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。
489 条收录动态，更新于 18:14
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。
OpenAI、PerturbAI 和 Scripps Research 用数千个由 GPT‑Rosalind 驱动的 AI 智能体并行分析已有的小鼠全脑 CRISPR 图谱数据，在 32 分钟内把基因扰动效应与文献发现连接起来，形成可检索的 reasoning atlas。
入选理由材料给出分布式智能体在真实脑细胞数据上产出可检验线索的具体流程与对照结果，研究者可据此判断这类分析能否接入自己的实验数据。
Mirendil 发布 Mirendil-Base：一名研究员带一群 Agent，3.5 个月、不到 1,000 万美元，从零预训练出 1,000–5,000 亿参数代码基座模型，仅用公开数据、不蒸馏、不用合成数据，99% 以上代码由 Agent 写成。
斯坦福 CS 329Z（Fall 2026）第9讲给出 Agent 系统优化选型图：前提是数据、系统、评估指标三样齐备，一般先做上下文优化（prompt 与 few-shots），不够用、想蒸馏到小模型或 prompt 过长时再改权重。
CS 329Z: Engineering AI Agents Stanford / Fall 2026 @stanfordnlp https://cs329z.stanford.edu/ 课程定位：从"模型"到"系统"的工程学 覆盖：简单 LLM 流水线 → 复合 AI 系统 → 自主 Agent。三位讲师的背景也高度互补： @Diyi_Yang（斯坦福 NLP 教授，人机交互与社会计算方向） @michaelryan207（DSPy 核心贡献者，自动评估 AutoMetrics 作者） @jyangballin（SWE-agent / SWE-bench / SWE-smith 作者，软件工程 Agent 领域最重要的研究者之一） # 课程主线：三大工程挑战 贯穿全课的三个核心问题——分解（decomposition）、数据（data）、评估（evaluation）。11 周的内容基本围绕这三条线展开，可以分为五个模块： 模块 1：构建基元（Week 2–3） · LLM 作为构建材料：API/SDK（litellm）、结构化输出、约束生成、解码策略、test-time compute、上下文工程、模型选型与成本/延迟权衡 · RAG：embedding、向量库、分块策略、混合检索、cross-encoder 与 ColBERT 后期交互 · 工具调用：函数调用 API、MCP（Model Context Protocol）、工具设计、代码沙箱、错误处理与重试 模块 2：框架与设计模式（Week 3–5） · 框架层：DSPy（signature / module / optimizer）、LangChain/LangGraph、LlamaIndex，重点是"框架抽象了什么 vs. 你手写了什么" · 设计模式：workflow vs. agent 的分类学，五种可组合 workflow 模式，ReAct / plan-and-execute / reflection，"scaffold（脚手架）本身就是设计决策" · 记忆架构：短期/长期记忆、记忆作为工具动作、文件系统作为外化记忆、跨 Agent 记忆（MemGPT、Mem0、Generative Agents） · 多 Agent 系统：编排模式、handoff 与状态传递，以及一个很有态度的对照阅读——既读 AutoGen，也读《Why Do Multi-Agent LLM Systems Fail?》和 Neubig 的《Don't Sleep on Single-agent Systems》 模块 3：优化（Week 5） · 从提示词到微调的全景：GEPA、MIPROv2、OPRO、TextGrad（提示优化）；LoRA/QLoRA、蒸馏、RLHF/DPO（权重优化）；test-time scaling（推理算力） · 核心问题是决策框架：什么时候优化 prompt、什么时候优化 weights、什么时候堆推理算力 模块 4：数据与评估（Week 6–8）——最有分量的部分 · 数据：trace、demonstration、feedback 三类数据；训练数据 vs. 评估数据；数据飞轮；合成数据；从 Agent 轨迹构建数据集（SWE-smith） · 评估基础：为什么 eval 难；4 元组框架（request / environment / stopping criteria / scorer）；好 benchmark 的性质；tinyBenchmarks · 评估基础设施：三类 grader、LLM-as-judge 的 prompt 设计与已知偏差、pairwise vs. pointwise、非确定性指标 pass@k vs. pass^k、harness 设计 模块 5：安全与前沿（Week 8–11） · 安全：工具访问的隐私风险、prompt injection（含间接注入）、红队、沙箱与权限模型、输出护栏、human-in-the-loop · Coding Agent：SWE-agent、Claude Code、OpenHands 的端到端架构对比 · 主动式 Agent：从 reactive 到 proactive，General User Models（GUM）、Next Action Prediction，以及"Agent 何时应主动、何时应等待"的 mixed-initiative 问题 · 开放问题：多模态/web/计算机使用 Agent、科学 Agent、长时运行架构、生产可观测性（tracing、monitoring、成本管理） # 作业设计：一手建、一手评 HW1：从零构建 Agent 系统（10%） 给定论文库，构建能检索并推理回答科学问题的 Agent。 · Part A：只用 litellm 手写 RAG + 工具调用 + ReAct 式 Agent 循环 · Part B：用 DSPy 重建关键组件，并反思框架抽象了什么 HW2：评估一个 Agent（10%） 给定一个预构建 Agent，设计完整评估套件：代码型 grader、至少一个 LLM-as-judge、用 4 元组框架构建 benchmark 任务、错误分析。
