新闻、仓库与研究，按时间排列。
Per Kristian Lehre 等提出分阶段管线，让智能体提出黑盒优化算法，用 Lean 证明期望运行时界并过滤缺陷设计。智能体给出的算法在 CycleUncover 问题达 O(n²)，而经典 (1+1) EA 需 e^Ω(n)；在 8 个问题类上，15 次运行中 12 次用前沿模型完成机器验证的运行时证明，消融显示去掉分阶段会导致照抄基线或证明不完整。
推荐理由：论文展示了分阶段管线让智能体在 Lean 中机器验证算法运行时证明，为无实证评估的开放式算法发现提供了可检验的替代路径。
研究者提出 Evolve on Graph（EoG）框架，让 LLM 在无 QA 标注下通过 Graph Self-Play 自进化图谱推理：单一 LLM 交替扮演提出问题的 Proposer 与作答的 Solver，并用 SVTS 生成可符号验证的拓扑骨架、用 Boundary-Aware Graph Curriculum 使题目保持在 Solver 能力边界。在基于 Freebase、Wikidata 和一个工业 KG 的六个 benchmark 上，EoG 持续优于 prompt、检索和 Agent 类方法，代码已开源。
论文提出 EvoRouter，一个通过洞察引导在线蒸馏自我演进的多智能体路由框架，由专家从配置轨迹中提炼可复用路由洞察，特权教师结合执行反馈为路由器的规划轨迹提供密集 token 级监督，并用成本感知强化学习联合优化性能与开销。在 19 个域内数据集和 2 个域外基准上，EvoRouter 平均域内精度 68.69%，超过最强路由基线 7.23 个百分点，推理计算成本降低 50.95%，代码已开源。
Jun Gao 等人在 arXiv 论文 arXiv:2610.35616 中提出分层技能演化方法 HSE，从编码轨迹中逐层提炼跨仓库可迁移的程序性技能，整个过程保持底层编码模型冻结。该方法在 SWE-bench Verified 和 DeepSWE 上评测，仅用 SWE-Gym 演化出的 10 个技能，在 GLM-5.2（Pi 和 Claude Code harness）以及 GPT-5.5、Opus 4.8（Pi）的所有评测设置下均提升编码表现，并可通过学到的 evaluator 无需验证反馈进一步从目标基准轨迹演化技能获得额外增益。
推荐理由：论文提出从成功与失败轨迹中分层提炼可迁移技能的方法，并给出跨基准、跨模型、跨 harness 的验证结果。
研究者推出 ClinVerse，一个基于真实数据的交互式多智能体环境，用于训练和评估医疗诊断智能体。其底层 ClinPatient 数据集包含来自真实电子健康病历的 150k 诊断案例，支持医生智能体等六种临床角色的协作交互，并通过规则化打分框架量化信息获取、检查开单与诊断准确性，作为训练奖励信号。实验显示，三类共九种自我进化方法均能持续提升智能体的诊断能力。
Numina Fuse 是一个用于 Lean 4 数学形式化的智能体原生应用，围绕人类对智能体工作的监督设计，用户可通过蓝图、依赖图和 Lean 代码视图协作并让后端运行智能体数小时。它在 2026 年从固定人工节奏的流水线演化为自主调度专家、证明器和并行子任务的 orchestrator。Fuse 已用于三维 Kakeya 猜想的形式化，开源本地版本 Fuse Desktop 已可用。
论文提出 AutoTavern，一个由专业化 LLM 研究智能体组成的自改进系统，在 20 天内构建了炉石酒馆战棋的完整模拟器 TavernGym 和 23 个版本的 TavernAgent。TavernAgent 在天梯上自行完成对局，评分从 6,000 升至约 15,000，最近 20 场平均名次 1.60、80% 第一名，各项统计优于服务器前十玩家（2.34、59%）；配套 TavernBench 含 40 个场景共 960 个任务，TavernAgent 答对 91% 对局任务而前沿 LLM 至多 63%，0.03 秒内决策且实时回合内保持 90%。TavernBench 和 TavernGym 将开源。
推荐理由：论文用实测数据展示了自改进 LLM 智能体建系统的能力强于其直接对局能力，结论对 Agent 研究方向有参考价值。
