标签
一份报告，提出了面向大语言模型驱动的计算机图形学的统一分类体系和智能体文献系统，并分析了人类与智能体协作及长程规划方面的趋势与尚待解决的挑战。
该论文提出了 Seq@K，这是一种评估协议，用于衡量语言模型在每次失败后获得反馈的情况下，能否在 K 次连续尝试内解决问题。对 7 个基准测试和 16 个前沿模型的评估表明，该协议所揭示的模型选择格局与 Pass@K 存在显著差异。
本文审查了用于罕见病诊断的增强型大语言模型系统中的评估伪象与数据泄漏问题，表明候选空间污染和时间错位会人为抬高基准测试表现，并提出了一套严格的数据隔离评估框架，以确保系统具备真正的临床稳健性。
MIT Technology Review 的 EmTech Future 大会中的一场专题讨论，探讨在高度监管的环境中如何构建可扩展、可信赖的 AI 基础，由 Vanguard 人工智能与洞察中心的 Jing Wang 出席分享。
该论文对基于 LLM 的智能体系统的自动失败归因（AFA）进行了机制研究，发现模型存在'知道但不说'的差距：内部激活包含正确归因的信息，但无法显式输出。作者据此提出 grafting 干预方法，在多个 LLM 和基准上优于直接提示方法。
一家咨询公司观察到，在受监管行业中，只读型 AI 智能体上线到生产环境的速度远快于具备写入能力的智能体，原因是围绕写入权限的治理问题让试点项目陷入停滞；该公司并就如何安排治理工作顺序、如何设计轻量级审批步骤提出了实用建议。
本文从理论和实证角度解释了为何推理时框架（脚手架）优于蒸馏出的学生模型：即使从平凡的 AC0 基础组件出发，框架也能计算 NL-完全问题的闭包，而在标准复杂性假设下，任何固定深度的前向传播都无法复制这种表示能力。作者验证了通过扩大模型规模、简化任务或延长思维链可以缩小这一差距，包括在竞赛数学和智能体框架上的表现。
R²Orch 提出递归自博弈编排范式，通过内层自博弈与外层技能撤除循环，实现智能体编排的递归自我改进，在12个数据集上超越基线。
Gen-Verse 发布了 DiscoveryRSI-27B，一个 27B 指令微调语言模型，用于递归式科学假设的开发、评估、修订与归因，并配套 DiscoveryRSI 研究智能体框架，支持生命科学研究工作流。
该报告大规模评测了 GPT-6-Astra 在 12 项机器人基准上的具身能力，指出其已跨越具身能力门槛但尚未实现实用具身智能，并探讨了 System 2/System 1 协同与真实部署中的成本、执行时间等关键挑战。
TimeRSI 提出一个围绕冻结的时间序列基础模型的自改进智能体部署系统，通过误差引导的代码迭代修订与自适应选择提升零样本预测性能，在 TIME 和 fev-bench 的 198 项任务上超越所有提交结果。
这篇关于 Evo² 的文章提出将自进化 Agent 的两条路径（修改模型权重与修改 Harness）连接起来，让 Proposer 与 Reflector 双角色进入持续训练循环，在 Polyglot 上达到 82.1%、SWE-bench Verified 上达到 48.3%，且演化出的 Harness 可直接迁移复用。
该论文提供了关于「智能体机器人」（agentic robots）的统一综述，将现有研究组织为模型、数据、环境和评测（Harness）四大功能领域的17个类别，并探讨了从机器人策略到智能体系统的演进及未来开放挑战。
推文介绍了一个关于递归自我改进(RSI)的精选研究合集，涵盖从STaR、Self-Rewarding LMs到Promptbreeder和Automated Design of Agentic Systems等关键论文，梳理了RSI从自生成训练到自我修改代码代理的演进脉络。
Dialpad 研究人员提出了一种社会语言学方法，用于在代理系统评估中构建并衡量用户人格保真度。研究表明，在五个客服代理场景中，与扁平化的描述性基线相比，具体的风格化率值人格能显著提升风格遵循度。
SuperNav 是一个导航框架，它为预训练多模态大语言模型配备智能体框架与导航工具——无需针对导航任务进行微调——使模型能够理解指令并指定视觉目标点，同时将运动执行委托给导航工具。该框架在实例级、多物体及需求驱动任务上超越了四种基线方法，并在真实四足机器人上进行了演示。
CADFather 是一个自主智能体系统，通过协调视觉-语言助手与互补的学习型、算法型和优化工具，从 3D 网格重建可编辑的参数化 CAD 程序，并在 DeepCAD、Fusion360 和 CADENA-Bench 等基准上进行了评估，无需额外训练。
论文提出 D-OPCD（Diffusion On-Policy Context Distillation），将文本生成图像智能体框架（harness）通过记忆、技能和迭代优化获得的增益蒸馏进扩散模型权重中，使模型在仅使用原始查询时也能保留部分收益，平均直接生成分数从 60.52 提升至 65.09，并通过 AutoSkillEvolver 实现框架与模型的持续协同进化。
Google Cloud AI Research 推出了 AIM（Agentic Idea Manager），这是一个以想法为驱动的自动化研究自主框架。它采用 Agentic Surrogate 和 Agentic Acquisition（灵感来自贝叶斯优化）来组织和筛选研究想法，并通过 Solution Auditor 和 Resource Planner 维持想法与解决方案的一致性以及分配实验预算。AIM 的表现最多比最强的 AutoLab 基线高出 4.9 个百分点，并且最高可提前 3.1 倍达到基线性能。
SCOUT 提出了一种两阶段智能体安全验证器，将需要大量推理的评分标准生成与需要大量工具调用的证据收集相结合，用于检测计算机使用智能体中的不安全行为。在 AutoElicit-Bench 上，该方法提升了不安全行为的检测率，并通过测试时反思将不安全执行率从 30.2% 降低至 17.2%。