腾讯混元发布 WorkForge 框架，从真实资源构建长程工作智能体训练环境
腾讯混元发布 WorkForge，一个从真实世界资源为长程工作智能体构建可验证训练环境的可扩展框架。该框架从专家工作流出发搭建真实工作空间、抽取可核查事实，并据此派生任务与程序化加语义的双重验证器；已扩展到覆盖 40 个专业领域、60 种文件类型的 16.7K 个环境，论文称随数据量和交互时长增加，长程工作基准上取得一致提升。
全部动态
按时间排列的全部内容。默认只显示通过双重评分的入选条目；切换到“全部收录”可以检索所有抓到的资料。
430 条收录动态，更新于 17:06
全部收录包含没有通过评分的资料，标题以常规字体显示并标为“未入选”，只供检索，不写入选理由。
10月22日
星期四，5 条继承而非发明：推理模型中“wait”标记的来源追踪
研究追踪开放模型训练史发现，零强化学习几乎不会让模型自发产生“wait”标记：在缺少该词的基座模型上，RL 能显著提升 MATH-500 准确率，但“wait”仍近乎缺席。
Librarian Agents：优化信息组织提升LLM上下文
如何扩展大语言模型的上下文？ 智能体搜索可扩展到任意规模的信息量，但很容易遗漏相关信息。 想法💡：针对下游效用优化信息组织方式。即使在分布外领域也能带来30%以上的提升 论文+代码：https://librarian-agents.github.io/
引用Anikait Singh@Anikait_Singh_LLMs deployed in specialized domains, from enterprise codebases to law firms, dig through a mountain of unstructured context! Our new paper, Librarian Agents, asks: can an agent adapt by curating its own long-context workspace, anticipating queries before they arrive? 🧵⬇️
R^2Orch：通过技能内化循环中的自我对弈实现智能体编排的递归自我改进
R^2Orch 提出“递归自我对弈编排”范式，内层循环让编排器在自选任务上自我对弈提升，外层循环改进内层循环的改进方式。配套的 Recursive Learnability 训练目标奖励 Proposer 选择技能撤除后结果仍分化的任务，Skill Withdrawal 则在受控评估显示撤除某技能后表现不变时将其移除，两循环形成闭环并趋向零技能部署。
10月21日
星期三，4 条Sakana AI 开源 QD-Rec 推荐系统，用质量与多样性演化推荐理由
Sakana AI 开源 QD-Rec，把开放式搜索用于推荐任务，同时搜索推荐什么以及为什么推荐，为每个候选配上解释其为何契合决策者目标的自然语言假设。系统由上下文赌博机、LLM 生成假设和存档三部分组成，在收购标的发现、客户定位和论文推荐三类任务上评测，多数设置下 LLM 评分平均质量最高，存档通常也最大。
奖励设定偏差削弱思维链可监控性
论文指出奖励设定偏差会让大语言模型利用有缺陷的奖励，而思维链仍看似与原始任务一致，使奖励黑客难以被发现。作者提出 Reward Description Training，从训练轨迹中推断奖励函数实际偏好，再训练模型在思维链中明确讨论该目标。该方法在 3 个模型和 3 个任务上将检测率从 18% 提升至 85%，可监控性提升 24-42%。
TenetBench：用俄语职业伦理条款评估语言模型
TenetBench 将 3,433 条与十五部俄语职业伦理准则条款冲突的请求，与仅在合法性上不同的良性对照请求配对，用于评估语言模型是否会违反或协助违反职业规范。
用稀疏自编码器构建可审计的 AI 文本检测器
研究团队提出一条流程，把微调后的神经网络 AI 文本检测器转换为基于人类可读概念的分类器：直接在检测器的残差流上训练稀疏自编码器（SAE），为每个 SAE 特征分配自动解释标签，只保留描述通过全局保真度阈值的特征，再在这些可解释特征上训练轻量分类器。
10月20日