Recursive 发布首个模型 Flint，这是一个总参数 400 亿、每 Token 激活 25 亿参数的 MoE，面向本地 Agent 编程，权重以 Apache 2.0 在 Hugging Face 开源。
Introducing Flint, @Recursive_SI’s first model: a fast local coding model built with our automated research system, the Eureka Machine. • Best-in-class fast local coding • Up to 2x faster than comparable models: 125+ tokens/sec on a MacBook Pro, 150+ on RTX Spark • Built from scratch in under 4 months Private, unmetered intelligence on your own machine. Open weights available now on @huggingface, run it locally on your favorite framework or try it for free on @opencode or @pidotdev.
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/
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? 🧵⬇️
alphaXiv 宣布 OpenResearch 现在可以在不离开本机的情况下运行前沿速度的科研任务。其接入的 Recursive_SI 的 Flint 是本地代码模型，在 MacBook Pro 上达到 125+ tokens/sec，试用入口为 https://github.com/alphaXiv/OpenResearch。
Claude Duet 是我们的新应用，Claude 在其中是你的主动型智能体！运行于 Opus 5.5，覆盖 6,000 个连接器/插件。Duet 会告诉你哪些事情需要你关注，并在你离开时继续工作。 加入研究预览的等候名单！https://claude.com/product/claude-duet
We’re opening a research preview of Claude Duet, a new app where Claude works as a proactive agent. It comes to you with what needs your attention, completes tasks you ask of it, keeps working when you step away, and checks with you before it acts on your behalf.
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。
Anthropic 开放新应用 Claude Duet 的研究预览，Claude 在其中以主动智能体方式工作。它会主动把需要关注的事项推送给用户，完成用户交代的任务，在用户离开时继续工作，并在代表用户行动前先与用户确认。
Recursive发布了Flint，这是其首个开放权重编码模型，采用Apache 2.0许可证，速度比同类替代方案快2倍。 > Flint是一个40B参数的混合专家模型，用于本地编码。 > Recursive报告称在64GB RTX Spark上达到每秒超过220个token。 > Recursive的Eureka Machine——一个用于运行AI研究实验的系统——编写了自定义GPU代码，在不改变权重的情况下使Flint在RTX Spark上提速55%。
Introducing Flint, @Recursive_SI’s first model: a fast local coding model built with our automated research system, the Eureka Machine. • Best-in-class fast local coding • Up to 2x faster than comparable models: 125+ tokens/sec on a MacBook Pro, 150+ on RTX Spark • Built from scratch in under 4 months Private, unmetered intelligence on your own machine. Open weights available now on @huggingface, run it locally on your favorite framework or try it for free on @opencode or @pidotdev.
