标签
本文研究长期视野语言模型代理中的隐藏状态，揭示记忆压缩和召回需求在行动前被编码。提出PaMER框架，通过状态引导压缩和证据检索减少上下文消耗，同时保持任务性能。
DRACO是一种强化学习方法，通过动态生成评分标准并重新分配轨迹分数来提升长期代理的性能，无需使用验证器。
ContextPilot-14B 是一个 Qwen3-14B 检查点，它通过细粒度强化学习教授语言模型智能体主动上下文管理，以应对长期任务。
本文认为，尽管模型更好，长期AI代理的可靠性仍然不足，如WeaveBench上仅41.2%的通过率所示，并提出了LongHorizon-Harness来管理任务状态以提高性能。
ProgramBench 是一个代理从头开始复现真实软件行为的基准测试。Factory 被宣布为最先进的逆向工程系统，在模型无关的长期代理方面取得了突破。
作者讨论了从将自助入职重建为代理流程中获得的见解，强调了将确定性任务管理与非确定性LLM操作相结合的长期代理如何提高企业AI部署的可靠性并减少幻觉。
ECHO 是一个认知启发的、可审计的记忆架构，适用于长时程代理，在 LoCoMo 和 LongMemEval-S 等基准测试中表现出高检索性能。
论文介绍了Recuris，一种递归记忆架构，通过跟踪进度和指导技能选择来提升长期任务代理的成功率，采用本地化的、验证门控的更新机制。
本文对用于记忆增强LLM智能体的记忆基质进行了全面评估，发现没有单一基质在所有条件下占主导地位，并提倡采用自适应基质路由来优化不同操作条件下的性能。
LongRCA Bench 引入了一个用于诊断长时程智能体轨迹失败的基准，RCTA方法改进了责任角色和根本原因步骤的归因。
介绍了受治理的持久记忆（GPM），一种用于可审计长时程智能体记忆的双时态状态转换模型，具有源绑定语义和故障封闭释放，并在基准测试和密封评估上得到验证。
This paper introduces MESA, a framework that dynamically selects and fuses a query-adaptive subset of multiple structural memory views for long-horizon agents, achieving 8.5% accuracy improvement over the strongest baseline while using 41% fewer evidence tokens.
这项arXiv综述（1,547篇论文，2024-2026年）系统性地描绘了长视界LLM智能体领域，厘清了长视界、长上下文和长期记忆三个概念，并将研究组织为六个生命周期类别，同时指出了核心的“视界差距”和开放的度量问题。
This empirical study investigates how recurrent context compression affects long-horizon agent behavior, showing that compression can weaken recent interaction influence and cause instability. The authors introduce TRACE, a verifier-guided framework that improves compression reliability and performance on AppWorld.
MemPrism proposes a task-conditioned relational memory framework that separates persistent experience storage from decision-time working memory, enabling long-horizon agents to dynamically construct relational views for improved performance and reduced token usage.
StepReflect将移动智能体的逐步GUI反思重构为监督式结构化预测，在AndroidWorld上实现了比GPT-5.2更高的转换准确率，同时降低了API成本。
Presents a verification instrument for long-horizon agents that structurally separates commitment drift from binding drift, using a deterministic executive and pre-registered predictions. Reports ablation results showing commitment mechanism removal flips goal abandonment from 0 to 1 while binding error stays flat, though task efficacy is null on ARC-AGI-3.
A new survey from Renmin University reviews nearly 1,000 studies on long-horizon AI agents, arguing that reliable long-horizon intelligence depends on the whole model-harness system, not just larger context windows or stronger models.
本文介绍了JarvisBench，一个用于评估长周期AI代理工作流中连续、实时语音中介层的基准，并展示了一个模块化的Jarvis原型，该原型在WildClaw任务上使用多种基于LLM的工作代理进行了测试。
TRACE 提出了一种轮次级奖励分配方法，利用冻结参考模型的对数概率和时间差分学习来解决长周期智能体任务中的信用分配问题，在没有评论家或过程标签的情况下，在搜索基准测试中取得了显著改进。