HANDBOOK.md：65个长文档智能体任务，最强模型仅达36.2%
大语言模型智能体正在以前所未有的速度深入企业核心业务流。在真实的生产环境中，它们的部署模式通常遵循一种默认的“长期指令”架构：开发者会将一份系统提示词、一份企业合规文件或是一份厚厚的技能说明书塞进模型的上下文窗口中，并...
AI AgentAI评测
AGI FRONTIER
AI前沿分享第18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
EvolveNet：不是聚合数据而是聚合代码！协作式Agent进化机制提升5大场景
大语言模型（LLM）本身并不等同于一个真正可运行的智能体（Agent）。决定Agent最终能力边界的，不仅是底层的神经网络权重，更是包裹在模型外围的“控制程序（Harness）”——这套可执行代码负责构建多轮上下文、精...
AI Agent
Scroll：阿里将上下文变可编程环境，长任务超最优37.4分
在大语言模型（LLM）逐渐从单轮问答转向执行长期复杂任务（如仓库级软件工程、开放网络深度研究）的今天，智能体（Agent）面临着一个不可回避的物理瓶颈：随着交互轮次、工具调用和观察结果的不断累积，会话历史的长度将不可避...
AI Agent
ComponentBench：97种UI组件全面诊断，GPT-5 mini成功率骤降34%！
随着OpenAIOperator和Anthropic计算机使用（ComputerUse）API的相继发布，能够直接操作网页和软件的计算机智能体（Computer-UseAgents）正迅速从实验室原型走向大规模商用。
AI Agent
NVIDIA与CMU提出CAKE：Agent与编译器协同设计，前沿Kernel提速2.05倍！
在过去几年中，利用大型语言模型（Agent）来编写和优化底层GPU代码（Kernel）成为了提升AI计算效率的热门路径。然而，当前的大部分尝试都面临着一个难以逾越的瓶颈：Agent通常将编译器视为一个僵化的黑盒。它们提...
AI AgentAI工程
KOPE：图记忆重塑算子优化，提速1.54倍且Token骤降93%！
硬件算子（HardwareKernel）的优化一直是一项高度依赖专家经验的密集型工程。为了充分榨取硬件性能，工程师需要综合考虑目标设备的内存层次结构、数据搬移策略、并行执行机制以及特定的硬件约束。每一次优化尝试，都必须...
知识系统AI Agent
SSPO：步级自蒸馏机制，仅5%开销超越双倍训练步数GRPO
大型语言模型在处理现实世界任务时，正越来越依赖于多步推理与外部工具调用的结合。尤其是面对模糊、信息不全的用户查询，深度搜索智能体（DeepSearchAgents）需要在广阔的开放网络中主动探索，其交互轨迹往往会跨越数...
AI Agent推理
AutoSaddler：微软基于执行追踪自动优化Agent框架，性能最高提升10个百分点！
随着大型语言模型（LLM）能力的飞速提升，我们见证了它们在诸多单步交互任务中展现出令人惊艳的表现。然而，当这些模型被真正放入自主代理（Agent）系统中，去执行需要长期规划、多步推理和复杂环境交互的任务时，一种被称为“...
AI Agent模型优化
**AsmEvo：AMD突破无源码GPU优化！汇编级代理最高提速3.88倍**
在当今的高性能机器学习系统中，GPU内核的执行效率往往决定了整个大模型推理或训练的吞吐天花板。然而，在实际的工业部署环境中，开发者常常面临一个极为棘手的黑盒困境：那些真正跑在显卡上的算子，往往只是一团无法直接阅读和修改...
AI Agent模型优化
ASI-Bench：撤除人类科研指导后，顶尖AI得分直降24分
在通往超级人工智能（ArtificialSuperintelligence,简称ASI）的道路上，整个学术界和工业界正面临一个隐秘的错觉：当前的大模型在各类测试榜单上屡创佳绩，在科学推理、代码生成和数据分析等任务中表现...
行业应用
AppDeltaWorld：基于增量代码机制的GUI世界模型，评测达73.5分
移动端GUI（图形用户界面）智能体正处于一个关键的演进节点。多模态基础模型的出现，使得智能体可以直接通过屏幕像素感知和触摸动作来操作智能手机。这种通用的交互范式使其能够跨越繁杂的应用边界，直接执行复杂长程任务。
AI AgentAI评测
从碎片化到全场景扩展！AgentOmnia将四榜宏平均提升至41.69%
大语言模型在智能体（Agent）方向的进化一日千里，但一个令许多开发者感到挫败的现象依然存在：在某个框架或基准测试中表现卓越的“高分智能体”，一旦被放入全新的工具生态、面对跨系统的长周期任务，或是遇到难以预测的用户追问...
