Business Arena：大模型独立开店实测，15款前沿模型净资产相差9倍
通过引入阿里真实的跨境贸易数据、构建涵盖 60 多种真实经营行为的 MCP 工具链，并结合基于贝叶斯策略的上限对齐与状态分叉因果归因，Business Arena 为下一代面向真实经济生产力的 Agent 训练提供了极...
AI Agent
AGI FRONTIER
AI前沿分享第12页
深度解读 AI 论文，追踪 Agent、推理、多模态与具身智能的最新进展。
PAPER INSIGHTS
更多论文解读
MobileJudgeBench：931条轨迹全面体检，极简裁判准确率反达90.9%
MobileJudgeBench：研究团队提出的第一个现实检验场景是： 裁判质量的提升，是否能真实保全 Agent 之间的排名关系？如果在基准测试中，裁判给出略带偏差的分数，是否会导致排行榜名次完全颠覆？
AI AgentAI评测
AEROBAT：用2.3万轮受控模拟，让大模型全自动做Agent行为科学研究
来自 KAIST、首尔大学、伦敦大学学院（UCL）、阿姆斯特丹大学、海法大学与耶鲁大学的研究团队提出了首个端到端自动化开展 AI Agent 行为科学研究的多智能体系统 AEROBAT （Automated Exper...
AI Agent行业应用
Aero Realtime：港大清华提出双工流式架构，4B模型84ms时延实现边听边说
针对这一根本性断层，来自香港大学、清华大学与 LMMs-Lab 的研究团队提出了 Aero Realtime 。这是一个参数量为 4B 的流式多模态大模型，核心在于打破了非全双工（Non-Duplex）的技术藩篱。
多模态&视觉
CMU提出MiDAS：仅靠1次示范+在线残差RL，打通具身大模型自主微调
针对这一瓶颈，来自卡内基梅隆大学（Carnegie Mellon University, CMU）的研究团队提出了一种更加逼近全自主进化的新范式—— 极简数据自适应（Minimal-Data Adaptation, M...
具身智能模型训练
ActBench：从回答走向行为安全！2.4万条轨迹实测，攻击成功率最高达94.4%
针对这一严峻挑战，来自香港城市大学、伦敦大学学院（UCL）、小米集团以及浙江大学的研究团队正式提出了 ActBench 。这是首个专门针对协同智能体“行为安全”（Behavioral Safety）的自演化评测基准。
AI AgentAI安全
不是模型越大越好：Zero-Shot自编排以1/5成本逼平顶级模型
本文提出的架构则走出了一条轻量级的动态编排路线。整个系统由 Manager 角色主导，但 Manager 不负责硬编码的流水线，而是维护一个共享文件空间作为工作记忆。针对输入的代码难题，Manager 首先调用生成式提...
基础模型
World Action Planner：让机械臂在世界模型中“脑补”试错，破解具身泛化难题
针对端到端策略这一根本缺陷，论文《World Action Planner: Generalizable Decision-Making with Action-Conditioned World Models》提出了...
具身智能
Vero：首个仓库级形式化验证基准，最强AI只搞定了27个工程
来自 UC Berkeley、Stanford、Caltech、AWS 等机构的研究团队提出了 Vero ，这是业内首个面向真实仓库级（Repository-scale）、要求智能体联合合成“代码实现与机器可检查证明”...
AI Agent
VAKRA：IBM开源8000+真实API基准，大模型多跳跨源推理准确率断崖下跌超50%
为了彻底复原这种复杂性，VAKRA 基于 BIRD-SQL 衍生出的真实数据库生态，构建了覆盖金融、医疗、供应链等 62 个领域的 8000 余个可执行 API。
RAGAI Agent
Terminal Agent最新综述！七维能力框架解构大模型终端执行生态
Terminal：该工作首次从工作负载级边界出发，明确将终端 Agent 界定为“任务核心推进闭环依赖于命令行执行、文本反馈与有状态环境交互”的智能系统，并提出了覆盖执行全生命周期的七维终端能力画像（Competenc...
AI Agent
StartupBench：顶尖大模型端到端成功率仅30%？首个真实商业工作流Agent基准发布
StartupBench 提出了一套基于细粒度规则的自动化评测机制。平均每个任务包含 25.3 条 相互独立的评测规则，跨越格式规范性、结构完整性、计算与逻辑正确性、领域专业事实深度等 6 个维度，并划分为 3 种重要...
