新闻、仓库与研究，按时间排列。
研究提出 Grounding Awareness，即个人智能体在执行动作时区分用户已接受、未确认、已修改和限定范围的约定的能力，并构建受控 benchmark 测试。实验发现，记忆性能强不等于具备该能力，更完整的用户信息反而会增加执行未确认提案的情况，持久记忆会让智能体把提案当作用户指令。团队还推出免训练的 Grounding Layer 扩展，显式追踪 grounding 状态并检查关键动作，在不改动模型和记忆系统的情况下显著改善行为。
该 arXiv 论文提出一种免训练方法，通过一阶泰勒近似的梯度估计器将过程奖励归因到单个 token，仅需一次前向与反向传播。得到的 P2T token 级奖励可使标准 RL 算法实现精确 credit assignment，无需额外训练奖励模型，在 Qwen2.5-VL-7B-Instruct 的 MathVista 上比 outcome reward 高 4.9%，在 Qwen2.5-Math-7B 的 AIME24 上高 11.5%。
arXiv 论文提出 ARBITER，一个 35B MoE 智能体验证器，仅凭题面和源码判定候选程序正确性并生成反例作为可检验证据，基于 USACO 2026 构建了 USACO-JUDGE 评测集并用强化学习训练。训练将错误程序上的反例成功率从 40.61% 提升到 62.67%，USACO-JUDGE 二元判定准确率从 71.41% 提升到 87.41%，在代码选择与改进任务上均优于基线；IOI 2026 案例中 ARBITER 引导的改进使 GPT-OSS-120B 在官方提交限制下的期望分数超过金牌线。论文链接 https://arxiv.org/abs/2610.18760v1。
推荐理由：论文给出了反例生成与判定准确率在训练前后的具体数字，可据此评估这类可验证反馈验证器的实际提升幅度。
论文提出 Jeva，一种决策原生架构，针对 System one 模型直接低延迟决策的四个结构要求：null-aware、置换不变、候选集可扩展与可缓存。Jeva 用共享编码器独立表示请求与各选项，以不可变选项记忆精炼请求状态，统一 Choice、Noul 和 Score 输出。评测中实现近乎完美的 null 检测、任意排列下零决策翻转，可扩展至数千候选并通过跨请求复用大幅降低延迟。
论文提出 CarryOn，一个面向对象的上下文运行时，把长程 Agent 的上下文围绕可复用任务对象组织，而非依赖交互历史。跨折（fold）维护 carrier 记录并按证据与环境检查修订受影响记录；在 OSWorld 2.0 与 BrowseComp-Plus 上分别提升 5.8% 和 7.0%，token 总量减少 51.9% 和 22.9%。
推荐理由：论文给出在 OSWorld 2.0 和 BrowseComp-Plus 上的涨分与 token 节省数据，可用于评估按任务对象组织上下文这条路线的收益。
arXiv 论文将 LLM 聚合器的集成增益分解为候选增量对比（DSV）与候选上下文对比（CCV），在 Direct、Single-slot、Duplicate 和 Multi-candidate 四种对照条件下测量。在 MultiHopRAG（k=2）上重复差距 Rep=-8.33 pp，FRAMES 更强面板扩展（n=200, k=3）上配对 Delta Rep=+9.67 pp 且组内符号翻转。结果表明集成评测应先声明参照对照再归因候选增益。
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。
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。
论文提出 DoubtLess，一种免训练的对比解码方法，用小推理模型分别以简洁和冗长两种提示读取大模型的思维链，将两者 logit 之差按强度缩放后加到大模型每步的 logits 上，引导其生成更短的 CoT。在竞赛数学、研究生级科学和竞赛编程等七个基准上，DoubtLess 将 Qwen3-32B 的 CoT 缩短 31% 而准确率不变，优于五个推理时基线；在自调试编码智能体中每轮思考 token 减少 20%，任务性能不变，还能泛化到另外两个模型家族，并与基于训练的压缩方法叠加使用。行为分析显示其减少重复检查，token 节省大多来自正确答案首次出现在 CoT 之后。代码已开源。
