新闻、仓库与研究，按时间排列。
GitHub 上的 local-llm-wikipedia 是一个静态 Wiki，每日自动采集本地 LLM 与 AI 行业动态，经差分判定、生成文章、Git commit 后重新发布到 GitHub Pages。GitHub Actions 每天 08:00 JST 运行，监控 llama.cpp、Ollama、LM Studio、Hugging Face 及 OpenAI、Anthropic 等官方新闻；默认无需 API key 即可摘要，可选配置 OPENAI_API_KEY 生成更自然的日语摘要。
论文提出 Interlock 框架，将任务表示为类型化完成图，通过 grounding 边、coupling 超边和 realization 边刻画证据、决策与下游效果间的关系，并编译为可重置工作区、公开请求与评测 rubric。在两个 Qwen3.6 backbone 上用自产轨迹微调后，AutomationBench 任务通过率提升 4.00-4.50 个百分点，JobBench 加权分提升 3.20-6.64 分，Harvey LAB 准则通过率提升 3.89-4.16 个百分点。
一项 arXiv 研究提出 Privileged Hindsight Distillation（PHD），将科研品味建模为从评估准则打分到相对偏好的个人化映射，并利用训练时才可见的后续科学证据改进提案期评估。该方法主要在量子研究领域评测，每位研究者仅需 15 次成对提案比较即可捕捉差异显著的偏好；交互实验显示个性化排序能带来更高的用户后续参与度。
dson09032 在 GitHub 开源 self-improving-agents 仓库，把自我改进代码智能体从简单循环到对抗共进化分为四个层级，并附完整实验结果。关键发现包括：固定基准会造成虚假信心，Level 1-3 在 email validation 原测试上得 90-100%，换到对抗测试集后降到 62-66%，而 Arena Loop 保持 70%；Level 2 反馈循环是最佳性价比，snake 得分 31.1 高于 Arena 的 29.2，成本仅为 1/20（每任务 $0.03 vs $0.63）。框架基于 Gemini API，支持 checkpoint/resume、自定义任务和终端内观看 Snake AI 对局。
arXiv 论文提出将对地观测（EO）任务交给通用编码 Agent 递归自我改进：任务被拆解为 harness 和 verifier 两个组件，Agent 自行构建并改进 EO 模型。在覆盖光学、SAR 和多光谱时序影像的四个 EO benchmark 上，Agent 构建的模型超越 SOTA，且仅用约 1% 训练标签即保留大部分精度。
Xinyi Wang 等在 arXiv 发布 SEAR（Self-Evolving Agentic Robotics）框架与基准，语言模型智能体通过编写控制代码并在真实与仿真任务中保留有效经验实现自我进化。框架含 code-as-policy、agent-as-policy、auto-research 三种模式，基准覆盖 7 个前沿模型、330 个仿真任务与 5 个真机任务、累计超四年智能体运行时间。主要发现包括任务更难时延长会话更划算、控制代码与共享例程可跨任务和模拟器迁移而任务特定方案不能、真机上智能体设计的练习与新颖人类设计场景存在性能差距，且纯文本模型可媲美可比多模态模型；基准与代码库已开放。
推荐理由：该基准专门设计对照组区分真实学习与重复尝试和运气，并给出跨模拟器与真机迁移的实测发现，方法可复用。
一篇 arXiv 论文提出 Harness self-evolution 框架：在模型权重固定的情况下，让智能体持续修订提示词、记忆、工作流与可执行组件等软件脚手架，被接受的修订跨运行保留。论文将更新目标与提议、准入机制分离，通过演化优化刻画搜索过程，并用持续 PAC 学习给出期望泛化界、保留界与高概率准入规则。全文共 18 页，附 66 页相关工作讨论及持续更新的代码。
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。
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。
AutoNovo 用智能体程序搜索迭代提出、执行、评估并修订核酸设计器代码，以提升跨模型泛化能力。该方法在 3/3 个 DNA 设计任务的 in-silico 性能上取得评估方法中的最佳均值，并在 6/6 个迁移任务上对独立模型表现最佳。发现的设计器来自一个家族而非单一通用最优设计器，作者计划公开发布这些设计器。
cklukas 在 GitHub 发布 OMEGA TRANSFORM，用 Ollama 本地模型提出代码改动，由本地任务池构建、测试并打分，全程默认无云端和 API key，代码与数据不出本机。构建、运行和评估进程均在 macOS sandbox-exec 或 Linux bubblewrap 沙箱中且无网络访问，引擎仅依赖 Python 3.11+ 标准库，支持通过 llama.cpp server、vLLM 或 LM Studio 替代 Ollama，并可用 OpenRouter 接云端模型。项目含 15 个示例问题，作者说明其仍是研究原型，尚未用于真实项目，产出程序需自行检查。