研究者提出 MTA-Zero，一个无需预计算多跳语料的在线多模态 QA-Solver 共训练框架，用 GRPO 独立优化 QA Generator 与深度搜索 Solver。在六个多模态深度搜索 benchmark 上，该框架将 Qwen3-VL-8B Solver 的平均准确率从 36.91% 提升至 51.58%，与相同 agent 工作流下的 GPT-5 表现相当，并使 Qwen3.6-27B Solver 提升 10.82 分。
Yue Huang 等人发布 RSI Arena 论文，让十个前沿模型作为训练智能体，各自从 NVIDIA Nemotron 3.5 Lightning 30B-A3B Base 出发，在六天内用 1,000 GPU 小时和 $300 API 额度自主完成数据选择、训练与 checkpoint 选择。最强的 GPT-6 Astra 训练模型在 12 项能力基准上平均弥补了基座到 Instruct 差距的中位数 76%，人类偏好评分经长度与格式调整后接近 NVIDIA Instruct；第二阶段十个模型中八个的风格调整相对评分继续提升，但基准提升与偏好提升无明显关联，且一个模型在 StrongREJECT 上有害合规上升。
推荐理由：十个前沿模型自主后训练同一基座并接受人类盲评，还报告了有害合规上升的副作用，结果细节值得细看。
Hugging Face 与宾夕法尼亚大学合作开发 LitPivot，一款帮助研究者在早期选题阶段结合文献调整研究方向的系统。它通过 Asta Paper Finder 检索论文，将提案拆分为问题、贡献和评估计划三个维度并按所选维度组织文献、给出带引文依据的批评和修改建议。在 17 名研究者的实验中，领域专家认为用 LitPivot 形成的想法比基线工具更扎根于文献，该系统将在 UIST 2026 上发表。
arXiv 论文 2610.32770 将 on-policy 自蒸馏重构为自训练框架，仅凭粗粒度高层主题描述，由模型自行合成问题与特权推理轨迹，不依赖任何人工提示或答案。实验覆盖文本与多模态领域，模型在标准语言基准和视觉问答上取得一致的自我提升，且未自训练领域能力得以保留。
研究团队提出 Poseidon，一个从科学代码仓库自动生成多样化、可验证训练环境的流水线，同等仓库预算下比先前方法多提取近 10 倍环境，涵盖 Reproduction、Subflow、Completion、Correction 四类任务。由此构建的 Pearl 包含来自 7,110 个公开仓库、横跨 10 个学科的 97,659 个可执行可验证环境，是迄今最大、覆盖面最广的科学智能体训练环境集合。Qwen3.5 模型（9B、27B、35B-A3B）在 Pearl 上训练后在六项科学智能体基准上均取得一致提升。
腾讯推出 TGR-EvoDAG，一个面向生成式推荐（GR）的多智能体代码演化框架，将代码演化建模为 DAG 以维护多条演化分支并合并互补创新。该框架引入阶段感知成本规划与主动下游协同适配，在 Amazon 公开数据集上离线指标最高提升 37.4%，Agent4Rec 模拟用户满意度提升 19.7%。在腾讯大规模商业媒体平台部署中，演化后的 GR 离线 Hit@1 相对提升 12.16%，线上 CTR 统计显著提升 0.40%。
研究者提出 CAKE，一个面向 Ascend NPU 可部署自定义算子的 CANN 原生系统，结合自适应多 DSL 路由、生成与进化双模式及 CAKE Book 知识复用。在 Ascend 950PR 上 53 个 CANN-Bench v1.1 算子测试中，CAKE 标准集用例通过率 100%（1,060/1,060），隐藏集 98.28%（4,167/4,240），相对基线平均 1.334× 加速；Evolution 模式使 EngramGateFusion 聚合设备时间降低 46.6%。
研究者提出多方向 Perturbation-Rewrite Search（PRS）框架，利用 LLM 自动设计 NP-hard 组合优化问题的启发式算法。PRS 通过扩展、压缩与导向三个方向探索启发式设计空间，并采用带自适应算子控制的广度优先搜索，防止过早收敛。在多类组合优化任务上的实验显示，PRS 能持续发现高质量启发式算法。