推荐理由：方法无需训练即可压缩推理模型的思维链，并给出七个基准上的量化结果，可与其他推理时压缩手段比较迁移。
论文提出 Tev-Gym 数据集与 PPRS 奖励整形方法，用 1170 个带渐进可验证奖励的任务环境训练出 Tev-27B。该方法把任务进度转成逐步密集奖励，Tev-27B 在 ALE-CM 上 Pass@5 匹敌 GPT-6 Astra 与 Claude Opus 5，并在 Terminal-Bench 3.0/4.0 上超过 GLM 5.2 和 Gemini 3.7 Flash。
推荐理由：论文给出可验证的渐进奖励构造方法，用逐级奖励把长程任务变得可训练，还开源了 1170 个任务环境。
一项 arXiv 研究分析 SGD、Adam、Muon 等优化器的隐式偏差对训练数据重建泄漏的影响：SGD 与 Muon 训练的模型在实验中可被重建出训练样本，其中 Muon 能以更低训练成本实现更强重建，Adam 在 ℓ∞ 隐式偏差下仅编码最大坐标的离散模式，对所评测攻击表现出更强抵抗力。实验基于 MNIST 和 CIFAR-10，结论依赖训练机制与架构。
Jing Liu 在 arXiv 论文（2610.18298）提出一个模型无关的五阶段闭环 Agent 协议，用候选×证据矩阵证伪机制约束大语言模型的假设驱动决策，结论是输出纪律而非模型能力构成瓶颈。在中医辨证基准 TCMEval-SDT 的 200 例上，两年模型缩放仅使 zero-shot 分数变动 -0.03 到 +0.08；该协议对输出纪律差的模型有提升（DeepSeek-V4-Flash +0.267/+0.271，全部来自终止性修复），将 Kimi K3 的运行间标准差从 0.218 降到 0.007，但对已有纪律的 Qwen3-4B/32B 有 -0.087 到 -0.120 的代价。
一项 arXiv 研究提出并测试用反应图谱（Provenance Action Graphs）辅助材料合成，将反应步骤与产物编码为可学习的知识库，支持正向预测与逆向学习两种模式，目标是加速材料发现并供多个 data agent 共享与贡献。研究聚焦固态合成场景，因这类反应受动力学支配，需对反应历史进行更精细的监控与控制。
AssetForge 是一套资产增强的任务构建流水线，将可复用构建资产库与任务专用 Rubrics 配对，自动生成连接自然语言请求、应用状态与可验证终态的可执行任务。在 AutomationBench v1.0.6 public-600 上，Qwen3.6-35B-A3B 用 6,000 个 AssetForge 样本微调后在官方 strict pass@1 达到 41.17%，是基线 9.33% 的 4.4 倍（+31.83 分）；同样骨干搭配 GLM-5.3 监督下比传统 Rubrics 高 10.84 分（30.33% vs 41.17%）。相关模型在 AppWorld 的 Test-Normal 和 Test-Challenge 上完成率也优于基线。
研究者提出 Orchestra，一个将任务规划与执行管理从动作生成中分离的机器人智能体框架，可把多模态指令分解为有序子任务并跟踪进度。Orchestra 在九项 RMBench 任务上平均成功率达 68.22%，超出 Mem-0 26.22 个百分点；在 RMBench-Compose 上 ASL 达 7.35 个子任务，为 HarnessVLA 的 2.46 倍。代码与项目页已开源。
arXiv 论文将 LLM 选择定义为叠加在基础博弈之上的“策略选择”元博弈，在 5 个博弈和 10 个 LLM 上评估发现模型策略能力随博弈设置和对手显著变化。实验显示基于查询嵌入或 LLM 自我反思的选择方法不稳定，轻量级多臂老虎机算法跨博弈更可靠但仍不及最佳固定模型，非平稳与对抗变体也未超越平稳基线。
