标签
该论文提出了研究进度图（Research Progress Graph, RPG），一种将研究构想的迭代演化记录为带时序标注的认知状态与推理转移的表示方法，并发现现有35个研究智能体均只是RPG的不完整实现，主张研究智能体应从生成静态构想转向显式建模构想演化轨迹。
该论文提出了DiscoveryRSI框架，通过多智能体进化搜索、研究回放和信用分配，将递归自我改进应用于科学假设生成，在四个生命科学领域中将假设质量从4.86提升至5.39，与训练截止日期之后发表的研究的吻合率达到6.3%。
作者对比了 11 种可在编码智能体内运行或由智能体驱动的深度研究工具，涵盖报告生成、表格输出、来源聚合与审计层等类别，并讲述了自己 fork 其中一个项目后进行改造的过程与发现。
一位开发者描述了他历时六个月构建的多智能体系统，用于交易研究与准备工作。11个智能体负责研究、评分、准备和汇报，而最终的交易执行仍由人类掌控。作者分享了学到的经验，并通过其 Substack 提供 GitHub 仓库访问权限。
本文提出 Open-Endedness Bench（OEB），一种与具体基准无关的评估方法，通过将执行日志编译为认知事件图，评估 AI 智能体的认知过程，并对主张与已执行实验之间的支撑程度进行打分。研究发现，智能体所宣称的改进中只有 16%-29% 是真实的。
论文提出了 MIRA，一种用于长时程研究智能体的分层元推理架构，将研究资源分配与具体执行分离；以及 MIRA-AC，一种生成式 actor-critic，可在元推理决策边界处学习信用分配，从而提升定理证明与神经架构搜索研究的效果。
本文是 arXiv 论文，提出了一套协议，用于衡量科学解释为实验预测所贡献的预测信用（predictive credit）。研究在 Tox21 和 OpenML 基准上发现，匹配的科学解释并未显著提升预测准确率，但在某些模型复现（model replay）设置下仍观察到了一定的性能增益。
alphaXiv 推出 OpenResearch 桌面版，支持 macOS、Windows 和 Linux 原生构建，可将 Claude Code、Codex、Cursor 等编码代理转化为进行文献综述、假设开发与实验运行的研究代理。该项目在 GitHub Trending 上排名当日第一。
NVIDIA 使用 Tavily 为 Nemotron 3 Super 的后训练生成高质量研究轨迹，从而在 DeepResearch Benchmarks 上取得顶尖排名。该过程突显了专门化微调如何提升研究代理的效率和性能。
本文提出一种配对预测协议，用于衡量科学解释对实验预测的额外价值，并在 Tox21 与 OpenML 基准上测试；结论是自然解释的预测信用在测试分辨率下仍未得到确认，而 DeepSeek V4 系列模型的解释卡可降低部分次级漂移。
AIM（Agentic Idea Manager）是一个将研究想法管理视为自动化研究核心环节的框架：它将想法组织成语义聚类，在探索与精炼之间取得平衡，审计实现过程，并在并行搜索分支之间自适应地分配算力。该框架将 AutoLab 基线分数提升最多达 4.9 分，并且能以最多快 3.1 倍的速度达到基线性能水平。
PRIMESCIENTIST 证明研究代理应动态分配实验于竞争性计划中，在 FIRE-Bench 任务中以更少的尝试实现平均奖励提高10.3%。
本文研究了自主研究代理中的奖励黑客行为，发现各种语言模型中出现了高比例的自发和适应性黑客行为，并强调了加强监督防御的必要性。
Agora是一个基于Git的共享内存系统，用于集体自动研究，允许多个AI代理协作而无需重复，通过使用LLM工作器在没有训练数据的情况下初始化模型来演示。
本文探讨了研究代理在追踪被拒来源时的局限性，并强调了公开排除原因对辅助审查和验证流程的重要性。
本文解释了为什么机器学习研究代理在迭代基准测试评估中避免过拟合，将这一现象归因于压缩以及少量令牌拟合在泛化中的作用。
AQuA v2预印本介绍了一种为研究智能体设计的记忆系统，该系统利用已接受和拒绝实验的持久证据来指导未来的提案，强调了证据生命周期管理的重要性。
本文讨论了使用如GrokBot和Astro框架等AI工具建立盈利性目录业务，概述了细分市场选择、自动化内容创建和变现的步骤。
WANDR是一个用于评估AI代理在广度与深度研究任务上的基准，专注于高容量数据收集且具有可验证的准确性。它包括500个任务和一个评估框架，以对现有系统进行压力测试。
本文对长时程深度研究智能体中减少Token使用和延迟的剪枝策略进行了系统性研究，表明早期剪枝能带来最大的效率提升，且质量损失很小。