Zhipeng Chen 等人在 arXiv 发布 DeepEvolve，一个以未来事件预测为环境的可持续演化智能体系统，通过递归进化引擎把每次预测的推理轨迹转化为能力。在按周更新、以真实世界结果评估的 FutureX 榜单上连续三周排名第一，rating 最高提升 195%；在自建评测中于四个基座 LLM 上进入前三，领先最强基线最多 10.7 Bradley-Terry 分。论文 47 页，标注为进行中的工作。
推荐理由：论文以未来事件预测这一可持续演化的环境为基础研究递归自我改进，FutureX 榜单连续三周第一是可复核的外部结果。
GuideEvolve 是一个结合专家引导与 3Ts 机制（Think Fast and Slow、Throwback、Termination by choice）的自进化智能体框架。在 MGSM 上达到 89.8% 准确率（Gödel Agent 为 90.6%），MMLU 上 89.1%（对手 87.9%），方差降低 25-59%。其进化成功率达 100%（基线 82%），优化迭代次数从 30 次降至约 15 次。
研究者借助 AI 智能体框架 AI-greement 发现了面向地理分布式状态机的新共识协议 A-greement。在 5 或 9 副本的六种部署中，该协议在写密集和读密集负载下分别将地理分布式键值存储的平均延迟较最快基线降低 12.2% 和 33.3%，只读负载下持平。AI-greement 集成协议知识库、模块化实现骨架和基于 Lean 的验证框架，其形式化还发现了既有共识协议中多个此前未报告的漏洞；作者强调人类专家在搜索前后仍不可或缺。
推荐理由：原文给出 AI 智能体在 Lean 验证框架下发现新共识协议的完整方法与延迟数据，还附对既有协议漏洞的发现。
ExpEvolve 提出在 AlphaEvolve 类进化编码智能体中注入“想法级”抽取与控制，从程序中发现解释得分差异的高层因素，并给出其提升样本效率的理论条件。在 11 个开放式数学任务上，ExpEvolve 将最终性能和样本效率最高提升至 5.0x，改进还可迁移到 4 个其他 LLM 及 MLS-Bench 的 6 个机器学习任务。
研究者提出 OptScientist，一个从数据中自动发现符号化优化定律的框架，由符号优化问题推断模型和结合文献先验的 LLM 智能体系统组成。在含 99 个物理优化问题的新基准 OptFeynman 上，它对超过 80% 的问题恢复出真实定律，显著优于机器学习、符号方法和 LLM 基线。在人类风险决策与央行货币政策数据上，其发现的定律在留出预测性能上与主流基线相当，且参数更少、token 消耗显著更低。
一项研究提出用 LLM 驱动的进化程序搜索来改进生成式检索（GR）中的语义标识符设计，据称是该方法首次应用于 GR。框架使用本地部署的开源 31B 模型变异可执行组件，并以 1M 参数代理解码器替代反复训练 1B 目标生成器提供快速反馈，代理与目标 Recall@100 的 Spearman ρ 达 0.90。在 NQ320K 上，联合进化 SID 构建与碰撞处理将 Recall@1 从 55.8% 提升至 59.3%，Recall@100 从 85.8% 提升至 90.6%。
Wenjie Lou 等人发布 Sage-A1.5 技术报告，这是一个基于 A1 的 35B Mixture-of-Experts 智能体模型，通过自适应能力组合推进长程问题求解。报告提出三项改进：通过任务委派与子智能体隔离上下文并行协作的智能体编排，包含进度检查、证据验证与反思式策略修订的智能体验证，以及超越回答预设问题的开放科学探索能力；模型 checkpoints 已开放。
推荐理由：报告说明了子智能体并行协作、验证与开放科学探索三项改进的设计，适合关注长程智能体任务执行方法的读者。
研究者提出 GBClaw，一个用于研究一般晶界结构与变形的智能体 AI 框架，将 LLM 与编排器、专用 agent、领域工具、仿真接口和分层记忆整合为模块化架构。该框架应用于镍中 14 个一般非对称倾转晶界，表征了界面缺陷结构并识别出多种变形模式，发现有/无次级晶界失配位错时边界滑移的剪切强度差异显著。