推荐理由：项目用本地模型加沙箱任务池做代码进化优化，默认零云依赖、代码不出本机，并给出完整沙箱与许可设计。
opencode-ralph-rlm 是一款开源 AI 编程辅助工具，通过 Ralph 外循环把控整体任务、RLM 内循环递归细化代码，并支持 sub-agent 拆分子任务。工具以文件为核心组织工作、基于 TypeScript 构建，支持多语言项目，无需编程知识即可上手。运行需 4 GB 以上内存（大项目建议 8 GB）、500 MB 磁盘空间及网络连接。
google-deepmind 发布 Simply，一个基于 JAX 的极简、可扩展研究代码库，定位为人和 AI 智能体都能快速迭代的前沿 LLM 研究环境。内置智能体示例与面向长程运行的 Go 语言 Agent 框架 Amplio（支持崩溃恢复、子智能体与 Web UI），以及含 11 项评分任务的 research_bench 套件；zoo 目录提供 GLM-5、Kimi K3 和 Qwen3.8 自包含模型插件，支持 Cloud TPU 与 GKE 运行，软件采用 Apache 2.0 许可证，模型与数据集可从 HuggingFace 下载（约 10 GB）。
推荐理由：代码库自带 11 项评分研究任务和带崩溃恢复的 Amplio 长程 Agent 框架，可据此了解自动化 AI 研究的落地工作流。
GitHub 上的 agentic-research 仓库是一个面向自主研究智能体的知识库，以交叉链接的知识图谱形式整理 MLE-bench、PaperBench、AIRA 等 ML 研究智能体相关的论文、概念与架构模式。内容采用 Markdown 加 YAML frontmatter 组织，分为 concepts、literature、mocs 等目录，并提供实时渲染的可浏览站点与知识图谱健康检查工具。
GitHub 新仓库 Autonomous-million 上线，主体是一个自主 AI 集体，探索合法的零资本收入生成。仓库包含 config、docs、proposals/typescript-state-v1、reports、tests 等目录，以及 agent_state.json、coordination-state.json、payment-claims.json、recruitment-publication.json 等状态文件。
GitHub 仓库 lululido8-ui/AI-researcher 上线，可对多来源科学论文进行智能检索、筛选与总结，用于高效科研与报告生成。目前该项目获得 3 个 star，暂无 fork 与 release。
GitHub 上线 plectis-zenith 仓库，核心是让语言模型权重保持固定的图结构推理流程：Lab 选择资产并预测结果，Oracle 对比冻结预测与现实，Evolve 由智能体提出修改并在后续匹配运行中验证是否有效。当前 FNSPID 适配器仅提供 AA 价格与文章数据，尚无已测版本建立起预测优势。
GitHub 仓库 randomvariablewhitepelican129/open_deep_research 提供了一款基于智能体的深度研究工具，可自动拆解研究主题、检索多个来源并汇总生成报告，支持导出为文本文件。软件面向 Windows 10/11，需 8GB 内存、500MB 磁盘空间和有效 API key，通过自身密钥处理请求且不在外部服务器存储搜索历史。
ZHangZHengEric 发布 Sage 2.0，提供 sage.yaml 定义的 Agent 包、Desktop v2、Server v2 和 SAgents v2 Python 运行时。新增 RSI 多轮 Agent 包优化，用独立 Session 做评测与语义审查，保留每轮迭代的完整包和测试结果，候选需显式确认才应用；支持 Skills、MCP、多智能体编排与状态化执行，安装包覆盖 macOS、Windows 和 Linux。
推荐理由：Sage 2.0 的 RSI 循环保留每轮完整包与评测结果，且优化候选需人工确认才替换配置，原文写清了可复用的迭代管理做法。
GitHub 上的开源项目 PulseAI 是一个基于 Claude Code 的例程，每天生成经过核验、可视化呈现的 AI 与软件研究简报。其特点包括原始来源核验、深度解析和研究台功能，已在 GitHub 公开仓库开放。
GitHub 上的 local-ai-research-assistant 是一款完全在本地硬件运行的自动化研究工具，依靠 Ollama 提供智能并通过 `ollama run llama3` 加载模型，自动联网搜集信息、提取内容并生成结构化报告，可导出 PDF。要求 Windows 10/11、最低 16GB 内存（推荐 32GB）和 20GB 磁盘空间，推荐 NVIDIA GPU。工具开源免费，数据不发送到外部服务器。
