标签
该论文提出 RECAP 框架，通过匹配上下文干预、执行关系预测与独立策略认证，研究长程智能体何时应保留、压缩或删除历史失败记录，在 Hunyuan-A13B 上以匹配的续跑成功率将平均提示成本降低 2.13%。
LoopX 讨论了长程 Agent 工具调用超时后远端是否已执行的工程难题，通过稳定的 operation/Job identity、回读外部事实与组合验证实现幂等恢复，并开源了这一本地优先的长程 Agent 控制面。
本文提出一种逐步分解的评测方法，将语言模型在400步长程任务中的失败分为重复识别、局部处理与计数器追踪三类，发现重复识别错误随步数上升，而无关上下文注入会导致计数器追踪在所有种子中失败，外部精确提醒可恢复其对齐。
BizBench 推出一个多轮基准，基于一家领先支付公司的真实业务流程评估长时程智能体的中间执行有效性，结果显示前沿模型即使达成最终目标也频繁违反关键约束。
一篇研究单次 rollout 异步强化学习方案的论文，该方案结合 Muon 优化器、按 token 平均的损失、截断重要性采样和辅助惩罚项，用于训练长时程的仓库级问题解决智能体，并在两个模型家族中展现出优于基线的训练成功率。
论文提出 CarryOn，一种面向长时程智能体的对象导向上下文运行时，让智能体从可复用的任务进度继续工作而非反复压缩交互历史。在 OSWorld 2.0 和 BrowseComp-Plus 上分别提升 5.8 和 7.0 个百分点，同时 token 用量减少 51.9% 和 22.9%。
BELIEFWEAVER 是一个面向长时程智能体的失败恢复框架，通过维护关系型信念状态与隐式世界模型（IWM）评估修复假设，并将推理能力蒸馏至 9B 学生模型，在三个终端基准上显著提升最终得分并降低 54.8% 的教师 API 成本。
WorkRover 是一个通过递归环境演化训练长时程协作智能体的框架，引入了因子兼容性回放（Factorial Compatibility Replay）和验证器到轮次的信用分配（Verifier-to-Turn Credit Assignment）以改进训练信号。对 Qwen3.5-35B-A3B 进行后训练得到 WorkRover-35B-A3B，在 JobBench、OfficeQAPro 和 GDPvalv2 基准测试上均取得了显著提升。
本文提出Tev-Gym——首个具有可验证、密集渐进奖励的长周期智能体训练数据集（涵盖7个领域、1,170个任务），并基于进度-势能奖励塑形（PPRS）训练出Tev-27B，在Agents' Last Exam的计算与数学科学领域达到与GPT-6 Astra和Claude Opus 5相当的Pass@5表现，并可泛化至Terminal-Bench 3.0/4.0。
Meta Superintelligence Labs 的研究者提出 GitSwarm，一个通过共享 Git 仓库实现结构化持久记忆的异步多智能体系统，实现"复合推理"，使中间成果能被后续计算继承、扩展与组合；在 IMOProofBench-Advanced 上一次运行即解出全部 30 题，在 ProgramBench 上取得 79.4% 的成绩。
Remory 提出一种神经记忆网络，用有限的软记忆 token 补充文本摘要，使冻结的 LLM 在仅用 5.2% 输入位置的情况下逼近全上下文表现，并在 BrowseComp 和 Terminal-Bench 2.1 等长时程 agent 基准上带来一致提升、显著减少重复工具输出和错误。
APEX-Harm 是一个评估长时程 AI 代理在共享专业工作环境中遭受注入攻击脆弱性的基准，涵盖金融、咨询和法律任务，结果显示脚本类攻击成功率高达 73-84%，表明任务输出正确并不等于行为安全。
ProgramGym 提出了一套由 Program-Env 和 Program-Agent 组成的框架，用于为长周期程序复现智能体构建可扩展、可验证的训练环境。在生成的环境中对 Qwen3.8-27B 进行微调后，性能取得了显著提升。
Opera 是一个针对长期运行的代码智能体的口头批评框架，它将每次纠正都记录为一条持久化的备注，跟踪智能体的行为以区分“简单遵从指令”与“真正解决问题”。该框架在多个基准测试中将问题解决率提高了最多 15 个百分点，并提供同策略（on-policy）训练数据，能够提升 Qwen3.5-9B 在 SWE-Bench Pro 上的表现，且无需在推理阶段使用批评器。
REMORY 引入了一种神经记忆网络，通过一组有界的软记忆令牌来补充文本摘要，以实现长时程智能体的上下文压缩，使冻结的 LLM 仅使用 5.2% 的输入位置即可接近全上下文性能，并在 Qwen3.8-27B 和 GLM-5.3-Flash 上取得一致的提升。
LoopX 团队分享了使用 astra 作为 supervisor、6.1-sol 作为 executor 运行 EdgeBench 的研究笔记，揭示了评测器过拟合问题、基准设计缺陷，以及长期 agent 反馈与记忆的结构性需求。
本文提出了 GHOST 这一失效模式，指长时程 LLM 智能体在看似无害的交互中违反多轮之前指定的安全约束。研究发现 GPT-5.5 上该问题的发生率为 11.5%，并提出 STAR-Guard 这一两层防御机制，将历史安全约束恢复与执行前审计相结合，在实验中消除了 GHOST 事件。
该论文对长时程语言智能体的记忆使用模式进行了审计，发现其检索轨迹呈现重尾（核心-尾部）分布，并提出了 Core-Tail World Model（CTWM）——一种基于排序的记忆控制器。在 LongMemEval 上，该控制器在保持准确率不变的情况下，最多可将提示词 token 数削减 24.48%。
这篇 NeurIPS 2026 工作坊论文提出了 Long-Transduction——一个受控的诊断基准，用于衡量模型在长生成过程中维持有状态、依赖上下文的操作的能力。在对七个开放权重模型的评估中，论文发现，当上下文长度扩展（最高达 128K）、输入格式变化以及局部任务复杂度增加时，模型性能会出现严重退化。
StateTape 将代码仓库建模为符号级代码图，并标记每次写操作所修改的符号，使得编码智能体的上下文能基于实际代码依赖（而非文本历史）进行重写，从而在六个编码智能体和三个以编辑为主的基准测试中提升了代码解析成功率。