我同意 @DaveARicks 的看法：通过机器人实验室进行大规模数据收集，将是未来科学的重要组成部分。
Well said Vas. AI will help us conquer disease, but this will take time, effort and lots and lots of data that doesn’t exist, yet. I would add that robotic labs will begin to make scaling data more tractable. https://lnkd.in/p/g8qvP5qX
Google 提出 Harness²，用两层递归自我改进让智能体框架适配开放世界任务：针对当前任务提出、测试并组合对提示、工具与工作流的修改，再把实验经验存储下来用于改进未来的框架调整。
MIT 公开课 6.S950 第五讲讲义更新，用约 300 行 Python、两个工具（search、read_lines）、本地 Ollama 跑模型的教学 Agent「Baby Anigans」拆解 Agent = LLM + Harness。
https://x.com/i/article/2103456568209768449
alphaXiv OpenResearch（ORX）发布 v0.2.20，新增 Trackio 与仅文件式 TensorBoard 实验追踪支持，并为实验表与总览加入展示实验分叉与各次尝试改动的 History 视图。
一篇立场论文将递归自我改进（RSI）引入机器人学习，梳理从提升机器人能力到改进"产生能力的过程"的路径。作者指出，现有研究集中在操作任务，已支持行为改进、对后续学习的助益和流程改进，但所综述的物理研究尚未分离出可归因于递归的增益。文章据此提出评估原则与研究方向。
alphaXiv 认为科研智能体的采用仍处早期，当前大致相当于编程智能体 12-18 个月前的水平：多数研究者只愿把范围狭窄的单项任务交给智能体，模型使用也集中在少数闭源前沿模型上。其预测，多数研究者很快会让智能体端到端探索实验路线，开源模型也将成为有竞争力的替代选项。相关排名可在 openresearch.sh/rankings 查看。
2026 法兰克福书展上，关于 AI 的讨论焦点从能力转向权限、责任与可信内容能否被实际发现和使用。Research Information 的 Scholarly Publishing: Trends for Constructive Growth 报告显示，学术机构被普遍认为对 AI 准备不足，科研诚信虽是共同优先事项，但产业界与学术界的进展认知存在差距。
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。
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。
研究团队提出 AdaExploreBench，用隐藏规则和隐式规则漂移来评测 LLM 智能体能否主动取证、推断环境规则，并在性能下降时察觉旧知识失效并重新探索。在八个主流 LLM 上的实验显示，GPT-6 Sol 的校准准确率仅为 61.9%；当提供充分证据或移除规则漂移后，平均表现提升接近 10%。作者据此指出，当前智能体在证据可得时能有效推理，但难以主动获取正确证据并识别已有证据何时失效。
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。
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。
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。
谷歌官方技术博客介绍其AI智能体自主湿实验室建设进展，团队让智能系统在液体处理机器人上完成设计分子、安排实验、读取结果、调整下一轮方案的闭环测试。团队搭建的VERID框架基于开源机器人控制框架，为工作台建立持续更新的数字孪生，记录机械臂位置、孔内液量、试剂种类和枪头库存等状态，并在确认无撞针、空吸、容器不匹配等问题后才下发指令。
谷歌研究人员在论文中称，四个 Gemini 4 Argon 智能体在随机生成世界中完全自主通关《我的世界》，27 小时击败末影龙。智能体仅通过游戏内聊天框协调，全程发送 229 条消息、运行 2783 个程序、死亡 605 次，消耗 13.5 亿个输入 Token，按普通用户标准成本约 1,620 美元。
MIT课程MAS.S62「How to AI an AI」的Lecture 4-5聚焦Harness演化与多Agent演化，讲义将Harness拆为Context、Control、Action、Evaluation、Evolution五个组件。
https://x.com/i/article/2112152891670896640
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。
一项预印本研究追踪七个开源强化学习后训练框架的提交历史，并将其与 2025 年 1 月至 2026 年 6 月间筛选的 6939 篇 arXiv 论文关联，发现提出通用 RL 训练方法的 1598 篇论文中只有 37 篇进入至少一个框架。
研究提出“缓存工程”方案，让 LLM 智能体直接控制活跃 KV 缓存，通过 drop 将选定缓存排除出后续注意力、用 repos 调整保留键的位置编码，无需修改轨迹或重新预填充。