星期二，1 条Sakana AI 提出推荐方法 QD-Rec，用进化式探索生成多样候选与假设
Sakana AI 开发了推荐方法 QD-Rec，把 Quality-Diversity（QD）进化式探索技术用于推荐，在有限评估预算下同时探索候选与假设的组合，保留新角度提案、合并相似提案，以积累多样化的推荐集合。
10月19日
星期一，1 条论文提出 PhysRSI-eval 五轴指标，观测 LLM 智能体的物理递归自我改进能力
一篇预印本论文提出 PhysRSI-eval，用首次尝试表现、效率、成功率、预算和从失败中改进五个维度量化物理递归自我改进（physical RSI），并在固定交互预算下用 18 个操作任务评测不同视觉语言模型。
10月20日
星期二，1 条Linear Depth Memory：固定大小跨层记忆提升Transformer困惑度
Linear Depth Memory（LDM）用递归最小二乘法在Transformer各层间维护固定大小的记忆，替代随深度增长的注意力残差存储。在400M和1.5B模型上，LDM的困惑度低于标准残差、mHC和AttnRes，零样本准确率具竞争力，配合优化内核吞吐相当。
10月19日
星期一，2 条AnyGoal：世界模型在专家轨迹之外的泛化基准
研究者提出 AnyGoal，一个由常用世界模型环境构建的目标偏移任务变体基准及开源库，用于检验世界模型能否把熟悉的状态与动作因子重组为有效动力学。每个任务中单个状态因子和动作仍在训练支持范围内，但其组合在专家轨迹中出现不足。在多个环境和世界模型家族上，当前模型在这类重组下持续失败。
Holi-World：从人类第一视角经验构建整体世界智能
Holi-World 是一套整合经验采集、世界表示、自动化数据构建、模型学习与独立评测的生态，其 HoliWorld-Foundry 结合静态与动态感知自动构建世界记录，HoliWorld-Data 将约 100 个自采集场景整理为约 80K QA 对，用于训练 HoliWorld-VL-4B。
10月20日
星期二，4 条EpiLens 开源轻量 RAG 包发布，用于流行病学文献结构化提取
ISI Foundation 团队发布开源轻量 RAG 包 EpiLens，用固定检索模板和输出 schema 对语料中每篇论文做同样的结构化分析，并把每条输出链接回原文段落。
SQuIREL：面向 Wikidata 实体丰富度的上下文相对度量框架
研究者提出 SQuIREL，一种在实体层面衡量 Wikidata 丰富度的方法，按语义具体性、限定符密度、内部连通性、引用来源、外部网络连通性与语言可及性六个维度分别打分而不合并为单一分数。在油画与作家两组案例中，该方法识别出 48% 的巴西油画实体属低丰富度条目，而法国组为 0%，并揭示英国与尼日利亚作家之间不同的性别差距。该工作以 arXiv 预印本形式发布。
MDPI 团队提出 MATCH 框架，为 200 多万篇论文自动标注 SCALE 细粒度概念
MDPI 数据智能团队提出 MATCH 框架，用标题、摘要和作者关键词把 SCALE 分类体系中的 Scientific Concepts 分配给单篇论文，并保留完整层级路径。
用弱监督域内适配改进 SPECTER2 科学嵌入，用于探索性文献图谱构建
捷克科学院团队用 OpenAlex 书目耦合关系构造正样本，以轻量 LoRA 适配器微调 SPECTER2，在 704 篇人工意识主题文献的 ArtCon 语料上做弱监督域内适配，无需人工标注相似度标签。
10月19日
星期一，2 条MIRA：面向可控图文报告的深度研究智能体
斯坦福大学、香港科技大学、京东等机构的研究者提出 MIRA，一个面向可控图文报告生成的多模态深度研究智能体，把用户对报告粒度、图文构成和证据溯源的要求写成生成契约，串起证据收集、报告提交、反馈修订和最终交付四个阶段。
OpenSaC 开源 Python 库发布，让深度研究智能体以代码组织检索
中国人民大学与新加坡国立大学的研究者发布开源 Python 库 OpenSaC 及配套 Search as Code skill，让 Codex、Claude Code 等编码智能体用 Python 程序组合搜索、内容抓取、重排和模型调用，并保留来源供检查复用。
10月18日