Urbex 是一个智能体视觉-语言框架，将城市级 3D 定位从候选排序改为主动空间搜索，让 VLM 智能体查询地标、缩放局部区域、渲染斜视图并提交边界框。该方法在 CityRefer 上用强化学习优化工具使用策略，取得最佳 Hit@1 和 IoU，无需候选框和真值框，且显著快于最强城市级排序基线；在 STPLS3D-Refer 上的零样本结果也显示跨场景鲁棒性提升。
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。
论文提出 Autonomous Science Bench，包含六项基于已发表生物学、化学和材料科学实验的预算制设计-构建-测试-学习任务，智能体需选择实验批次、获取真实实验室测量结果并交付预测模型。评测设发现与学习两个校准门槛，八种智能体-模型配置共 144 次试验中最好成绩为 67% 通过率，最难任务 24 次仅 3 次成功；部分智能体排名准确但发现的设计少，另一些则相反。版本 0.1 的任务、实验室运行时和公开排行榜已发布。
推荐理由：基准用真实实验室测量而非仿真，双门槛设计能区分发现与学习两类失败，八种配置的实测结果已给出。
一项 arXiv 研究发现 LLM Agent 存在技能路由坍塌：在 SkillsBench 任务固定、加入无关技能时，1000 个无关技能使已加载技能召回率从 73.6% 降至 27.4%，零加载率从 9.3% 升至 51.6%，而显式选择仍保持 73.9% 召回率。仅屏蔽无关技能描述即可大幅恢复加载，但元数据完整时要求 Agent 规划技能使用仍不如预选。研究指出描述的语义干扰与指令干扰是主因，并评估了显式预选在覆盖率和延迟上的权衡。
APTree 是一个模型驱动框架，以行为树为执行模型，将自动化任务规划与模块化任务执行结合，可在运行时协调多个异构符号规划器自动生成模块化任务计划，并配套领域特定语言与执行引擎。在 livMatS Biomimetic Shell 亭的实际评估中，该框架能检测设计与运行时注入的规划错误，并通过协调三个符号规划器跨多个规划模块生成大规模任务计划；形式化分析证明组合执行与局部重规划在给定假设下是安全的。
arXiv 论文（2610.18157）提出 Ownership-Aware Routing（OAR），在 LLM Agent 查询分散在多个数据所有者的表格时，先起草仅含 schema 的 SQL、统计其涉及的表所有者数量，再在读取任何私有数据前决定采用 fan-out 还是 relay。在 PeopleJoin 和 BIRD 的十三个设置、三个模型族上，fan-out 在单所有者问题上十二次更准，但对涉及两个所有者表的连接问题最多只答对 4.3%；BIRD 双表连接上，同一所有者持有时 fan-out 答对 32-44%，否则仅 1-4%。relay 依赖已返回的行，隐藏这些行会把双所有者准确率从 23.2% 降到 5.1%。
TRACESTEER 是一种针对扩散大语言模型（dLLM）幻觉的激活转向框架，利用先前去噪预测作为反馈，通过 DF-Steering 构建逐步转向向量、TS-Gate 依据预测不确定性和去噪时间步调节强度。骨干冻结下，在两个 dLLM 上提升了 TruthfulQA 事实可靠性，并在五个下游 benchmark 上展现泛化能力。
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。
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。
SimInter 是一种通过两个 LLM 智能体进行合成访谈来丰富用户画像的对话推荐系统评测模拟管线，用统计画像和历史对话证据作锚定，并由审计智能体逐轮标记潜在虚构与刻板印象。在模拟 300 个 ReDial 电影推荐用户的实验中，SimInter 将表达偏好方面的多样性从基线的 0.859 提升至 1.619（filtered aspect entropy），与 KBRD 和 UniCRS 两个推荐器对话时增益保持在 +0.28 到 +0.56 nats（均 p < 0.001）；人工评估中 94.3% 的富集属性断言获支持或部分支持。
