标签
LAMB 是一个面向长时程 LLM 智能体的循环框架，用于维护隐式多假设信念。该框架将记忆分解为共享的 Common 状态和加权的 Delta 分量，并在 ALFWorld、ScienceWorld 和 Crafter 上相比 PABU 取得了显著提升。
Sage-A1.5 是一个 35B 混合专家智能体模型，通过自适应能力组合推进长周期问题求解，具备子智能体委派的智能体编排、反思验证以及开放式科学探索能力。
论文展示了四名 Gemini 4 Argon 智能体在一个沙盒 Minecraft 生存世界中自主协作，通过 2,783 个自编程序在 27 小时内击败末影龙，据称是首个仅使用标准 Mineflayer 库、无人类干预的端到端自主通关 Minecraft 的成果。
提出 ReTRAIL 框架，允许 LLM 智能体在长时程任务中回退环境状态，同时通过 State-Anchored GRPO 和分支推进奖励复用已放弃探索的经验，从而从死胡同轨迹中有效恢复。
AMBER 是一个框架，让 Web 智能体联合学习推理、行动并将信息写入仅追加（append-only）的记忆，并通过基于结果奖励的强化学习进行端到端训练。在不使用人工筛选的 SFT 数据的情况下，其在 WebArena Lite 上的成功率优于基于覆盖写入记忆的方法。
一项受控的 CivBench 基准评测了大模型在固定开局条件下完整游玩《文明5》的表现，结果显示 GLM-5.3 领先于 Opus-5.5，而 Qwen-3.8-27B 的表现同样令人惊喜；团队还发布了开源工具 Vox Deorum，并正在测试 GPT-6.1-Sol 等更新的模型。
本文介绍了自适应一致性图（ACG），这是一种通过结构化证据和上下文来增强LLM智能体长期决策能力的方法，从而在基准测试中提高成功率。
这篇论文介绍了GAVEL，一个利用图世界模型来改进长期LLM机器人规划的框架，通过验证和修复动作，显著将任务成功率从41.2%提升至91.8%。
CivBench是一个开源基准，用于评估在使用文明VI的长期、工具介导环境中语言模型智能体的表现，引入了主动监控率和RAG@10等指标来评估智能体行为。
本文认为，AI代理中薄弱的长期基础仅靠后训练无法修复，主张采用干净的世界模型和长轨迹训练，并使用在线策略蒸馏来处理更长任务中的稀疏奖励。
无影-浏览器代理是一个面向真实世界长周期浏览器智能体的统一框架，引入了BrowserBench基准测试，并在网络使用任务上实现了最先进的性能。
该论文提出通过最大化相邻速度向量之间的余弦相似度来局部拉直潜在轨迹，以降低世界模型规划的优化难度。在PushT数据集上的实验表明，长程规划的成功率达到36%。
本文介绍了OfficeEval，一个基于中国全国计算机等级考试（NCRE）的基准测试，用于评估大语言模型代理在复杂办公自动化任务上的表现。前沿模型在单轮交互中最高得分36.6%，在使用智能体系统时达到68.8%，远低于人类水平。
SpatialWorld是一个统一的基准测试，用于评估多模态智能体在各种真实世界任务中的交互式空间推理能力。结果表明，即使是最强大的模型，其任务成功率也很低。
AHA-WAM是一种异步世界动作模型，采用双扩散Transformer将世界预测与动作执行解耦，实现了高效的长视野规划和实时控制。它在机器人操作任务上达到了最先进的性能，在RoboTwin上成功率达92.8%，在现实世界任务中达78.3%，同时实现了24.17 Hz的闭环控制。
本文认为，大型语言模型在因果推理和长时域规划方面存在困难，其原因在于序列预测与对潜在环境动态的推理之间存在目标层面的不匹配，并引入了潜在动态推断视角以及Flux环境来研究这些局限性。
本文介绍了DAWN，一种用于世界-动作交互模型（WAIMs）的潜在生成基线，通过递归细化联合建模场景演化与动作生成，在自动驾驶场景中实现了强大的长时域规划性能。
来自 PwC 的一篇新论文挑战了智能体澄清中“越早越好”的直觉。研究通过一个强制注入框架表明，目标澄清的价值会迅速流失，而输入澄清则在更长的时间内保持有用。该研究提供了关于智能体何时应提问的定量需求曲线，揭示了当前前沿模型经常在错误的时机进行澄清。
MIT研究人员开发了VLMFP，这是一种结合视觉语言模型与形式化规划软件的两阶段生成式AI方法，在机器人导航等复杂视觉规划任务中达到了70%的成功率，比现有基线方法高出近2.3倍。该方法能自动将视觉场景转化为传统求解器可处理的规划文件，从而在新环境中实现高效的长期规划。