标签
Rohan Arun 构建了 ARC（Agent Relay Chat），一个轻量级的基于 HTTP 的中继系统，让 Codex 等 AI 智能体和其他机器人能够加入共享聊天室，协作完成任务。支持邀请码和智能体名称注册，实现实时协作。
SERA（Self-Evaluating Recursive Agents）提出了一个联合训练单一策略的框架，使其能够完成子任务分解、执行与评估。该框架通过可验证结果对齐评估准则，并引入叶覆盖奖励，在实验中显著优于递归智能体基线，表明学会评估能够提升求解能力。
这篇论文提出了一种基于百分位控制的高速公路场景生成方法，通过条件扩散模型与采样时风险引导，将 corner case 的极端程度量化为其在条件风险分布中的百分位，从而实现对生成场景风险程度的精细调控。
Meta 论文提出 RankEvolve，通过可执行操作协议（EOP）将研究阶段编译为受运行时强制执行的状态机，并让 Claude Code 与 Codex 作为节点互相审查修复，在预算持平下将执行准确率从 45.8% 提升到 62.5%，且在 MovieLens-20M 上改进推荐模型的 NDCG@10 达 4.48%。
一位用户报告称，他将四个 AI 模型——Claude Opus 5.5、Sonnet 5.5、Jev 和 Dots——组合起来，仅用约 20 分钟就构建了一个完全可运行的 24/7 自动化交易机器人，策略生成、代码实现、风险控制和运行时监控分别由不同模型负责。
作者剖析了 Claude Code 的源码，讲解其多 Agent 系统如何分层实现：Agent 工具、带命令队列的任务注册表、基于磁盘信箱的 teammate 团队，以及确定性的 JS 工作流引擎——所有这些都统一走共享的查询执行器，上下文彼此隔离，仅通过消息通信。
NoHope 发布了名为 "swarm" 的实验性网络项目，专注于培育和控制群体（swarm），目前已可通过 nohope.io 访问。
Poteto（pstack 创作者，SpaceX）与 Matt Pocock 的一小时对话，揭秘如何每月合入 2,500 个 PR：从把反复纠正 AI 的经验沉淀为 Skills，到让 Agent 具备验证能力、用工具和 lint 约束减少重复劳动，再到内外层多 Agent 循环与抽查式审查。
Zineng Tang 宣传 10月9日 在 COLM 2026 举办的 LSEI 研讨会，探讨语言模型如何通过与世界和其他智能体互动来学习，届时将有精彩的嘉宾阵容和开放讨论。
MegaCapybara 是一个针对 NVIDIA RTX 5090 优化的开源 LLM 推理引擎，支持 Qwen3.8-27B，单智能体可达 500+ tokens/s，多智能体并发最高 2000+ tokens/s，具备投机解码、共享上下文池和智能 VRAM/RAM/磁盘缓存管理。
作者们提出 Choir——一个用于分布式多智能体自动形式化的开放、模块化协议，将项目拆解为基于 GitHub 的任务，并通过确定性的信任门验证机制进行审核，支持 Lean 4、Isabelle 和 Rocq；该项目包含一篇预印本以及一个由 DARPA expMath 项目资助的开源代码仓库。
Google Research 推出 Cogentic——一个基于 Gemini 构建的多智能体框架，通过迭代的「证明–验证」循环来发现理论计算机科学中开放问题的证明，在在线学习、拍卖理论和机制设计领域的五个开放问题上产生了经专家验证的新结果。
Google 的一篇新论文介绍了 Cogentic——一个多智能体编排系统，通过结合并行的思路生成、严格的逐步验证以及持久化的共享笔记，让 Gemini 为 5 个此前未解的数学问题发现了新的证明。
这是一份关于一项开源实验的实地报告，测试多个 AI 编码智能体如何共享一个代码库：在隔离分支中，每次运行都会产生语义冲突但文本上可合并的工作；而共享工作目录加上一个轻量级“决策模型”裁判（Jev）改善了协调；无监督的智能体间消息通信也自发出现了。
论文提出了 Hermes——一系列可配置的框架，让模型能够在推理时的算力之间灵活分配上下文；同时提出了 Hermes-Learn——一个两阶段框架，训练模型自适应地做出这些上下文推理决策，从而缩小了小型开源模型与更大模型之间的差距。
作者将 AgentWS 的工作区基础设施与受保护的 Git worktree 进行对比，用于多代理文件更新场景，结果显示两者结果完全一致，但 AgentWS 需要的自定义代码要少得多。文章强调，ACL、工作进程故障后的恢复以及冲突处理，是普通 Git 无法满足的需求。
论文提出了集体偏见缓解（CBM）框架，通过微调模型行为以及在多样化的 LLM 之间进行知识共享来降低大语言模型的偏见，并采用 Debating 和 Committee 两种路由拓扑，在偏见缓解效果与推理成本之间取得平衡。
CodeAF 是一款为开源模型设计的编程框架，旨在以极低成本实现接近前沿水平的编程性能，并提供统一界面来管理和监控跨项目的多个编程智能体。
Meta 与华盛顿大学的一篇论文提出了 Context Language Models（CLMs，上下文语言模型），智能体将自身上下文视为一个可通过 Bash 管理和编辑的文件。零样本和 RL 训练的变体在 BrowseComp-Plus 与多智能体任务上以更少的 FLOPs 获得更高的准确率，此外还提出了一种 Suffix Cache Reuse 技巧来抵消缓存失效的成本。
多个团队各自独立构建了 AI 智能体，每个智能体在同一个客户账户上维护着各自孤立的记忆，导致在续约时出现相互冲突的操作。解决办法是将账户历史统一存入一个共享的实时存储——DevRev's Computer，并与 HubSpot、Gmail 和 Slack 同步——所有智能体通过 MCP 访问它。