标签
一项名为 GDPx 的全新前沿级长周期基准测试已发布，它是 GDPval 的继任者；即使是最优秀的模型，得分也仅在 12% 左右，凸显出智能体任务表现仍存在巨大差距。
该论文介绍了 BABA-Bench，这是一个包含 47 个交互式患者权益倡导场景的基准，会实时检查智能体的每项操作是否具备权限和证据支持，以及是否涉及禁止执行的步骤。研究对 14 个前沿模型进行了共 1,974 次运行评估，发现智能体经常通过不合规的路径达成正确结果——例如，Claude Opus 5 在 81.6% 的运行中达成了所有预期结果，但仅在 52.5% 的运行中通过了全部程序合规检查——而提供经过验证的路径可将通过率提升至 91% 以上。
CodeSpecWeave 是一个用于合成长程编码任务的框架，这些任务具有丰富且相互依赖的规格要求。该框架生成了 4,670 个训练任务和一个包含 100 个任务的基准测试集；在这些任务上进行强化学习训练，显著提升了 DeepSWE-v1.1 相较于基线的性能。
Google 发布新一代旗舰模型 Gemini 4 Carbon，具备顶级网络安全与长时程任务能力，在 Artificial Analysis 智能指数 v5.0 上排名第一，并将在网络安全防御领域率先向可信合作伙伴灰度开放。
Browser-Use 与卡内基梅隆大学研究人员合作发布了 Odysseys2，这是一个基于真实用户任务构建的高难度长时程实时网络智能体基准测试，其中最强的 SOTA 智能体仅完成了 100 个任务中的 47 个。
UC Berkeley 的一项研究发现，定期丢弃历史并从最佳结果重新开始的 Agent，比并行 Agent 表现高出最多 15%；文章还引用了 Microsoft 的 Fork-and-Flush 以及 Drew Breunig 提出的"上下文惯性"概念，来探讨跨上下文重置应该保留哪些状态这一开放问题。
HaMo 是一个框架与模型协同（Harness-Model）的框架，将策略级经验卡片的快速检索与渐进式参数化适应相结合，以提升长程 Web 智能体的记忆保持与跨任务执行能力，在领域偏移场景下优于仅依赖框架或仅依赖模型的方法。
HiP3R 提出一种层级式位姿图方法，通过先优化块级 Sim(3) 图建立全局布局，再固定该布局估计每帧共享的 SE(3) 相机位姿，将局部视频重建合并为全局一致的相机轨迹和 3D 几何，无需重新训练。
上海人工智能实验室发布35B MoE智能体模型Sage-A1.5（仅3B激活参数），主打长程任务执行、子代理并行编排与开放科学发现，在多项基准上以小参数反超Kimi-K3、GLM-5.3、GPT-5.6-sol等更大模型，并同步开放技术报告与模型权重。
论文提出了由腾讯与多所高校联合研发的RiseHarness框架，该框架在保持模型权重不变的前提下，通过迭代优化智能体的Harness来处理长时程终端任务，分析成功与失败的执行记录，逐步整合更优的执行机制。
该论文提出 TURTLE，一种无监督环境设计方法，通过 proposer、solver 和 feedback generator 自动演化出自我调优的长时程工具使用基准，可在 AppWorld、τ-Bench 等评测中提升任务难度、多样性并揭示更广的失败模式。
Navalia 是一个协作智能体框架，将源自企业财务报告的可验证任务合成与长程后训练（SFT + RL）相结合，在五项智能体基准测试中均在其基座模型 Qwen3.6-35B-A3B 之上取得了持续的性能提升。
Office Intelligence 为办公场景中长时间运行的 AI Agent 工作引入了研究环境、框架与评估体系，涵盖文件系统、终端工具、文档、电子表格、聊天和邮件等功能，运行于一个模拟的对账工作流之中。
DeepSeek V4.1 Flash 1017 在长程浏览器操作基准测试中追平了 Opus 5.5 的表现，而每任务成本仅为后者的 1/19，树立了新的性价比帕累托前沿。
提出来源判定压缩（SJC），一种免训练的后处理方法，通过可校准的判断模型 Jev 对压缩摘要中的每个条目进行评分，判断其是否能在环境输出中找到依据，并移除无来源条目，从而将长时程大语言模型智能体的跨运行可靠性提升 2.1%–8.9%。
TreeOPSD 提出了一种无批评者的树感知后验自蒸馏框架，用于长时程智能体强化学习。该方法将终局奖励递归回传为隐式回合级信用，并生成有界的封闭式教师分布，在多个竞争性基准上显著优于 GRPO。
MMSearch-OPD 提出了一种结合可控数据精炼与联合强化学习和在线策略蒸馏的方法，以提升长时程多模态搜索智能体的能力，通过将简单问题扩展为困难且可学习的训练样本取得显著改进。
DeLoop 是一种自监督偏好优化方法，通过将智能体自身的 rollout（执行轨迹）用作训练对，减少长时程语言模型智能体中重复的工具调用循环。在上下文压缩条件下，该方法将出现循环的任务比例从 57.3% 降至 6.1%，并提高了较大规模模型的任务成功率。
EdgeWise 是一个边缘-云协作框架，在本地部署小语言模型（SLM）作为主要求解器，并通过强化学习在关键步骤选择性地将任务委派给云端大模型，从而在 SWE-Rebench 上降低高达 62%、在 Terminal-Bench 2.1 上降低 34% 的推理成本，同时保持与纯 LLM 执行相当或更好的性能。