arXiv 论文提出 slate presentation 优化任务：针对患者病例和固定排序的医生列表，生成基于医生档案的病例定制摘要，并用 persona 条件化的 LLM 模拟患者选择进行离线优化。实验比较提示词级 GEPA 与参数级 GRPO 优化，GRPO 在满足全部约束上大幅领先且经未见过的 LLM 评测验证，用 GEPA 优化后的提示词初始化 GRPO 可加速训练并获得最高模拟转化率。
arXiv 论文（arXiv:2610.18424）对 15 个语言模型智能体进行了 1,049 场循环赛谈判，发现知道哪一方持有 $100 资金可解释转移金额方差的 47%，而知道请求方仅解释 2%。文中显示最不亏的持有方是拒绝首次请求的一方，其首轮拒绝率与总亏损排序的相关系数为 -0.73；用几乎无拒绝的说服语料微调 Qwen3-8B 使其作为持有方给出资金从 12% 升到 84%，把两个从不亏损的持有方蒸馏进 4B 学生模型则将亏损从 95% 降到 1%。作者建议对持有资源的智能体评测应测试其持有角色表现，包括说服微调之后。
推荐理由：论文给出多智能体谈判中持有方角色对结果的主导性量化证据，并提示对持有资源的 Agent 评测应纳入持有角色与说服微调后的表现。
Hoang Pham 在 arXiv 发表论文（arXiv:2610.18427），提出 Randomized Block Curation（RBC），用随机实验衡量智能体自写 playbook 中各条经验对任务成功的实际影响。将相关经验分组后，在练习任务上随机决定每块是否纳入提示词，用有无某块的成功率差值估计其效果，只保留有效块。跨 2 个记忆系统、3 个模型和 3 个基准，RBC 平均成功率达 66.9，高于全量 playbook 的 55.5、无 playbook 的 54.1 和靠智能体自行判断筛选的 53.8。论文还指出同一流程写出的 playbook 可能有效也可能比无 playbook 低最多 69.6 分，因此需并行维护多个 playbook 并选用在新鲜练习集上表现最佳者。
推荐理由：论文给出量化实验设计，用随机对照衡量 playbook 条目对任务成功率的真实贡献，数字齐全可复现。
arXiv 论文指出长文 RAG 的 faithfulness 奖励会被复制粘贴"钻空子"，模型倾向照抄检索段落而非自己撰写有依据的内容；KL 或 copy penalty 只会转移问题，GRPO 逐句给出答案级优势还会强化复制句。论文提出 Authored-Sentence Credit（ASC），把奖励和优势下移到句子级，只奖励原创、有信息量且被段落支持的句子。在 4 个模型和 5 个语料上，ASC 将原创句错误率中位数降低 38%，被支持句子增加 46%。
论文提出 SeTPO（Selective Teacher guided Policy Optimization），通过逆向 KL 的 token 级教师反馈与正向 KL 持续监督，解决小语言模型在强化学习工具使用探索不足与师生行为分布失配问题。理论上证明最优策略期望奖励不低于教师并保留部分教师概率质量，在 BFCL v4 与 API Bank 上超越 SFT、强化学习和蒸馏基线。
研究者以临床试验方案数字化为测试场景，发布含 150 份公开协议 PDF、四个任务类别的专家标注基准 TrialPD-Bench，并评估九个模型在五种 coding-agent harness 下的表现。结果显示最强智能体也无法完全解决该任务，通常能定位所需证据但在转写与结构化的最后一公里失败；配套的领域 harness TrialScribe 加入任务技能与验证循环，使本地部署的开源模型在八项指标上提升 6.2-59.4 分，达到或超过 GPT-5.6-Sol 等专有模型。
推荐理由：原文用专家标注基准把编码智能体在长文档任务上的失败定位到转写与结构化环节，并给出可复用的领域harness改进数据。
