对，部分需超过 100 步求解，GPT-6-Astra 仅解出 60%；仅在这些合成环境中训练的两个不同规模 Qwen 模型，在 8 个覆盖 web、claw 和 computer-use 的域外基准上均取得明显提升，代码已公开。
推荐理由：论文给出用开源模型合成计算机操作环境的完整流水线和质量门方法，训练效果覆盖 8 个域外基准，方法可迁移到环境合成类工作。
Rui Shi 等发布 arXiv 论文 WeAct，在冻结骨干上训练能力专属 LoRA 适配器，并把适配器选择加入 Agent 动作空间，用原生 tool-calling 接口按需组合能力。在 8 个 deep-research 基准上，Qwen3-32B 加 WeAct 比全量微调平均准确率高 6.2% 且计算更少，比最强静态 LoRA 合并方法高 27.5%，并支持不改动骨干的模块化持续扩展。
推荐理由：把适配器选择纳入 Agent 动作空间来缓解灾难性遗忘，在 8 个 deep-research 基准上给出了与全量微调的对比数字。
针对 LLM 智能体生成的 CAD 装配体往往徒具外观、无法实现物理功能的问题，研究者提出 FunCAD-Harness，将抽象需求转化为针对候选设计的物理测试，并利用仿真反馈迭代修正设计。团队同时发布覆盖 46 个机构族的 FunCADBench 基准。实验显示，该框架能发现视觉检查难以察觉的机械失效，功能成功率显著超过标准仿真增强基线。
Recursive 发布了面向编码智能体的 MoE 语言模型 Flint，总参数 39.8B、每 token 激活约 2.5B，在 Terminal-Bench 2.1 得 54.9%、SWE-bench Pro v2 得 89.7%、SWE-bench Verified 得 74.2%。模型采用 256 路由专家加共享专家、49 层（2 稠密 + 47 MoE）、262,144 token 上下文，以 Apache 2.0 许可发布，附 BF16 检查点、SGLang 服务套件及面向 NVIDIA 和 Apple Silicon 的量化版本，unsloth 提供 GGUF 格式和运行指南。
推荐理由：官方模型卡给出了架构细节、评测设置和基准分数来源标注，读者可以据此了解这款小激活参数编码智能体模型的实际规格。
XHToken 在 Spark-X2.5-4B 基础上推出端侧部署模型 Spark-X2.6-4B，架构不变，靠改进后训练提升编码、Agent、长上下文、多语言与推理能力，在同级开源模型中达到 SOTA，可匹敌或超越约 9B 参数的模型。模型提供 none、low、high 三档可控思考预算，支持最大 1,048,576 token 上下文，推理效率不低于 Qwen3.5-4B 和 Gemma-E4B，并可在 SGLang、vLLM 上部署。
XHToken 发布 Spark-X2.6-4B，是基于 Spark-X2.5-4B 的端侧通用语言模型，架构不变，通过改进后训练提升编码、Agent、长上下文、多语言和推理能力。该模型在同级开源模型中达到 SOTA，可匹敌约 9B 参数模型，支持 none/low/high 三档可控思考预算，最大上下文长度 1,048,576 tokens。模型权重已在 Hugging Face 开源，支持 Transformers 和 SGLang（含 NVIDIA GPU 与 Ascend NPU）推理部署。
论文提出把有界 Agent 工作流中的决策当作优化问题，先离散化状态、求解马尔可夫决策过程再复用解，称为 Bellman language model（BLM）。在 τ²-bench telecom 上，无模型控制器解决 79% 任务；Qwen3.8-27B 作为 BLM 从 29% 升至 96%，模型调用减少 93%；Claude Opus 5.5 作为 BLM 时每任务调用与成本约降 98%，并多解决 2 个任务；在 InventoryBench 上无模型求解策略胜过所有已发表方法。但内容生成为主的场景（如解决 SymPy 问题）收益很小。
