文章与教程

MiniCorp 将企业内部的多智能体协作与外部市场环境连接起来，试图解决真实企业数据稀缺、隐私受限且缺少反事实记录的问题。它不仅模拟公司运行，还持续生成可回放、可比较的长期经营数据。

GUI-HARVEST不更新模型权重，而是围绕模型构建的执行框架持续迭代。它通过截图、动作轨迹和重复运行结果定位故障，并将经过验证的发现转化为可复用的代码修改。

一项新基准不再只凭视觉观感评价视频世界模型，而是直接测量其中可观察的物理关系。对8个视频生成模型的测试显示，当前模型在跨物理领域的一致性仍然有限。

一项针对软件工程智能体的研究显示，良性监督微调虽然会削弱模型后门，但后续强化学习可能保留甚至放大残余恶意行为。研究还提出 PersistBD，说明攻击者能够有意提高后门穿越开发者后训练流程的持久性。

HERMES 提出 Dev-Primitives，将代码、测试和配置等仓库组件与驻留式语言模型绑定，使它们能够理解自身实现、彼此通信并参与修改。实验显示，合理设计智能体运行框架，可能比单纯扩大模型规模更有效率。

这项研究提出“个人智能体介导推荐”，让平台推荐系统先生成候选排序，再由掌握跨平台用户历史的个人智能体进行调整。研究同时发布 MediateRec 基准和 PAMO 方法，探索智能体何时应纠偏、何时应相信平台。

工具调用代理即使最终达到正确结果，也不代表它曾经基于充分证据采取行动。SafeActBench 的研究显示，代理的主要风险往往发生在真正执行之前，以及多步工作流的依赖管理阶段。

科学智能体能力提升后，固定基准容易被“刷穿”。AutoSciBench尝试自动生成并迭代科学任务，让评测集根据模型暴露出的捷径和失败模式持续更新。

机器人真实执行动作时，常会受到摩擦、回差、负载变化和机械磨损影响，导致动作偏离视觉语言动作模型的指令。来自浦项科技大学的研究提出一种无需任务标签或奖励的在线自补偿方法，并用 RoboStress 系统测试 VLA 的抗执行误差能力。

HuatuoGPT-3 提出 OnePO，将教师模型输出作为阶段性引导，尝试从基础模型直接进行领域强化学习适配。论文称，27B 版本在 HealthBench Professional 上达到 71.4 分。

思维链并不总是模型真实计算过程的可靠窗口。纽约大学团队提出CIA指标，用可解释性工具对照模型的文字推理与内部策略，并尝试通过后训练提升二者的一致性。

ALoDLM 为扩散语言模型引入 token 级自适应循环机制，让已经准备好的 token 提前确定，困难 token 则继续获得额外计算。论文称，该方法在 1.7B 和 8B 规模上同时提升了质量与并行解码效率。

长期记忆让智能体更懂用户，却也可能让模型盲目迎合用户过去的观点。MemAdapter提出反事实诱导、上下文反思和基于证据推理三步机制，动态决定记忆在当前任务中的影响力。

主动式 LLM 智能体不再只是等待指令，而是利用空闲算力提前发现需求并提供帮助。新研究提出 3T 原则与 Proactivity-Gym，试图同时衡量任务能力、时间分配和用户信任。

研究人员让语言模型代理直接改写分子几何优化器 Sella，并通过防止过早停止和过拟合的评估机制筛选方案。生成的 AutoSella 在未参与搜索的分子基准和 DFT 势能上均减少了力评估次数。

一项新工作提出逆蒸馏遗忘框架 IDU，让扩散或流匹配模型在压缩为单步生成器的同时，降低指定训练子集再次生成的概率。该方法不需要保留数据、额外分类器或特征提取器。

ASCENT提出一种在线智能体测试时训练方法：不直接复刻智能体的一次尝试，而是利用验证后的轨迹进行自蒸馏。实验显示，该方法在ALFWorld和WebShop上提升了任务成功率，并减少了执行回合数。

LoGRA 将大模型强化学习中的梯度信号压缩为低秩表示，同时配合预测 KL 的步长控制，在尽量保持效果的前提下降低训练内存。论文报告称，该方法最高可减少 45.7% 的平均训练内存，并支持在单个八卡节点上稳定训练 27B 模型。

UndoBench 将工具调用智能体的任务能力与故障恢复能力拆开评估。结果显示，智能体往往能完成任务，却未必能在工具调用异常后避免重复操作和外部副作用。

一项新研究将数学推理拆解为发现、生成、理解和执行四类能力，指出单看最终答案会掩盖模型的真实能力结构。研究还提出基于数学原语的自蒸馏方法，用于修复推理中的关键缺口。

一项研究发现，测试时训练若持续吸收模型自身生成的文本，可能在长上下文中形成自我强化的退化循环。研究进一步表明，在提交参数更新前用独立真实文本验证，是降低风险的有效办法。