标签
OmniBrain-0 是一种轻量级统一具身智能体，通过共享的高层决策模型协调操作与导航，采用多教师同策略蒸馏和评分标准引导的递归自我改进数据飞轮进行训练，以远低于其闭源教师模型的开销实现了出色的跨领域性能。
Co-Design Bench 是一个基准测试，包含 273 项来自真实用户的多模态编程任务和 2,331 条专家验收标准，采用先评判后反驳的协议，对 10 个模型端点上的智能体进行评估。其中，表现最佳的端点（gpt-6-astra）通过了 69.9% 的验收标准，但仅完全满足了 26.4% 的任务要求。
FlashREINFORCE 引入了一种无批评器、单次采样的异步强化学习框架，用于智能语言模型，通过立即从每个轨迹学习来提高稳定性和效率。
本文提出状态引导的数据合成与参数溯源（SAP），以改进用于训练智能体模型的多轮工具使用数据合成，并引入SAP-4B，其在性能上与更大的模型具有竞争力。
TerminalTraj是一个可扩展的流水线，利用Docker化环境生成高质量的终端智能体轨迹，在终端任务基准上使用TerminalTraj-32B等模型实现了高达20%的性能提升。
本文以会议论文数据集抽取为测试平台，研究反思与记忆等智能体机制是否能在学术PDF信息抽取中，相对于固定LLM工作流带来可控的改进。
TACO提出了一种针对代码工具智能体的新型信用优化方法，该方法使用差分奖励探针和结果门控优势路由来区分有用、冗余或误导性的工具调用，从而提升多模态智能体的性能。
本文介绍了OpenThoughts-Agent，一个开源的用于训练智能体语言模型的数据整理流程，在七项基准测试中取得了44.8%的平均准确率，并通过系统性实验超越了先前的开源数据集。
OpenBioRQ 是一个包含12,553个未解决生物医学研究问题的新基准，用于测试智能体模型验证来源和避免虚假引用的能力。该基准揭示，当前模型经常链接到错误的论文，并在难题上出现智能体崩溃。
Nex-N2-Pro是NexEcosystem新推出的开源LLM，据报道在基准测试中优于Kimi-K2.6和DeepSeek-V4-Pro等领先模型，具有自适应和连贯思维的特点。
Magma 是微软研究院推出的一个开源仓库，用于构建整合视觉、语言和行动的多模态 AI 智能体，提供模型链接、推理示例、训练说明和演示。
微软推出了Fara1.5系列小型浏览器代理（4B、9B、27B），在计算机使用基准测试中取得了最先进的性能，在Online-Mind2Web上得分63%，并超越了Operator和Gemini等更大规模的模型。
Andrej Karpathy讨论了OpenClaw时刻之所以引起广泛共鸣，是因为非技术受众首次接触到了超越ChatGPT消费级产品的先进agentic AI模型。