推荐理由：论文把有界工作流中的重复决策先求解再复用，给出多个基准上降低调用成本与提升成功率的具体数据，方法可迁移。
研究者提出可编程搜索框架 Retrieval Program Learning（RPL），让策略通过强化学习把搜索原语组合成带局部状态与控制流的程序。针对稀疏反馈下的探索难题，其 program mutation 方法将次优程序的局部变体转为训练轨迹蒸馏回策略。在开放域问答与语料级推理任务上，RPL 训练的 4B 模型超越所有 8B 基线，多跳任务提升显著，同时降低上下文消耗与检索轮次。
论文提出 utility-verified abstraction（UVA），训练本地代码智能体按角色和类型描述私有实体，向云端强模型求助时不泄露仓库名标识符、文件路径和源码。改写后的问题比未训练时少泄露 3.7 倍私有实体、1.4 倍逐字代码；在仓库级 issue 修复上解决 37.6% 的问题，高于同一模型单独工作的 25.3%。
一项实证研究对来自 15 个开源 Java 仓库的 150 个生产文件进行 1,500 次 LLM 重构生成，比较单提示词与 LangGraph 多智能体两种依赖感知生成方式。结果中 1,365 个候选（93.8%）被判定为高契约/依赖风险，仅 8 个满足低风险标准；705 组配对分析未发现两种生成方式在主要风险指标上有统计显著差异。研究建议将 LLM 重构视为需分阶段仓库级验证的候选方案。
研究者提出 ReTRACE，一个将 LLM 置于化学工具环境中的逆合成规划智能体，可整合分子工具、单步预测引擎、可购买原料库与多准则路线评估器，并在搜索中根据评估反馈持续改进路线。使用 Claude Opus 4.8 时，ReTRACE 提出的 top 10 路线中至少一条通过审计的比例在三个 benchmark 上分别达 87.4%、95.0% 和 86.7%。两个前瞻性湿实验合成表明其路线经专家修改后可转化为可执行流程。
SinapisAI 团队提出实现集体模型智能的系统方案，包含 Model Eval、Mio（Models in One）和 Mos（Model Serving OS）三个组件，分别解决能力刻画、模型选择协作与高效执行。在九个公开 benchmark 上，Mio 1.0 Lite 取得最高平均分和最低平均成本，单请求成本比最佳替代方案低 73.7-97.5%；预热共享缓存将模型文件检索加速最高 23.3 倍。
研究者推出 ServiceBench，据称是首个专注投诉处理的基准，包含 2,500 个场景、覆盖 184 类投诉和五个服务行业，并提出 APCS 模拟方法与基于公正性的评测框架。实验显示，即便强大的 LLM 智能体也难以主动收集信息、策略性引导对话，常过早补偿。用 SFT 和 DPO 做针对性后训练可显著改善，使小模型在多项结果上追平或超越大模型。
arXiv 论文 2610.24723 提出 MetaSkill，一种混合表示，在保留完整 Skill 包与本地自然语言指令的同时，通过有向无环图（DAG）运行时让调用依赖和前驱文本绑定变为可执行。在 20 项多 Skill 工件任务和 DeepSeek-V4-Flash、GLM-5.2 两个 LLM 上，与自然语言流程、Prompt Graph 及 AgentSkillOS 对比，盲评偏好点估计均占优，且 95% 任务 bootstrap 区间排除了与 Prompt Graph（DeepSeek-V4-Flash）和 OpenClaw（GLM-5.2）的持平；GLM-5.2 审计轨迹中所有计划节点完成、声明的先后约束全部满足。
推荐理由：论文把 Skill 间协调关系形式化为可执行 DAG，同时保留 Skill 内自然语言灵活性，给出 20 项任务与两个 LLM 的对照实验结果。