GitHub 项目 saross/llm-reproducibility 提供一套基于 Claude 的工具链，用 8-pass 工作流从研究论文中自动提取证据、论断、隐含论点及研究方法，生成结构化 JSON，评估研究的透明度与可信度。系统包含提取（v2.6 schema）、评估和基于 Docker 的复现系统 v1.1，已在 5 篇 Journal of Archaeological Science 论文的试点研究中验证。
作者发布开源仓库 expunge，用于从真实数据库中验证式地删除个人数据，核心思路是模型权重固定、只让harness（上下文策略、工作流、护栏、工具权限）按实测失败进化。独立grader用密封清单对照提交后状态，无LLM judge；补丁需通过受信编译器校验，候选harness须经38个配对世界门控，MongoDB Atlas承担权限层（3库、10个最小权限主体、CAS晋升），Raindrop作为证据层。演示中候选f1eb5184在6对pilot世界将有效清理从0/6提升到3/6，残留从33降到18，但仅限direct_nested类，作者明确称其为pilot而非正式admission；gate、部署与插件沙箱已构建但仍在合并，模型自动生成补丁和首次完整live循环尚未完成。
GitHub 仓库 academic_paper_generation 是一款面向研究者的学术写作工具，可自动从多个学术数据库检索文献，并调用语言模型按主题生成结构化论文草稿。工具支持导出 PDF 和 DOCX，可设置 APA、MLA、Chicago 引用格式，无需编程基础，生成的文件均保存在本地。
public-mining-brain 是一个由 LLM 维护的比特币挖矿公开知识库，覆盖硬件与 ASIC、固件、矿池、协议、经济性与行业历史。其工作流借鉴 Astro-Han/karpathy-llm-wiki：智能体将来源摄入 immutable 的 raw/ 目录，再编译成带引用、互链一致的 wiki/ 知识页，并配有查询、Lint 校验和定时更新的 PR 流程。可通过 Claude Code、Cursor、Codex 等支持 Agent Skills 的工具配合 SKILL.md 使用，当前为 v0.1 骨架版本，批量摄入仍在进行中。
GPT Researcher 是一个开源深度研究智能体，用 planner 与执行智能体把任务拆成研究问题，再由 publisher 汇总成带引用的报告。默认用 TypeSafe 的 Jev 做上下文过滤，28 个研究任务的回放测试中相关段落保留率 73% 对 embedding 的 46%，单份报告过滤成本 $0.115；Deep Research 递归研究每次约 5 分钟、约 $0.4（o3-mini high）。支持本地文档、MCP 数据源、以 Claude Skill 安装（npx skills add assafelovic/gpt-researcher）以及 Docker 部署。
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%。
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。
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。
AICP-BIO-1 · Java 是 AICP 协议的 JVM 实现，支持 LLM 将 .java 文件写入 src/plugins/ 后由 FileWatcher 借助 WatchService 加 2 秒周期扫描实现在进程内动态编译与热加载，无需重启，编译失败最多重试 5 次。插件通过 @DEPS 声明依赖即可自动从 Maven 镜像下载 jar，函数签名 (Envelop, Agent) → Envelop 即路由契约。系统要求 JDK 21+ 和 Maven 3.10+，HTTP 网关、WebSocket 和文件上传分别运行在 9000、9001、9002 端口。
ResearchPilot 是一个基于 LangGraph、Groq、Tavily、Qdrant、Gemini embeddings 和 Streamlit 构建的自我纠错研究助手，可结合网页搜索、知识库检索与沙箱化 Python 计算。它采用规划-执行-批评（critic）的 agent 图结构，critic 审批需有效 JSON 决策且引用与本次运行的证据匹配，仅允许一次修订循环。项目支持 CLI 与 Streamlit UI，提供 Quick、Deep、Compare、Analyze 四种研究模式及 Markdown 报告导出。