AI Agent
StagedWorkspace：双视图版本契约，让办公Agent在OfficeQA提升至63.9%
哈佛大学、斯坦福大学、华盛顿大学与 Raycaster AI 等机构的研究团队近期联合提出了 StagedWorkspace ，首次将工作区状态明确确立为知识工作 Agent 的核心实验变量，并引入了“工作区状态契约”...
AI Agent
RSIBench-Data：大模型自主搞数据科研，58%能突破但78%越改越差
RSIBench-Data：弱势智能体在面对评估失败时，往往给出泛化的诊断，例如简单归咎于“模型代码生成能力不足”，随后盲目堆砌合成数据量；而表现出色的轨迹中，智能体能够精确阅读沙箱返回的具体异常栈，识别出基座模型究竟...
数据工程行业应用
TSIM：长对话记忆不是切Chunk！情节重构让准确率提升17.6分
为了系统性测量并攻克这一难题，研究团队构建了包含 3,000 道审计评测的高难度长基准 SCALE-QA ，并提出了 时序-语义交错记忆重构 （Temporal-Semantic Interleaved Memory ...
知识系统
PACE-Bench：直接给出物理参数，为何依然救不了大模型的机械重构？
PACE-Bench 的提出，给当前正热的自进化与代码智能体研究泼了一盆必要的冷水。长期以来，学术界容易沉浸在利用大语言模型解决纯文本、符号逻辑或标准化编程难题的胜利中，误以为结合简单的反思（Reflection）与记...
基础模型
Outcome Monitors：给替补工具比报错更管用！任务完成率从10.9%提至28.1%
来自南密西西比大学（University of Southern Mississippi）的研究团队在论文中提出了一种全新架构—— Outcome Monitors （结果监控器）。它打破了传统的“拦截纠错”思维，构建...
基础模型
OEIS Open：极简工具助大模型攻克147道数学猜想，解决率达44%
AI 评估机构 Epoch AI 近期发布了名为 OEIS Open 的开源基准，基于来自“在线整数序列百科全书”（OEIS）中由数学家提出且此前悬而未决的 492 个数学猜想。
基础模型
KernelArc：不是单Agent死磕，而是共享记忆协同！登顶B200算子榜
为了打破这种“单兵死磕”的局部最优困境，来自 IMEC 与 AILabs 的研究团队提出了名为 KernelArc 的多 Agent GPU 内核协同优化架构。
AI Agent模型优化
AutoResearchEval：800条科研轨迹与45种失效模式，揭秘AI科研为何翻车
来自斯坦福大学（Stanford University）、Prentis AI 以及 Titan Holdings 的联合研究团队在最新工作中提出了 AutoResearchEval 评测基准与实证失效分类法 ARFT...
AI AgentAI评测
检索越多反而错得越多？11种Agent记忆底座横评揭示注意力分流机制
研究团队在系统梳理了 2023 至 2026 年间 52 个代表性记忆增强智能体系统后，指出了当前评测的三大结构性缺陷。超过六成的评测指标被完全集中在 LoCoMo 和 LongMemEval 等纯对话问答基准上，而真...
知识系统AI Agent
SocialRL：微软用强化学习把4B小模型训成谈判专家，博弈表现追平GPT-5
研究团队提出了名为 SocialRL 的完整训练架构，仅用一个 4B 参数规模的小语言模型，在六大典型博弈环境中展开训练。实验结果表明，经过领域内博弈训练的 4B 模型不仅在多项谈判指标上超越了未微调的基线，甚至在平均...
强化学习推理
Evo-Harness：把单次失败编译成复用技能，终端基准准确率提升超10%
由 UIUC、亚马逊、宾夕法尼亚州立大学、埃默里大学等机构联合提出的 Evo-Harness 框架，正是为了击破这一瓶颈。该研究重新定义了“在线脚手架学习”（Online Harness Learning）范式，不再把...
AI Agent
DDBench：单进程基准扎堆7%，分布式Debug却拉开61%差距！
DDBench：同时，研究人员设计了一组严格对照实验：一边只给模型故障现象与仓库（Symptom-only），另一边额外喂入轻量且受控的调试上下文（Context-augmented，包含日志、追踪、运行时快照等，中位...
AI Agent