Google实测352万次提交：AI代码很少急性崩溃，却让算力开销增加5-8%
Google：实验结果清晰地表明了“盲目提示”与“精准开药”的差距。仅仅依靠第二阶段的泛化指令，模型往往在代码外围做无用功，甚至引发代码膨胀；而一旦在第三阶段提供精准的缺陷分类反馈，模型便能准确识别此前遗漏的性能陷阱。
基础模型
AGI FRONTIER
AI前沿分享第27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
CalibForge：用对抗求解器校准合成终端任务，基准最高提升30个百分点
针对这一核心瓶颈，来自 AweAI、中国人民大学及独立研究团队的研究者们提出了 CalibForge 。这是一套基于 对抗求解器校准 （Adversarial Solver Calibration）的自主终端任务合成系统。
AI安全
美团与南大等提出OCSD：剥离回放模板混杂，Agent强化学习提升14分
针对这一根本隐患，研究团队提出了 观察校准自蒸馏（Observation-Calibrated Self-Distillation, OCSD） 。该方法通过构建两套结构完全对齐、仅差真实环境观测的回放视图，精准剔除回...
AI Agent强化学习
AgentAntibody：不是一刀切拦截，而是赋予智能体自适应免疫力
为了打破单次判决的局限，来自南京大学、南洋理工大学与新加坡管理大学的研究团队提出了 AgentAntibody 。该工作借鉴生物学中的自适应免疫系统（Adaptive Immune System），首次为大模型智能体建...
AI AgentAI工程
AMD：分层记忆蒸馏小模型Agent，AppWorld提升27.2%p反超教师
为了攻克这一难题，来自韩国科学技术院（KAIST）与 DeepAuto.ai 的研究团队提出了一种无需重新训练参数的全新框架：Agent Memory Distillation（AMD，智能体记忆蒸馏）。
知识系统AI Agent
ABSeeker：从答案倒推线索，4B小模型长程搜索能力比肩30B
来自上海交通大学的研究团队提出了名为 ABC（Answer-Backtracked Credit Assignment，答案倒推信用分配） 的全新框架，并基于 Qwen3.5-4B 训练出了长程搜索智能体 ABSeek...
AI Agent推理
WorldSimProbe：不是能动就行！北大等用1.8万测试例诊断具身物理保真度
针对这一根本痛点，来自北京大学、北京理工大学、EvoPhys AI 以及香港科技大学等机构的研究团队提出了名为 WorldSimProbe 的系统性诊断基准。该研究不再把世界模型当成单纯的视频生成器，而是将其拉回物理模...
具身智能
World Tokens：只在训练时用世界模型，把具身操作成功率提升至98.2%
中关村学院等机构提出的 World Tokens 给出了一条极具启发性的破解思路： 将世界模型完全限制在训练阶段，推理部署时彻底剥离 。该方案既保留了世界模型带来的物理时空演进监督，又让在线推理维持在毫秒级的纯 VLA...
具身智能模型训练
分析13.8万个SKILL.md：91.8%存在缺陷，Agent技能为何难以复用？
研究人员深入剖析后，提出了极具解释力的“对话优先溯源假设”（Conversation-First Provenance Hypothesis）。真正的可复用模块应当具备自包含、可移植与接口清晰的软件工程属性。
AI Agent
Amazon提出TRACE：不改模型权重，历史轨迹挖掘让Agent故障修复率达82%
针对这一工业落地痛点，来自亚马逊（Amazon）的研究团队提出了名为 TRACE （TRajectory Attribution for Automated Context Engineering）的自动化反馈回路框架...
基础模型
ToolVision：能力对齐解决工具调用失灵，8B模型跨级超越32B！
为了彻底纠正这两种扭曲，研究团队提出了名为 ToolVision 的能力对齐视觉工具调用框架。ToolVision 在 SFT 阶段通过多智能体管道探索轨迹，并由包含学生尺寸模型的委员会量化评估逐步证据增益，只保留学生...
