标签
作者们发布了 Gear——一个受元学习启发的开源框架，被称为"遥感领域的 scikit-learn"。它将搜索决策与执行和评估分离，使 GEPA、RRSI 和 Harness² 等方法更易于实现与比较。其中一个可用的 GEPA 变体采用了共享故障诊断和分阶段评估机制，在 AutomationBench 和 Terminal-Bench 上取得了通过率的提升；同时，在使用同一优化后 harness 的条件下，GPT-5.6 Luna 相较于 Astra 的每任务 API 成本降低了约 95%。
论文提出了 PatEx-Gym，这是首个用于开发和评估专利审查智能体的框架，包括一个包含 1K 任务的基准（PatEx-Bench）、一种免标注的轨迹合成方法（PASS），以及一个通过监督微调训练的紧凑型 4B PatEx-Agent，其性能可与规模大得多的通用智能体相媲美。
ReGE 是一个将智能体历史执行经验合成为自指导信息的框架，使后续任务尝试无需更强教师模型或参数更新即可提升表现，在四个基准上平均提升约 9-10 个百分点，并大幅减少引导构建所需的 token 成本。
论文提出 SearchWeaver 框架，利用代理的执行轨迹和任务奖励自动联合优化语料表示、可执行工具与使用指令，从而改进代理式搜索的搜索接口设计。使用 GPT-5.4-nano 时，优化后的接口在 BrowseComp-Plus 上将答案准确率从 71.6% 提升至 78.4%，并在四个 BRIGHT 子集上将平均 nDCG@10 从 45.7 提升至 55.0。
Exa 推出了 ATLAS，一个全新的基准测试，用于评估 AI 智能体在搜索密集型真实世界研究任务上的表现，配备经过验证的黄金标准答案和可刷新的自动化评测流水线。关键发现：没有任何单次运行成本低于 1 美元的智能体在行级 F1 上超过 0.5，顶尖智能体仍然遗漏约三分之一的黄金标准结果，而 Exa 的搜索后端定义了成本-性能的帕累托最优边界。
本文提出 MIRA（Musical Intent Refinement Agent），一种在测试时通过将用户意图细化为可验证 rubric 并进行轨迹感知树搜索来改进文本到音乐生成对齐的智能体，并发布了由音乐专家标注的基准 MuRA-Bench，使开源生成器达到接近 Suno、Mureka 等商业系统的性能。
本文提出 VHop，一个面向多步视觉检索的数据生成框架与基准，以及 VHop-Router——一个在视觉隐空间中运行、经过端到端训练的自回归多步检索器，将检索成功率从不足 5% 提升至 76.3%，使智能体搜索成功率提高 52.7%，同时大幅减少 token 消耗与 API 载荷。
本文提出决策检查点审计——一种轨迹层面的测量方法，将科学检索智能体的失败划分为目标暴露、查阅以及答案正确性三个阶段。研究发现，在AutoResearchBench Deep基准上，关键词检索策略与先读后答策略虽失败分布不同，却达到了完全相同的24.6%准确率。
EvoDuet 提出了一种双层优化框架，在 LLM 参数固定的情况下协同进化解决方案与网络搜索查询，并通过检索门控决定何时获取新文档、何时复用已有文档。在 21 个任务上，它显著提升了 OpenEvolve 的归一化发现增益（例如在 Gemini-3.8-Flash 上从 61.3% 提升至 82.3%），在八个任务上超越了此前的最佳成绩，并在不同的进化搜索脚手架上表现出良好的泛化能力。
CorpusMap是一种基于实体的导航层，用于代理搜索，它围绕重复出现的实体组织大型文档集合，以改善证据发现和答案质量，同时减少令牌使用。
AutoData 引入了一个AI智能体，通过搜索可执行算法来自动化大型语言模型的预训练数据选择，超越了人工设计的筛选流程，并提升了下游指标。
ZGCM-1是一个完全开源的7B大语言模型，从头训练，采用FP8、MDP中期训练和AI4AI，在数学和智能搜索任务上达到了与Qwen3-235B相当的性能。
ZGCM-1是一个从头训练的7B开放基础模型，具有极高效率，结合内部推理和外部工具使用，用于数学和代理搜索任务，其性能与更大规模的模型如Qwen3-235B-A22B和GLM-5.1相当。
EchoNet 基准测试了开放权重 AI 模型在代理搜索中处理虚假来源的能力，表明模型在面对虚假多数时最为吃力，并揭示了成本与性能的差异。
本文介绍了ExTS，这是一种针对LLM代理中预算受限代理搜索的树搜索策略，在提示优化和代码生成等任务中，相比标准基线平均提升5.5%。
本文介绍了BioCheck Agent，这是一个基于LLM的智能体，使用RL增强的智能搜索生成结构化的生物医学事实核查报告，与基础模型相比，显示出更高的准确性和更低的幻觉率。
本文介绍了保形智能搜索（CAS），这是一个利用保形预测来增强搜索代理可靠性的框架，通过在强化学习过程中自适应检索文档和加权策略，从而提高准确性并减少冗余工具调用。
Mistral推出了Agentic Search，这是一种多步检索循环，能提高AI系统在浏览复杂文档时的准确性和效率，与传统的RAG方法相比，降低了延迟和token使用量。
WANDR是一个用于评估AI代理在广度与深度研究任务上的基准，专注于高容量数据收集且具有可验证的准确性。它包括500个任务和一个评估框架，以对现有系统进行压力测试。