标签
Kolab 介绍了一个用于评测人机协作能力的新基准，包含来自40个职业的50位专业人士在115小时以上真实长时程工作流中与AI代理协作的屏幕录像及质量判断，发现前沿模型普遍高估协作质量且难以区分高质量与低质量协作。
基于大模型的智能体在结构化数据上表现更好，正如 Harvey 在 Legal Agent Bench 上展示的上下文图（context graphs）在长周期法律任务中的应用；作者提到 DAIR.AI 正在为研究类任务探索类似的方法。
本文提出上下文信用策略优化（CCPO），一种无需价值评估器的步骤级信用分配方法，通过上下文相似度加权的同伴比较与未来进度信号，为大语言模型智能体在长程任务中的强化学习提供更精细的优势估计，在 ALFWorld 和 WebShop 上显著优于组相对策略优化（GRPO）。
LHTB 2.0 介绍了一个扩展的长时程终端基准，包含 77 个跨 13 个领域的任务，通过自动化任务构建流水线和密集进度阶梯来衡量 AI 代理在长达三小时工作流中的持续进展，GPT-6-astra 以 0.69 的密集平均奖励领先。
评论介绍了 UCLA 与 Adobe Research 的 Tev 工作：通过构建可验证的长任务环境与稠密中间进度奖励来训练长时程 Agent。Tev-27B 在 Agents'LastExam 的计算与数学子集上以 Pass@5 28% 比肩 GPT-6 Astra 与 Claude Opus 5；Tev-320B 则将 GLM-5.3-Flash 在 Terminal-Bench 4.0 计算与数学子集上的 Pass@1 从 29% 提升至 37%。
SERO 提出通过在真实策略状态上训练可执行的预言机续段（并按策略可达性加权）来改进长程智能体强化学习，且推理时无需额外开销；在 ALFWorld 与 WebShop 上验证了其有效性。
Doc2Harness 提出了一个两阶段基准，直接评测 LLM 构建长周期编码代理 harness 的能力；在 19 个前沿模型中，GPT-6Astra 以 53.05% 的通过率领先，而表现最弱的模型仅为 27.44%。
该论文介绍了 TerminalHorizon，这是一种自动化数据合成引擎，通过围绕真实世界的专业任务重建环境，生成长程终端智能体轨迹，随后对 Qwen3.5-27B 进行微调，得到 TerminalHorizon-27B，在 12 项编程、智能体和推理基准测试中均取得提升。
本文提出层级子任务执行（HSE）框架与 RoboCombine 基准，研究具身操作中技能重组的组合泛化极限，指出失败源于「起始状态差距」，并提出 PRTI 轻量后训练策略以提升跨子任务边界的执行成功率。
ProgAgent 提出一个完整的程序化工具调用（PTC）训练框架，通过可验证的长时程任务合成、轻量级 PTC 运行时和两阶段训练配方，显著优于同规模基线，在 LOCA-bench 64k token 状态下达 30.7% 通过率而基线为零。
一位实践者详细介绍了为在多小时任务中维持 LLM 智能体集群存活而构建的模式（心跳、纪元围栏、意图/完成记录、父级审计），并解释了为何凭证投递、工作区重置和缺失的死人开关等故障仍会导致智能体无声死亡，向社区征求具体修复方案。
TaReD 提出一种工具感知的递归分解方法，通过按功能关系将工具组织成能力层级，让智能体按需发现工具并将复杂长时程任务递归分解为子任务树，实验显示端到端任务成功率最高提升 40 个百分点。
AgentHorizon 引入了一个包含 1,373 个计算机操作任务的基准测试，配备人工记录的轨迹，用于评估智能体评审在长时程、多应用任务上的表现。研究发现 GPT-5.5 以 80.9% 的平衡准确率成为最佳智能体评审，并揭示工具使用对部分模型有帮助，但会损害开放权重模型的表现。
pmtui 是一款终端工具，用于管理多个 AI 智能体并处理长时程任务，通过在智能体之外维护循环、每次根据目标和最新状态重建提示词来避免任务漂移。
论文提出了轨迹锚定剪枝（Trajectory-Anchored Pruning，TAP），这是首个面向强化学习训练的长时程智能体的结构化剪枝框架，将通道剪枝与轨迹锚定的同策略恢复相结合。在移除60%的FFN通道后，TAP在ALFWorld和WebShop上分别保留了稠密7B智能体99.2%和88.0%的任务成功率，同时将每个成功任务的GPU耗时分别降低约22%和17%。
一场从业者讨论，探讨长时运行的AI Agent故障究竟源于模型能力还是其周围的脚手架，重点分析了错误累积、上下文污染和自我修正薄弱这几种关键故障模式。
本文提出 ASCENT，一种在线智能体测试时训练方法，允许 LLM 智能体通过将已验证的执行轨迹自蒸馏为持久的 LoRA 更新，在跨任务过程中改进自身权重，并在 ALFWorld、WebShop 和 AppWorld 上进行评估。
论文提出了 Generalized Implicit Temporal Abstraction（GITA），这是一种用于离线目标条件强化学习的方法，在多个时间抽象尺度上训练单个 k 条件价值函数，从而解决了长程价值信号与局部分辨率之间的权衡问题。GITA 在 OGBench 上超越了 HIQL 和 OTA 等离线 GCRL 基线方法，相比 HIQL 将平均成功率提升了 25 个百分点。
VeriHarness 将 LLM 生成器转变为智能体式验证器——为其配备工作区、证据工具、可复用的验证技能、分歧消解器和共识挑战器——从而在没有参考答案的情况下，为长时程任务筛选可靠输出。在五个基准测试中，它取得了最高的选择得分，使用 Gemini 3.5 Flash 和 Claude Opus 4.8 分别比单次采样提升 6.2 至 6.4 个点，并发布了约 26,000 次采样结果，成本超过 100,000 美元。
论文提出了 ContextProgress-Bench 基准，揭示具身进度奖励模型（PRM）在缺乏适当上下文时无法完成长时程任务的进度估计，并提出 ProgressCompass——一种借助通用 VLM 提供所需上下文的智能体循环，将进度估计误差降低了 63-82%。