标签
InternScience 发布 Sage-A1.5，一个基于 Qwen3.6-35B-A3B 微调的 35B MoE 智能体模型，主打长程科学问题求解，具备智能体编排、自我验证与开放式科学发现能力，在多项基准上与 Kimi-K3、GLM-5.3、GPT-5.6-sol 等前沿模型竞争。
ECHOES 提出一种通过递归历史压缩与特权在线蒸馏来增强长时程 GUI 智能体状态保持能力的方法，无需在部署时保留历史截图即可取得有竞争力的性能，并发布了细粒度诊断基准 ECHOESBMK。
StarSkirmish Bench v0.2 在一小时时限内让各旗舰 LLM 用 C++ 编写 StarCraft: Brood War 神族机器人并与人类选手机器人对战，GPT-6 Astra 以明显优势居首，Gemini 4 Argon、Claude Opus 5.5 和 Claude Fable 5.1 紧随其后，且结果显示人类顶尖机器人仍远超所有模型。
Google DeepMind 宣布推出 Gemini 4 Argon，这是一款面向深度推理的前沿模型，专为软件工程、企业知识工作和防御性网络安全中的长周期工作流而打造。初期将通过 Fairwind Program 向受信任的网络防御者逐步开放，之后再进行更广泛的推广。
BAAI 发布了 AREX-2，这是一个基于 Qwen3.8 的 27B 长周期自我改进 Agent 模型。它能够在多轮测试时（test-time）迭代中学习提出方案、测量结果、进行反思并不断修正，在代码、机器学习工程与深度研究等基准测试上仅用 27B 参数就取得了优异表现。
DeepRewind 引入了一个增量式控制层，将深度研究智能体的认知状态建模为带类型的图，并利用基于提示的世界模型和一致性监控器来阻止并修复过早承诺，在 DRBench 和 LiveDRBench 上将其减少了 59.1%。
SAGE是一个框架，通过代数稀疏化和双曲结构引导，缓解大型语言模型在长期推理中的探索偏差和复合偏差，在多个基准测试中取得显著改进。
本文介绍了QART，一种量子-经典混合架构，通过集成量子编码和优化，增强了大语言模型中的长程推理能力，并在多个基准测试中展示了性能提升。
ContextPilot引入了一个用于长期智能体推理的主动上下文管理框架，通过细粒度强化学习结合分支采样来提升在维持紧凑工作上下文方面的性能和效率。
Argus is a persistent, self-evolving agentic runtime designed for long-horizon reasoning, using Manager, Planner, Engineer, and Reviewer roles with verification-gated persistence and pivoting. It demonstrates strong results across seven benchmark arenas, including ~78% on SWE-Bench Pro, while reducing token usage after runtime self-evolution.
该论文提出了PRO-LONG，它为AI智能体采用了一种程序化、无损耗的记忆系统，将所有过往动作存储在一个结构化的文本日志中。这种方法显著提升了长期推理能力以及在ARC-AGI-3游戏上的表现，同时使用的token数量比更强的专用系统少4.2到5.8倍。
LongMedBench 是一个新的基准测试，用于评估基于LLM的医疗智能体在长时程临床决策中的表现。它使用来自 MIMIC-IV 的真实电子健康记录数据，包含335名具有多次就诊记录的患者，并提出了针对事实问答、时序推理和长时程决策的评估套件。
这篇 ICML 论文介绍了递归模型，这些模型递归地调用自身在隔离上下文中解决子任务，证明它们可以在长时推理中超越上下文受限的自回归模型。在 SAT 求解和围棋博弈树搜索上的实验表明，使用较小的活动上下文能提高准确性。
Sakana AI 发布其首款商业产品 Sakana Marlin，这是一款自主研究助手，可在数小时内完成策略工作，生成结构化的幻灯片和详细报告。
本文介绍了SPADER，一个用于多答案问答的强化学习框架，它使用逐步同行优势进行信用分配，并采用多样性感知探索奖励来提高长尾实体的召回率，在多个基准测试上取得了更好的性能。
本文提出 SAM，一个状态自适应记忆框架，能够动态管理长程智能体推理中的交互历史，实现意图驱动的回忆，而无需重新训练基础模型。它在多个基准测试（如 BrowseComp 和 HLE）上优于强基线方法。
本文提出了“先绘图后行动”范式（MAP），这是一个即插即用的框架，在执行前将环境理解前置到交互式LLM智能体中，在多个基准测试中取得了一致性的性能提升，并使前沿模型在25个游戏环境中的22个上超越了接近零的基线性能。
HAGE引入了一种加权多关系记忆框架，能够在统一关系记忆图上实现查询条件化的遍历，通过自适应记忆检索和基于强化学习的优化来提高长程推理准确性。