标签
FrameMorrow 提出一种面向长时序视频生成的前瞻式帧选择方法，通过预测代表未来信息需求的紧凑 prospective tokens 来从历史中挑选相关帧，实现跨生成器的即插即用集成，并在五个基准、11 个生成模型上取得一致提升。
AREX-2 通过在机器学习和算法编程任务上合成的长时程反思轨迹进行训练，推进 LLM 智能体的自我改进。基于 Qwen3.8-27B 构建，它在 MLE-bench Lite（81.8）和 Frontier-CS（70.7）上取得了优异成绩，并能迁移到 BrowseComp、HLE、GAIA 和 DeepSearchQA 等深度研究任务。
本文提出GEAR（几何启用的注意力路由）框架，该框架利用几何作为视觉记忆的显式令牌级地址，以增强长时序相机控制视频生成，并达到最先进的成果。
介绍了 SatNav，一个基于高分辨率卫星图像构建的可扩展长时程无人机视觉-语言导航基准，包含 18 个城市 59 个场景的 118K 任务，并提出模块化框架 SwiftVLN 及卫星到真实无人机的迁移实验。
本文介绍CoCA，一种用于长期多模态智能体动态能力分配的on-policy学习框架，通过条件比较和强化学习来解决计算开销和阶段依赖需求。
本文介绍了EmbodiedMemory-Bench，一个用于评估长时程具身任务中记忆的基准测试，并提出了Embodied-Memorizer，一个具有8B策略模型的外部记忆系统，以增强代理性能。
本文介绍了 EmbodiedSWE，这是一个使用编码代理来解决复杂、长期的灵巧机器人任务，并通过模拟基准生成演示以训练机器人策略的框架。
介绍了 SimLife，一个可扩展的平台，用于模拟长期家庭生活，以及 SimLife-BP，一个评估 AI 智能体从扩展观察中推断行为模式能力的基准，发现当前模型通常缺乏基于规则的深入理解。
本文提出了一种面向长时AI智能体的层级架构，结合了层级、滴答和级联智能，以实现持续运行而无遗忘，并在十天的活动中进行了验证。
本文提出PARTS，一个现实世界子任务强化学习框架，通过专注于瓶颈子任务并最小化人工干预来提升长期操作任务，在实验中实现了更高的成功率。
本文提出回滚引发反思（RIR）框架，用于长时程LLM代理，通过结合状态回滚与反思记忆来改善错误恢复和任务性能。
本文介绍了 Blindspot，一个用于长期工具使用大语言模型（LLM）智能体轨迹级安全校准的基准测试，通过自适应对抗交互评估模型在多个安全指标上的表现。
CADWorld是一个用于评估在FreeCAD中进行长期机械CAD工作流中计算机使用代理的基准，揭示了当前AI性能与专家水平之间的显著差距。
RoleBreak是一个开放基准，用于评估口语对话系统中长时角色扮演的鲁棒性，揭示了当前模型在长时间交互中维持角色一致性和语音情感方面的能力差距。
本文探索使用LLM构建自适应物理AI代理，以零样本方式管理长周期任务，并展示与强化学习代理相比，它们能有效适应环境变化。
本文介绍了任务在应用手册（TAM）基准，用于评估语言模型的长时序程序推理能力，揭示了当前大语言模型在ICD-10-CM编码和量刑指南等任务上的显著差距。
本文介绍了Mr.LHDR，一个用于评估多模态真实世界长周期深度研究代理的基准，表明当前模型在复杂推理链中难以实现依赖一致的证据整合。
AutoFyn 是一个非参数化代理框架，采用专家迭代机制，具备持久状态和外部验证，在数学、数据科学和网络安全任务中提升了表现。