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
AGI FRONTIER
AI前沿分享第29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
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
ERSkill：让Agent记忆检索学会自我进化，综合表现最高提升31.3%
来自深圳国际工业与应用数学中心、中大深圳、深数院以及中山大学等机构的研究团队提出了 ERSkill（Evolving Retrieval Skill） 框架。这项工作跳出了“只优化记忆构建或推理引导”的旧范式，首次将 ...
RAG知识系统
Envs-FORGE：按学习边界定制训练环境，终端智能体Pass@1提升9.2分
针对这一问题，来自香港科技大学、IDEA 研究院和 DataArcTech 的联合团队提出了 Envs-FORGE 。该研究放弃了静态的 Prompt 模板，转而将环境合成形式化为一个由验证器奖励驱动的 动作决策问题 。
AI Agent模型训练
代码Agent最新综述！六层依赖链+206项工程可靠性规范
该研究整合了 164 篇学术成果、100 份工业界实践记录、29 个主流基准及 17 个真实运行系统案例，提出了一个串联评测与运行的“可靠性依赖链”（Reliability Dependency Chain）架构，并提...
AI AgentAI工程
EgoMonth：首个跨月第一人称长视频基准，最强模型落后人类22.4%
基于这些长周期数据，EgoMonth 提出了一个受到认知心理学与工作记忆理论启发的 14 任务评估体系，将其清晰地划分为由浅入深的三个认知层级： 1. 图式巩固（Schema Consolidation） ：评估模型从...
知识系统AI评测
不是检索失效而是状态漂移！UIUC提出StateMem：记忆准确率提升1.8倍
然而，伊利诺伊大学厄巴纳-香槟分校（UIUC）的最新研究提出了一个截然相反且直击痛点的论断： Agent 在长程交互中犯错，往往不是因为“找不到事实”，而是因为“记错了版本”。随着交互时间推移，现实世界中的事实、用户约...
知识系统AI Agent
不偷凭证也能掏空算力？南开上交揭秘Agent资源劫持，成功率超84%
为了系统性评估资源劫持威胁的广泛程度，研究团队首先打破了“资源仅指 API 密钥与算力”的狭隘认知，提出了一个覆盖六大维度的智能体高价值资源分类框架： 1. 物质资源（Material Resources） ：包括智能...
AI Agent
不是代码没变，而是算法卡死！DAPS让自主科研闭环泛化提升83.7%
针对这一顽疾，研究团队提出了 多样性感知提案采样框架（Diversity-Aware Proposal Sampling，简称 DAPS） 。在严格隔绝的“闭环-审计-双盲”三层验证协议下，DAPS 将算法语义聚类的衰...
行业应用
NVIDIA提出BaT：以评测为师分阶段强化，9B模型超越Claude Opus
针对这一困境，来自 NVIDIA 与加利福尼亚大学圣克鲁兹分校（UC Santa Cruz）的研究团队提出了 BaT（Benchmark-as-Teacher） 。该方法颠覆了传统基准测试只作为静态考卷的固有定位，将其...
AI AgentAI评测
AsymSpec：小模型读全文大模型读摘要，用0.2倍算力找回90%精度
回溯整篇论文的工作，AsymSpec 的价值不仅在于提出了一个精巧的推测解码新变体，更在于它向大模型工程界传达了一个深刻的认知升级： 在长文本与智能体时代，“让所有模型处理相同输入”是一场巨大的算力浪费。现代 Agen...
AI Agent
不改权重！强模型为弱模型写脚手架，准确率从0.49升至0.91
然而，来自 Salesforce AI Research 与 伊利诺伊大学厄巴纳-香槟分校（UIUC） 的研究团队在最新论文《AI4AI at Test-Time: Strong-to-Weak Capability ...
基础模型
ADeptS-Bench：Meta 揭秘 7 大模型 CUA 盲区，为何面对 2.5 万美元高额结账全员毫不犹豫？
ADeptS-Bench：实验结果揭示了各家模型在安全架构底层逻辑上的三条分水岭： 第一种是 工具依赖型防御（Tool-dependent） ，典型代表为 Gemini 3.1 Pro。在移除拒答工具后，该模型的恶意被...
AI Agent
ABot-World-0：单张5090跑通720P实时世界模型，帧率达16 FPS
为彻底解决这一问题，ABot-World-0 提出了核心训练创新—— LongForcing 。LongForcing 的本质是在更长的时序跨度上，对 Student 自身的长程自推演轨迹（Self-rollouts）...
AI工程
WeatherNext 3：告别分析场，DeepMind用原始观测实现逐小时0.1°预报
WeatherNext 3 选择在模型内部彻底打通这一环节，提出了针对离散观测的“站点输出头”（Station Output Head）。这一机制的本质是将天气预报转化为连续时空的函数查询任务： 在给定预报时刻，模型提...
基础模型
SWE-Bench ProMax：大尺度多语言重构基准上线，前沿模型最高仅达41.2%
SWE-Bench：论文中举出了一个极具代表性的案例：在 NASA 的 F'Prime 飞行软件框架中，一项将单体头文件拆分为全新统一定义入口的重构任务，要求 Agent 同时协同修改跨越自动化代码生成器、设备驱动、操...
AI Agent
从12.7%到45.1%：自修改Lean智能体与测试基准的双重协同进化
他们提出了一种具备自我修改能力的 Lean 证明智能体框架，核心亮点在于打破了“固定评测基准评判自修改代码”的传统范式，引入了智能体与基准题库的 协同进化（Coevolution）机制 。
AI AgentAI评测
LinkedIn自演化客服Agent：免模型微调，工单路由准确率提升30.6%
LinkedIn 建立了一套高度解耦的模块化评估框架，将客服交互质量拆解为互不干扰的独立维度，并分别设计评估策略： - 接地性与事实依据（Groundedness） ：专门校验 Agent 生成的每一条事实性断言是否严...
AI Agent模型训练
AppliancePlan：看说明书操作家电，7B端到端模型规划成功率超基线10倍
为打破这一僵局，来自北京航空航天大学、京东科技与北京大学的研究团队提出了可扩展的数据合成管线 MAGE ，并基于其构建了首个大规模家电操作规划数据集 UseAppliance 。
具身智能推理
RoboBRIDGE：模块化编排让VLA变身真Agent，RoboCasa成功率翻倍
针对此瓶颈，最新提出的 RoboBRIDGE 框架给出了一种模块化编排方案：它不对底层 VLA 进行伤筋动骨的重训，而是在控制策略外层构建了一套由监控器（Monitor）、感知器（Perceptor）、规划器（Plan...
AI Agent