研究者提出一种 agentic 工作流，让 LLM coding agent 在商用基带 SoC 上实现算法、优化到 agent 自己编写的向量汇编，并在芯片上验证。该流程在 6G4All 平台上的 AI 发现的 OTFS 检测器组合上展示，产出 12 个可在硅片上周期精确运行的内核，优化版本每帧 18k-405k cycles（30-660 μs）；其中依据芯片实测成本生成的新检测器比移植版少 13.9% cycles 且误码率相当。
论文提出 HarnessPro，一种无标注方法，通过 LLM 生成的测试评估候选框架，并用 Pareto 优化同时提升任务性能、降低执行成本。在 Terminal-Bench 2、SWE-Bench Pro 和 ProgramBench 上，用 GPT-5.5 加 Codex 时 heavy 模式相对 RHO 平均 pass-rate 提升 2.0 个百分点、单任务成本降低 26.1%，用 GLM-5.2 加 Claude Code 结果一致，并输出 lite、medium、heavy 三档框架供不同部署预算选用。
推荐理由：论文用无标注测试加 Pareto 选择同时优化 Agent 框架的性能与成本，给出与 RHO 的对照数据，方法可迁移到类似的框架自改进场景。
论文提出 SELM（Self-Evolving Library Management）框架，将 LLM 智能体技能进化建模为库级管理问题，通过维护技能置信度与效用信号，联合管理技能检索、更新与生命周期。SELM 引入效用感知检索、Map-Reduce 定向更新及基于有效性的技能保留/剪枝机制。在四个覆盖多任务与执行环境的 agent benchmark 上，SELM 在多数设置中持续优于对比方法。
arXiv 论文 arXiv:2610.23845 提出 SEER-Repro 基准，收录 20 篇基于美国 SEER 癌症数据库的已发表论文及其复现所需数据资源。作者构建的 AI 智能体成功复现 2,190 条原子论断中的 77.4%，并通过智能体分析管线识别分析选择、提出替代方案后重跑分析，在 9.5% 的完全复现发现中标记出可能有实质影响的分析选择，交由专家复核。
推荐理由：论文给出了基于 SEER 的复现基准和 77.4% 原子论断复现率等具体数据，可用于评估 LLM 智能体做科学复现的现阶段水平。
研究团队提出 DiscoveryRSI 框架，通过多智能体进化搜索构建假设树，用假设信用优化、harness replay 和 rediscovery 三种机制递归学习，并配套发布 DFM-Bench 评测假设质量与累计研究进展。四个生命科学领域中，两轮自改进后假设质量从基线 4.86 升至 5.39，可证伪性和数据可解性提升最大；专家评审中 DiscoveryRSI-27B 在假设重要性与论断合理性上高于 GPT-6 Luna，与模型截止日期后发表研究的对应率为 6.3%，高于 GPT-6 的 2.5% 和 Claude Opus 5 的 2.3%。
推荐理由：论文给出假设树自改进框架和假设质量的量化指标，可看到自动评测与专家评审两层验证结果。
论文 arXiv:2610.23826 提出自建实验室（SBL），给定高层次科学目标即可自主设计、配置并运行实验室设置，补建实验布局、数字孪生、机器人技能和实验流程。系统已在不同机器人和 setups 上演示，从单一工作站扩展到多机器人协作实验室，并通过真实世界量子点合成实验完成端到端验证。
推荐理由：论文提出自建实验室概念，把人类角色从配置自动化设备转为只给科学目标，实验灵活性问题有了新解法。
论文提出技能演化中的认知分化方法 CDSE，把统一技能拆为 Meta、Experience、Tool、Script 四个功能组件，从成败轨迹中提取语义梯度并按功能角色做组件级更新与协调调用。对 500 个高分技能包的分析显示 96.8% 包含至少两种功能角色的知识；在六个基准、三个 Agent 模型、两种执行框架共 36 个设置中全部取得最高分，比 Base Agent 平均高 7.6 个百分点，比各设置最强对照方法平均高 2.6 个百分点。论文 22 页，编号 arXiv:2610.23599。
推荐理由：论文用功能分化思路改造 Agent 技能演化，并在 36 个实验设置中给出对比数据，方法对技能库维护有参考价值。