arXiv 论文提出受皮层抑制回路启发的 inhibitory message passing，一种免训练通信路由器，按证据句逐条消除冗余、每条证据至多向需要它的接收者转发一次。对比标准消息传递，对等组的准确率在三个基准上提升 39-77 个百分点，每次运行的 token 消耗下降 10-46%；结论在 7 个 4B-32B 开源模型与 2 个商业模型、最多 64 个智能体，以及点对点、编排者-工作者和多层层级等架构上均成立。
推荐理由：论文提出免训练的抑制式消息路由机制，并给出多组基准与 token 开销数据，方法可直接迁移到多智能体系统设计。
研究者提出 DiffuPlan，一种维护单一可编辑规划状态的扩散搜索智能体，当后续证据确定实体或改变搜索路线时仅重建受影响步骤，并引入 Expansion-Partition Marginalization（EPM）支持变长修订，还将扩散轨迹 RL 适配到多轮搜索。在四个多跳 QA 基准上，DiffuPlan 取得 50.24 平均 F1，超过强 AR 搜索智能体；同等数据与训练下，可编辑规划状态为扩散智能体带来 2.44 F1 提升，而其 AR 源模型仅提升 0.47。
一项研究让单个大语言模型扮演多个角色进行“制宪会议”辩论，为“AI 智能体社区”起草假设性宪法。各会议收敛出一组稳定的基础法律条款，并围绕其产生多种提案，包括人类法律中没有对应物的 AI 专属条款。研究发现存在创造力天花板：AI 能把熟悉的法律概念重组扩展到新情境，但无法深入思考这些情境带来的改变，仍依赖人类法律推理。
arXiv 论文（arXiv:2610.24649）在 Terminal-Bench 2.1 上预先设定的研究中测试决策模型 Jev 1.13 作为控制器能否让 Claude Sonnet 5.5 终端 Agent 更省。21 个 held-out 任务、315 次试验中，Jev 使单次尝试成本上升 19%（几何均值比 1.19，95% CI 1.02-1.36），通过率不变（73.0% vs 73.0%）；比小模型 Claude Haiku 5.5 控制器便宜（比值 0.81），但比安慰剂贵 22%。离线评估中 Jev 排序优于规则（AUROC 0.78 vs 0.62）但校准差：判为未完成的运行中 87% 实际通过，导致要求验证本已正确的工作；所有控制器都从未选择放弃运行。
推荐理由：论文用预先设定的对照实验测了决策模型控制器对 Agent 成本和成功率的影响，数据具体，结论对脚手架设计有参考价值。
论文介绍 Muse Glimmer，一个面向消费级硬件上自主智能体任务的开源 30B 因果语言模型，集多步推理、工具调用与失败恢复于一体，支持文本与图像输入，训练数据覆盖一百多种语言，量化至约 4-bit 可单 GPU 本地推理。作者称其在工具调用、多步规划和智能体任务完成上优于同尺寸的 Gemma4-31B 与 Qwen3.6-27B，模型以 Apache 2.0 许可发布。
推荐理由：论文给出30B级端侧Agent模型在同尺寸模型上的基准对比，对关注本地部署智能体的人有参考价值。
DeepSeek 发布 DeepSeek-V4.1-Flash-1017，是 DeepSeek-V4.1-Flash 的小版本更新，在推理、编码、Agent 任务和视觉基准上大幅提升，同时缩短任务执行时间和输出长度，推进多 Agent harness 下的性能成本帕累托前沿。Terminal-Bench 4.0 达 42.3（上一版 31.2），Automation-Bench 达 60.5。该版本不含 Jinja 聊天模板，改为提供 encoding.py 参考实现和 deepseek-recipe Rust 库工具包，支持 1M tokens 上下文窗口、max_tokens ≥ 256K，推荐 temperature 1.0、top_p 1.0，采用 MIT 许可证。
推荐理由：技术报告给出与 Kim3、GPT-5.6、Opus 5 等的对比数据，并附推荐采样参数与推理工具链，方便本地复现。