标签
Kimi K3，一个开放模型，在智能体任务中与 Fable 相媲美，在它们之间进行路由实现了93%的准确率，成本节省高达50倍，建立了一种新的最先进方法。
Kimi K3 是一款全新AI模型，拥有2.8万亿参数和100万上下文长度，已在网页和App上发布，在编程、智能体任务、推理、视觉和智能体集群方面具备领先能力。
本文提出 ReOPD，一种用于 LLM 智能体的在线策略蒸馏方法，该方法重用预先收集的教师轨迹作为重放前缀，无需新的环境交互即可提高效率和准确性。
提出 SEED，一种自进化在线策略蒸馏框架，将已完成的轨迹转化为后见技能，以改进交互式智能体任务的强化学习，取得了持续的性能提升和样本效率。
LLM-as-a-Verifier 是一种简单、廉价、通用的面向智能体任务的自我改进技术，通过细粒度评分和基于 logprob 的排名，在 SWE-Bench Verified 和 Terminal-Bench V2 等多个基准测试中取得了最先进的性能。
这篇来自斯坦福大学、英伟达和加州大学伯克利分校的论文介绍了LLM-as-a-Verifier，一种无需训练的验证框架，利用LLM logits的连续评分来提高编码、机器人和医疗领域的准确性，在多个基准上取得了最先进的结果。
这篇来自斯坦福、伯克利和NVIDIA的论文提出了LLM-as-a-Verifier，一个利用token logits进行连续评分的通用验证框架。它在包括Terminal-Bench V2（86.5%）和SWE-Bench Verified（78.2%）在内的多个基准上达到了SOTA，并提供了可以加速强化学习训练的细粒度信号。
介绍了以对象为中心的环境建模（OCM），该方法将LLM代理的经验组织成两个可执行代码库（对象知识和过程知识），以提高复用性、验证能力，并减少交互环境中的无效动作。
对全新 Ornith-1.0 35B 编码模型的评测，绕过公开基准，在真实代理任务上进行测试，突出其在长程编码和连贯性方面的优势，以及诸如冗长性等代价。
讨论了为什么 GLM-5.2 放弃使用 GRPO，暗示 GRPO 的假设可能不适用于长周期代理任务。
Counsel 是首个公开的人类对 LLM 评价进行元评估的数据集，专为智能体任务设计，旨在提升自动化评估方法的校准性与可靠性。
本文表明，通过精心设计的长上下文强化学习数据配方，结合基于结果的最小GRPO，能够显著提升多个模型和基准测试的推理能力，并迁移到GAIA和BrowseComp等智能体任务。
提出了SelSkill，一个双粒度偏好学习框架，学习在智能体任务中何时调用技能，在ALFWorld上将任务成功率提升10.9%，在BFCL上提升5.7%。
Maxime Labonne分享说，他们的模型在Hugging Face上成为热门，并且尽管只有1B个活跃参数，但在代理任务上出人意料地强大。
Mimo V2.5 提供了与 Claude Opus 4.5 相当的性能，但成本仅为后者的一小部分，使其成为执行代理任务的极具性价比的 AI 模型。
Forge是一个为自托管LLM工具调用设计的可靠性层，通过护栏机制和上下文管理，显著提升多步智能体任务的性能，将本地8B模型的准确率从53%提高到99%。
Noah Ziems 表达了对他们在 Pedagogical RL 上最近工作的兴奋之情，该工作旨在改变像编程这样复杂的智能体任务的数据收集方式。
OpenAI 在其 API 平台发布 GPT-5，这是一款最先进的模型，在 SWE-bench Verified 上达到 74.9% 的成绩，在编码、智能体任务和长上下文推理方面表现卓越。此次发布包含三个模型规格（gpt-5、gpt-5-mini、gpt-5-nano）以及新的 API 功能，如详细程度控制、最小推理模式和自定义工具。