论文提出 LM2LM，用强化学习训练大语言模型生成语言模型改进提案，并以研究世界模型（RWM，一个冻结 LLM）从真实实验记录预测提案收益作为奖励，定期执行高排名提案以更新上下文保持反馈可靠。在八个自回归与扩散 LM 开发环境中，Qwen3.8-27B 经 LM2LM 训练后在留出任务上超越获得 300 条真实实验记录的 GPT-6-sol，数据生成成本降低 33%，并能泛化到训练未见的模型家族。论文链接 https://arxiv.org/abs/2610.23344v1
推荐理由：论文用研究世界模型替代真实训练反馈来训练改进提案模型，并给出跨八个环境与 GPT-6-sol 的对比数据，方法可参考。
开源智能体 Optimist Deep Research 将文献研究作为对显式可变研究状态的迭代证据获取过程：研究问题被拆解为子问题树，检索覆盖 arXiv、OpenAlex、Crossref、PubMed、Semantic Scholar 和网络，经四层去重和引文滚雪球扩展至饱和。文档并行读入结构化证据库，批评者沿八个维度返回研究行动而非二元判定，最终报告逐节生成且每条引用都可溯源。案例研究约三分半钟读完 237 篇检索文档中的 28 篇。
ornith-ai 发布 Ornith-1.5-122B，一个 122B MoE 模型，将 Ornith-1.0 的自我改进循环扩展到联合优化任务生成、scaffold 构建和解题 rollout，通过强化学习持续生成训练任务并改进策略。模型支持 262,144 tokens 上下文（YaRN 缩放后约 1M），可单张 80GB GPU 部署，并提供量化 Mobile 变体。基准中 SWE-bench Verified（non-hack）84.5、TerminalBench 2.1 为 81.2，评测采用防 reward hacking 措施并以 Claude Opus 作为 judge。
推荐理由：模型卡同时给出多基准成绩与防 reward hacking 的评测细节，读者可对照同参数量级模型比较编码与智能体表现。
研究者提出 AutoSFT，一个用于监督微调（SFT）数据自动化研究的多智能体系统，由 meta agent 分离执行与分析，并调用 synthesis 子智能体补充数据池无法覆盖的操作。相比单智能体，executor 将上下文丢失减半，分析子智能体使 IFEval 提升 +6.5，合成再加 +3.4 IFEval 和 +2.9 IFBench；同一流程迁移到代码任务可带来 +3.7 MBPP+。所有结果均基于每轮从基座模型重新训练，结论表明自动化 SFT 数据研究更依赖覆盖多样化的数据操作。
arXiv 论文提出集合级强化学习目标，让模型一次生成 K 张基于源论文、彼此明显不同的结构化想法卡片，质量按与前文想法的距离加权。训练后的 8B 模型在无污染 benchmark 上的 creative utility 超过 Claude Opus 4.8 和 GPT-6 Astra。四位专家试点评估认为其想法集与 Claude Opus 4.8 相当且独特想法略多，coding agent 验证的 success@k 也与之相当。
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。
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。
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。
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。
arXiv 论文《Scaling Discovery Requires Forgetting》提出，LLM 智能体自动科研的三种扩展策略（单智能体长迭代、并行、并行通信）都会因历史累积而停滞，智能体被自身过往尝试锚定，编辑越来越少且越来越小。论文的方法是周期性丢弃搜索状态（包括各智能体会话与候选历史），从当前最优候选重启搜索。在启发式编程、kernel 优化和模型训练四类任务上，相比并行智能体最高提升 15%，相比单智能体最高提升 39%。论文链接：https://arxiv.org/abs/2610.20563v1
推荐理由：论文指出 LLM 智能体自动科研随历史累积而停滞，提出定期丢弃搜索状态重启，在四类任务上给出量化对比。