ai4ai

提出了 MLExpert，一个 35B 混合专家（MoE）智能体模型，通过分层监督微调和窗口化交互强化学习（WIRL）自主优化长周期机器学习工程工作流，在 MLE-Bench Lite 上将基模型奖牌率从 37.9% 提升至 72.7%，媲美更大的前沿模型。

本文提出了 Meta-Skill 方法，让一个冻结的 Builder 模型从 Target 的执行反馈中学习可复用的原则，从而为未见过的任务构建更优的智能体框架。该方法在 Harness-Bench 和 NewtonBench 上将性能提升了 8.95 个百分点，指出了一条通过学习构建更好的环境（而非修改模型权重）来实现系统级自我改进的路径。

Awesome AI4AI 是一个动态地图，跟踪AI自我改进，包括最新的论文、新闻、排名和基准测试，每周更新，为领域提供动态资源。

本文介绍了OpenMLE，一个用于研究机器学习工程中递归自我改进的开放全栈系统，并提出了Frontis-MA1，一个经过后训练作为元进化智能体的35B模型。它在MLE-BenchLite上相比其基础模型有显著提升，并能迁移到留出基准上，同时发布了权重和代码。

XYZ AI Lab 发布了 XYZ-Aquila-mini，这是一个开源的轻量级推理模型，专为智能深度搜索而设计，基于 Qwen3.6-35B-A3B 微调而成，在参数规模低于 40B 的开源模型中取得了顶尖的基准测试成绩。

XYZ AI Lab releases XYZ-Aquila-pro, an open-weight thinking model for agentic deep search, post-trained from Qwen3.5-397B-A17B via a bounded-exploration AI4AI pipeline, with strong benchmark results in sub-400B open-weight comparisons.