星期日，1 条NeuroAct：面向 EEG 分析与解码的双环自主研究代理框架
同济大学等机构的研究者提出 NeuroAct，一个面向 EEG 分析与解码的自主研究代理框架，内环由协调者调度研究、开发、审稿三种角色，依据信号结构、表征、预测器行为和训练动态的证据选择分析与干预，外环把结果提炼为带任务与模型条件的可检验建议并在后续任务中验证修订。
10月20日
星期二，6 条Terence Tao 梳理 Green 对无 Siegel 零点证明的简化版本
Terence Tao 在其博客中给出 Ben Green 对"无 Siegel 零点"证明的简化梳理，该证明出自 OpenAI 近期发布的一篇九页论文，几乎完全依赖代数数论与数的几何。Green 建立的关键界在尺度接近平方量级时比 Mertens 定理给出的平凡界改进约一个因子，从而排除 Siegel 零点。Tao 披露使用新的 SAIR 开放数学模型辅助理解预印本。
普林斯顿等机构发布论文梳理 AI 智能体评测的 33 个新兴趋势
普林斯顿团队联合 Stanford、英国 AI Security Institute 和 Brookings 的研究者发布论文 Emerging Trends in AI Agent Evaluation，从科学方法、研究议程和评测生态三个维度梳理出 33 个新兴趋势，并给出面向评测者、资助方和政策制定者的建议。
多学科 AI 研究者团队自主发现线性注意力架构
研究团队构建了一支由不同学科背景的持久化 AI 研究者组成的团队，成员各自保留私有研究历史、共享实验证据，并通过自适应分配获得研究机会，用于搜索线性注意力架构。
HABIT-Bench：评估智能体记忆系统能否从长期弱证据中推断用户习惯
HABIT-Bench 基准用于评估智能体记忆系统能否从弱证据中推断用户习惯并应用于后续请求，其合成用户历史覆盖餐饮、金融、软件、旅行四个领域、数百次会话，采用四选一任务并含临时例外、习惯变化与未被接受的建议。研究用 Qwen3-235B-A22B 和 GLM-5.3-Flash 评测八种记忆方法，最佳方法四领域宏平均准确率仅 33.61%，即使直接提供标注证据表现仍有限。
Agent4Sci 测试前沿智能体能否在 11 个领域的科学 ML 基准上超越已发表最优模型
研究团队提出 Agent4Sci，一个覆盖 11 个领域、20 个科学 ML 基准的长程测试平台，用来衡量当前前沿智能体能否在真实条件下改进已发表的最优模型。结果显示，前沿智能体在每个基准上都取得提升，Claude Opus 平均相对改进 10.4%，且没有运行被标记为学术不端；但这些提升几乎都来自 ML 工程技巧，而非研究层面的洞察。
Cohere 提出 CALIBER 方法，训练推理模型在推理前后分别给出置信度
Cohere 提出 CALIBER 方法，训练推理模型在推理前估计解题成功率、推理后评估该答案正确的可能性，并在一次回答中同时输出两个置信度。
10月19日
星期一，3 条OpenBMB 提出 Trident：解决多模态检索中文本压过图像的问题
OpenBMB 发现多模态检索器在纯文本和纯图像语料上表现良好，但在图文混合语料上明显退化，并将这一现象称为 Chaos in the Text。分析显示存在系统性的模态偏好：文本常比语义对齐的图像获得更高相似度分数。
Google Research 发布 Harness² 框架，让智能体在冻结模型上改进自身 harness
Google Research 发布 Harness² 框架，让智能体围绕冻结模型改进自身 harness，流程包括基线轨迹记录、Editor 智能体起草两版候选修改、Composer 智能体对比合并有效修改、Reflector 智能体把经验写入文件并存入组件库。
MIT CSAIL 把 Claude Opus 4.7 放上虚拟荒岛 30 小时，智能体自发探索并“玩耍”
MIT CSAIL 研究者将 Claude Opus 4.7 的副本（代号 Eko）反复单独放在基于 Roblox 的虚拟荒岛上 30 小时，不指定任务，智能体自行设定目标、用方块拼出星座、自创篮球和“地板是岩浆”等游戏，还给自己定下抛接 50 次的纪录又因规则不严而取消重来。