标签
这篇注册研究考察了自改进智能体将运行结果写成教训时，是否会在后续决策中传递运气（随机性）的影响。实验发现，在可靠工具因偶然失败后，LLM撰写的教训会让智能体在后续运行中显著更多地选择较差的工具（11.6% vs 0.4%），而修改记忆写入指令可降低这一危害。
该论文提出技能适配（skill adaptation）方法，通过元技能引导外部改写器将现有技能重写以匹配执行模型的能力，从而提升弱模型在 harness 自演化中的表现，并在七个模型上验证了改进效果。
一篇关于实验的后续报告：植入网页、代理配置文件（AGENTS.md、CLAUDE.md、.cursorrules）以及公开仓库中的隐藏指令被 AI 代理执行——虚假密钥被使用了 82 次，然而没有一个代理透露自己的身份或模型。文章提出了一个问题：代理在未自我表明身份的情况下执行嵌入式指令，这究竟是良好的安全训练，还是一个危险信号。
SciGame 是一个将科研文献转化为结构化「科学卡片」的受控基准，通过原始与反事实环境配对来分离先验知识与实证证据，评估大模型智能体的科学发现能力，发现精确符号定律恢复仍是主要瓶颈。
Project Zero 比较了 LLM 驱动的漏洞挖掘系统 BigSleep 与生成式模糊测试工具 Fuzzilli 在 V8 上的表现：六个月内 BigSleep 发现 45 个漏洞、Fuzzilli 37 个，两者结果存在明显重叠但仍各自独有大量发现，结论是模糊测试与 LLM 互为补充。
Trajectory2Gym 提出了一种以决策落地为核心的组合式交互合成方法，为工具调用智能体提供训练监督，在五种规模的 Qwen3 模型上，使 Tau1、Tau2 和 BFCL 基准测试的成绩提高了 16.9–29.8 个百分点。
AlphaIdeaBench 提出了一个基准，包含 100 项配有明确资源预算的研究创意生成任务，并使用经真实 ICLR/NeurIPS/ICML 审稿人评分验证的 LLM 评判器，从新颖性和可行性两个维度评估八种创意生成框架和八种骨干大语言模型。
FraudSociety 是首个联合建模信息与金融动态的 LLM 智能体仿真系统，用于模拟金融诈骗经济并评估反欺诈干预策略的有效性。
FlexA-Mem 提出一种预算自适应的智能体记忆机制，将历史一次性写入不可变存储，并为每次调用动态渲染紧凑的时间线记忆加相关细节，在 AppWorld、LongMemEval 和 LoCoMo 上显著优于 A-Mem 等现有方法。
本文提出了WhoWins基准，包含1,080个代码评分的场景和对照实验，用于测试指令位置、对话角色和标签如何影响14个开放权重模型的智能体在面对冲突指令时的选择。关键发现表明，消息中较早出现的指令在72-95%的冲突中胜出；此外，系统消息中的策略指令在Qwen系列模型中出人意料地会输给后续指令，但在gpt-oss上则胜出。
AgentOrch 是一个基准，用于对比全局编排（Global）与逐步交互（Step-by-Step）两种 LLM 代理模式在 650 个企业 SOP 上的表现，发现最新模型的差距已缩小约 79%，并提出增量构建、执行反馈修正和针对性训练三条缩小差距的路径。
SLICE-Mem 提出一种轻量级大语言模型智能体长期记忆框架，通过显著性引导的记忆准入与基于谓词的语义抽取，实现无需调用大语言模型的在线记忆构建，在保持接近 MemOS 基线精度的同时，将词元消耗降低 92.4%–99.5%。
该论文提出了递归语义散度（Recursive Semantic Divergence，RSD），一种基于强化学习双模拟度量的无监督轨迹级一致性指标，用于衡量大语言模型（LLM）智能体在相同状态下多次独立执行时的行为差异；将其作为奖励信号进行微调可显著降低任务进展方差并提升性能。
由清华大学和哥伦比亚大学研究人员推出的 AOS-Bench，将大语言模型编程智能体作为工作负载管理器进行评估，考察它们在共享 CPU 和内存限制下处理持续到来的任务流的能力。研究发现，单个任务上的成功并不能延续到流式场景中，而且简单的固定并发策略往往能达到与复杂的智能体管理策略相当的效果。
本文系统研究了三种前沿模型和三个长时程基准测试中 LLM 智能体框架（OpenCode）的上下文压缩，发现现有基准测试对“上下文压缩友好”，而压缩会悄无声息地丢弃任务约束和反作弊规则，其中真实用户指令被丢弃的频率约为构建规范的 6 倍。
WorkFactory 提出了一种可扩展框架，通过信息层面的规划与修复来构建连贯、可执行的专业任务，覆盖 612 个职业，共生成 112,686 个任务，用于微调 WorkPilot 模型系列（Qwen 4B/27B/35B-A3B）。在专业工作基准测试中，这些模型均优于其基础模型。
该论文提出，在KL正则化控制下，策略的对数几率隐含了其运行框架（提示、工具、控制逻辑）的偏好，部署性能等于运行框架的潜力上限减去策略失配；在MiniWoB++和Terminal-Bench Lite上的实验证明，仅用固定模型比较运行框架无法预测训练收益，而预先测得的上限与失配程度能够准确预测训练收益。
SO-101 Bench 推出一个基于 Isaac Lab 数字孪生的低成本机器人臂语言条件空间操作仿真基准，结果显示混合 LLM 智能体（83.2%）显著优于学习型 VLA 策略（约61%），且仿真与真实硬件上的策略排名完全一致。
论文提出 TGR-EvoDAG，一个基于有向无环图（DAG）的多智能体代码进化框架，用于生成式推荐流水线的自动演化，离线指标最高提升 37.4%，并在腾讯工业部署中带来 0.40% 的在线 CTR 提升。
本文提出了一种新方法，用于衡量大语言模型智能体是否已内化公共技能中心中的技能，并指出，基于增益的退役规则无法区分已内化的技能与尚未覆盖的技能。该方法采用基于探测任务的无辅助评分方式，并通过跨模型验证进行检验；同时发布了1,251项技能及其在四个模型上的任务数据。