Yuanfan Lin 等人在 arXiv 发布 GUIDE，一个用于人类与 AI 协作生成和更新临床实践指南（CPG）的多智能体 copilot 系统，将劳动密集型任务交给专用智能体，专家保留判断与最终仲裁。在 12 个 NICE 眼科数据集上，GUIDE 实现文献召回率 88.85%、证据确定性评级一致率 86.06%、推荐一致率 91.67%，平均每个数据集耗时 162.17 分钟（人工干预 28.68%）；在心血管、内分泌、消化和呼吸领域 20 个数据集上表现稳定。消融分析显示移除专家干预会降低偏倚风险评估等判断密集环节的表现。
推荐理由：论文报告了在 NICE 眼科数据集上的文献召回率、推荐一致率与人工干预比例等数字，便于评估多智能体系统在指南更新中的实际表现。
该研究提出 Unreliable Colleagues Benchmark（UnCoBench），通过 Misaligned、Incomplete、Missed 三类故障设置，将 LLM 多智能体协作中的任务求解能力与从不可靠证据收集过程中恢复的能力区分开。配套的可验证自动生成管线结合 LLM 场景生成与答案唯一性、角色必要性的可执行检查。十个模型的测试显示，可靠设置下表现相近的模型对不可靠证据的鲁棒性差异明显，且常缺少纠正性追问。
该研究提出一个人机协作的交通规划框架，将大语言模型、MCP 接口、开源规划引擎 AequilibraE 和可微分用户均衡（UE）分配层结合，通过直接微分 Beckmann 交通分配问题的 KKT 条件实现可微分 UE 层，使非专家用户能执行网络分析并进行优化。框架在行程时间函数标定和预算约束下网络设计两项任务中得到验证。
论文提出 Pollard，一种基于受治理语义执行树的框架无关运行时，用统一的步骤身份记录完成、拒绝、资源结算与分支历史，支持不调用底层操作的严格回放和跨并发 worker 的事务性存储。在签名确定性冻结下，双副本评估未出现不变性违反，严格回放避免了外部调用，语义变异全部被检出且对照组无误报，多框架矩阵验证了参考行为。论文已被 IEEE ICTAI 2026 接收（短文）。
论文提出 Unravel，一个免训练框架，可将单张图像转为每个物体都可独立移动的可交互 3D 场景。其方法由视觉语言模型规划可见物体、图像编辑器逐层移除并还原被遮挡区域，以点云为主要模态恢复空间关系，每次编辑先验证再纳入重建，并按反向移除顺序重建场景，将观测点作为物体尺寸下限，最后物理沉降与智能体审查修正漂浮和穿透问题。在多样室内场景实验中，Unravel 比现有方法恢复更多物体、摆放更忠实、物理合理性更高。
推荐理由：这篇论文展示了用智能体逐层剥离图像来重建可交互 3D 场景的完整做法，各环节可验证可复现。
研究者提出 TIPER，一种保持任务完整性的用户人格演化方法，可自动发现暴露交互式 LLM 智能体鲁棒性弱点的用户策略。在四个交互式智能体基准上，TIPER 使全部 12 个 GPT-5.4 设置及 7 个智能体共 28 个智能体-领域组合的 held-out avg@3 分数下降，降幅 5.8 至 33.7 个百分点，中位数 22.9 个百分点。该方法还构建了行为-失败分类法，为智能体鲁棒性改进提供失败分析依据。
arXiv 论文 ProCARE 将真实世界研究（RWS）自动化重构为受限编译：把异构数据画像转换为 Evidence Contracts，并将研究目标编译为强类型中间表示 RWS-IR，再通过确定性校验与局部修复检查生成的工作流。在 36 项 EHR benchmark 任务上，ProCARE 在代码可执行性、语义一致性和结论可溯性上超越强 LLM-agent 基线，自动违规诊断与盲评专家审查达成中至高度一致，论文已被 NeurIPS'26 接收。
论文提出 SLKR（Semantic Label Knowledge Retrieval），一种以标签为中心的检索增强生成框架，将旗舰 LLM 离线构建的标签定义与边界规则复用于轻量模型的在线推理，完成零样本文本分类。在三个公开 benchmark 和一个多语言图书分类数据集上，SLKR 使用 Qwen3.5-4B 在全部四个数据集取得最佳结果，用 Ministral-3-3B 在其中三个取得最佳，且无需任务专属标注样本。