AI Agent
Wuying-Browser-Agent：结合课程微调与在线RL，长序列网页控制WebVoyager达80.6%！
在短上下文和干净的演示数据上，现有的大语言模型网页智能体（BrowserAgent）已经展现出令人惊艳的性能。然而，当这些智能体真正被部署到现实世界的动态网页中时，它们的表现往往会遭遇滑铁卢。
AI Agent模型训练
WebRider：99%完成率仅38%合规？Google用意图契约解决Agent过程失控
当我们在评价一个WebAgent（网页智能体）有多聪明时，通常看的都是它能不能把任务干完。如果让它去买一台相机，只要它最终在一个电商网站上找到了商品并点击了购买，现有的评测基准往往就会给它打个满分。
基础模型
VibeWorlding：腾讯等开源3D构建框架，RL让开源Agent超越GPT-5.5
在游戏开发、物理仿真以及具身智能等前沿领域，根据用户的自然语言指令快速构建可交互的开放式3D世界，一直是一项极具挑战性的核心任务。近年来，随着多模态大语言模型（MLLM）的爆发，学术界和工业界开始尝试利用多模态Agen...
AI Agent多模态&视觉
腾讯UI-Mate：多模态演示解锁GUI智能体，OSWorld达77.0%
图形用户界面（GUI）智能体展现出了将自然语言意图转化为跨软件生态多步操作的巨大潜力。然而，从基准测试的进步到真实世界的可靠部署，GUI智能体一直被两大瓶颈死死卡住：一是训练层面的数据稀缺与分布偏差；二是交互层面的提示...
AI Agent多模态&视觉
DeepMind推出AMIE视频版：临床问诊得分83%超越人类医生
在医疗人工智能的演进历程中，基于文本的大语言模型已经展示了令人瞩目的疾病诊断和医学推理能力。然而，真实的医患问诊从来不是一个纯粹的文本交换过程。在临床实践中，医生通过观察患者的面部表情、倾听咳嗽的音色、评估患者的体态和...
多模态&视觉行业应用
**TokTier：精确状态感知分词机制，Agent场景提速491倍！**
在当前的大语言模型服务架构中，前缀缓存（PrefixCaching或KVCache）已经成为降低推理延迟的标配。当模型处理多轮对话或长上下文时，前缀缓存能够有效复用已经计算过的状态，避免重复的预填充（Prefill）计算。
AI AgentAI工程
StateM：扩展控制层，终端代理精度达95.3%且成本直降38倍！
在评估复杂任务中的大语言模型智能体时，研究人员经常观察到一种极具启发性的失败模式：底层的语言模型明明具备解决任务每一个局部步骤的能力，但整个智能体运行却依然走向失败。
基础模型
微软Specula：告别人工！自进化AI检出249个系统Bug
形式化方法一直被视为软件工程领域对抗复杂系统缺陷的终极武器。对于分布式架构和高并发系统而言，多线程交织调度和网络消息传递的非确定性，使得系统状态空间呈现指数级爆炸。
AI工程
WMRL：世界模型打破执行瓶颈，提速4倍，4B模型超越120B！
在人工智能向通用能力迈进的进程中，自动化研究智能体（AutoResearchagents）一直被视为一块重要的试金石。现代大语言模型已经展现出了令人瞩目的能力：给定一个科学问题或工程需求，它们可以自主提出假设、编写代码...
AI Agent
RST：递归合成长周期任务，0.05美元生成3.7万验证数据！
在大型语言模型向复杂智能体（Agent）演进的过程中，模型需要从单纯的“一次性文本生成”转向能够在真实或模拟环境中执行长周期多步骤任务。特别是在基于终端（Terminal）的任务中，智能体需要协调代码库上下文、命令行交...
基础模型
Qwen-UI-Agent：混合GUI+CLI，真实手机环境成功率达97.5%
图形用户界面（GUI）是人类访问数字服务的主要入口。如果大模型能够理解界面、自主点击滑动，就能成为操控现有数字设备的通用执行器，免去为每个服务开发专用API的繁琐。然而，当前多数表现惊艳的GUIAgent其实都患有“温...
AI Agent
Qwen-CUA：纯视觉键鼠交互机制，OSWorld基准达到87.6分
长期以来，人工智能在数字世界中的行动能力主要依赖于代码生成和应用程序接口（API）。现代大语言模型已经能够熟练地编写程序或调用各类软件工具，但在真实的人类工作环境中，大量的数字化工作远远超出了这些接口的覆盖范围。
AI Agent多模态&视觉