AI AgentAI安全
SkillSmith：不改参数，让27B端侧Agent单任务步数从36.1降至9.9
但由南方科技大学等机构联合发表的最新研究 SkillSmith 提出了截然不同的诊断结论：端侧模型的核心短板并非通用智能不足，而是缺乏特定任务环境的规则与操作常识。
AI Agent
SKILLER：自然语言强化学习优化技能，让4B模型性能反超9B！
为了解决这种典型的“模型不匹配”（Model-Mismatch）难题，来自哈工大、上海人工智能实验室、上海交通大学以及清华大学的研究团队提出了 SKILLER 。
强化学习
腾讯 SiriusDeliver：交付时长从 228 降至 23 分钟！数仓任务交付 Agent 落地实践
为了解决这一痛点，腾讯联合武汉大学提出了面向生产级数仓任务交付的端到端自动化智能体系统 —— SiriusDeliver 。该系统不仅能写代码，更接管了从业务需求解析、环境元数据对齐、工件全生命周期质检到平台自主提交与...
AI Agent数据工程
RynnValue：告别偏好标注！用时间距离撬动300万具身片段，真机成功率升至72.5%
来自阿里巴巴达摩院与湖畔实验室的研究团队提出了具身价值基石模型 RynnValue 。该工作放弃了主观的偏好标注与归一化的虚拟进度，直接回归最优控制理论中最本质的物理物理量： 时间距离（Temporal Distanc...
具身智能
Repeat-After-Me：黑盒自适应视觉注入攻破商业前沿多模态智能体
本文提出了名为 Repeat-After-Me 的黑盒自适应视觉提示词注入框架。该方法不依赖梯度，无需白盒权限，在正常的良性用户任务干扰下，成功诱导前沿商业模型泄漏隐私数据，甚至精准触发原生工具调用（Native To...
AI Agent多模态&视觉
MDA：不是拟合曲线！LLM协同贝叶斯实验设计，极少干预发现因果世界模型
不列颠哥伦比亚大学（UBC）的研究团队提出了 MDA （Model Discovery Agent，模型发现智能体）。这项研究打破了以往“纯大模型试错”与“传统静态贝叶斯推断”各自为战的局限，首次将大语言模型的开集假设...
AI Agent数据工程
MIRA：盲目调用工具反受其害？同济等提出医疗视觉反思Agent，有害调用直降至1.6%
近期，来自同济大学、南京大学、西北工业大学、中国人民公安大学以及巴黎高等师范学院的研究团队提出了名为 MIRA （Medical Image Reflection for Agentic Diagnosis）的全新医疗...
AI Agent多模态&视觉
MERA：不是绕开小模型而是让它持续进化，推理成本直降近40%
来自卡内基梅隆大学（CMU）、加利福尼亚大学洛杉矶分校（UCLA）、上海交通大学等机构的研究团队提出了 MERA （Model Evolution and Routing with Skill Adaptation）。
AI Agent推理
Iris：网页拓扑反向构题加SFT-RL爬升，单Agent拿下92.9分
Iris 对此提出了由粗到细的二级清洗策略。粗粒度过滤针对整条轨迹进行硬性指标截断： 首先是端到端正确性门控，轨迹必须正常终止，且提取的最终答案必须通过大模型裁判的语义对齐检验； 其次是基于 zlib 压缩率的退化检测...
推理
Harness-IF：是真遵从还是巧合？扣除先验偏好后大模型全员跌落5.8分
针对这一盲区，字节跳动 Seed 联合清华大学、北京大学的研究团队提出了专门针对代码智能体的指令遵循基准 Harness-IF 。该工作将指令拆解为可被执行证据逐一判决的原子规则，涵盖真实运行环境中的多层“指令表面”（...
AI Agent
Harbor-Index：统一54个Agent基准，最强模型通过率仅28%
Harbor-Index：为了确保转译过程不破坏基准原有的评测语义，研究团队并未采取粗暴的代码重写，而是设计了由自动化检查、初审和终审构成的三阶段人工代码审查机制，累计在 GitHub 上产生了超过一万条审核讨论；同时...
AI AgentAI评测
删记录不等于真遗忘：选择性重放实现Agent状态清洗，重算Token缩减9倍
针对这一根本缺陷，该团队首次形式化定义了 执行状态遗忘（Execution-State Unlearning） ，并提出了 出处导向的选择性重放（Provenance-Guided Selective Replay） ...
AI Agent
EvoHarnessBench：装具不断扩增，Agent为何反而遭遇“装具诱发遗忘”？
然而由 Salesforce Research、北卡罗来纳大学教堂山分校（UNC Chapel Hill）与威斯康星大学麦迪逊分校（UW-Madison）联合提出的最新基准 EvoHarnessBench ，却揭示了一...
AI Agent