作者发布 AgentDescent 框架与配套论文，用并行 worker 提出 diff、无屏障聚合器合并冲突的方式做智能体技能、提示词与 harness 的自进化。实测在 GLM-5.2 的 BBH dyck_languages 设置中 keyed union 合并 0/48、reflective merge 42/48，串行控制下中位加速 6.8×，模型调用减少 40%；HotpotQA 40 条数据上 held-out exact match 从 0.167 升到 0.583。内置 20 个已发表算法端口（GEPA、ACE 等）与 Claude Code 等 Agent 插件接口，仓库为研究参考实现，文档见 birfy.github.io/agentdescent。
推荐理由：原文给出各指标的实测设置与置信区间，并声明只在不达显著时如实报告，读者可自行核对每个结论的适用条件。
作者在 GitHub 发布 agentic_cyber 实验仓库，研究 LLM 生成的 C 和 Rust 软件在多个维护检查点上的演化，独立重复 N 条 lineage。功能与安全评估严格分离：安全评估用 AddressSanitizer 与受限对抗输入，其结果不反馈给模型、不触发修复、不影响 overall_success。实验以 Aider 加 Ollama 模型（如 ollama_chat/qwen3.8:27b 与 qwen3-coder-next）为后端，围绕 RQ1 正确性、RQ2 多样性、RQ3 安全性三个研究问题提供完整分析工具与文档。
TrueFurina 开源 AGI-Distiller 仓库，一个从文章、博客、论文中提取痛点、解法和可执行规则并沉淀为 Agent 技能的知识蒸馏系统，含 22 个生产技能和 14 节行为规范 ATOMCODE.md。Claude Code v2.1.251 上实测全链路安装 19 个技能加载，WorkBuddy 亦实测通过；Codex CLI、Cursor 等 6 个平台路径未实测。注意仓库为 source-available、权利保留，禁止复制、修改、分发和商用。
Goethe University Frankfurt 的 Björn Hanneke 发布开源工具 e2er（End-to-End Research），用于发布、验证、复现和复用 AI 参与的研究。模板把研究流程组织为带有既定角色的 AI specialist 和书面的 skill，研究者在关键步骤暂停审核；每项研究附带 dossier，记录所有文件的哈希值并校验表格可由估计结果重建。内置 replication 模板可在 Docker 容器（限 R 或 Python）中重跑 Zenodo 复现包并逐个数字标注复现结果，示例论文复现中 17 个数字里 12 个完全复现、2 个略有差异、3 个未复现。
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。
Caesar 是一个开源自主研究智能体，通过持久知识图谱上的深度网页探索和对自身草稿的对抗式修正来综合答案，定位为 ChatGPT Deep Research 与 Perplexity 的开源替代。在盲评 LLM-as-a-Judge 创造性评测中，Caesar 全文配置得 26.96/30，高于 Gemini 3 Deep Research（23.78）和 GPT-5.2 Deep Research（15.74），Cliff's δ ≥ 0.76，另有 23 人的人类评测佐证；在 ~$5/挑战的等算力对比中仍领先。
推荐理由：原文给出了基于知识图谱探索与对抗式合成的完整架构说明，并用LLM评审和人类评测数据对比主流深度研究产品，方法可复现。
一篇 arXiv 论文提出由 analyst、coder 和 recorder 三个角色组成的多智能体 LLM 调优框架，配合实验日志与沙盒执行环境，仅自动调优指定组件而不改动网络整体结构。在五个任务上验证：MNIST 与 Digits 脉冲网络分类准确率分别提升 13 和 6 个百分点，GNLSE 单孤子解误差降低约 2491 倍、不变量保持误差平均降低超 100 倍，KS 方程质量漂移降低 14 倍。
GitHub 项目 edtechdev/aied 推出免费的教育 AI 知识库，整合论文摘要、概念页面与 FAQ，并通过定时扫描 arXiv 等来源的新论文自动更新。知识库提供 llms.txt、llms-concepts.txt（约 4 MB）和 llms-full.txt（约 15 MB）文件，可接入任意 AI 助手作为有依据的研究参考，并支持离线 EPUB/PDF 阅读。页面由语言模型起草、人工编辑审核发布，代码采用 MIT License。
Guruvignesh R M 发布的 M.Tech 研究工作流仓库，用 LLM 对运动感知去模糊与视觉感知文献做筛选和映射：4,642 条 Scopus 记录去重为 3,799 条，经 LLM 筛选保留 1,947 篇（KEEP/MAYBE/REJECT 为 1,054/893/1,852），再通过 768 维嵌入、UMAP 和 HDBSCAN 划分为 31 个簇及 468 条噪声记录，最终产出 45 篇阅读清单。历史脚本使用 gemma-4-26b-a4b-it 做筛选与主题摘要、gemini-embedding-2 做嵌入；仓库附带发布脚本 SHA256 与离线验证记录，但历史 API 流水线未重新运行。