Analemma推出FARS：全自动科研系统，量产166篇论文！
过去一年里，AI在科研领域的应用边界被不断拓宽，从文献检索到辅助实验，甚至是端到端的“AI科学家”框架，都展示了语言模型在科学工作流中的巨大潜力。然而，现有绝大多数自动化研究系统往往在精心挑选的示例、人类限定的主题、预...
AI工程行业应用
AGI FRONTIER
AI前沿分享第37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
EEVEE：路由协同进化机制，DeepSeek多基准得分提升24.32分
测试时提示词学习（Test-timepromptlearning）为基础模型的部署后适配提供了一种轻量级机制。与传统的权重微调不同，这种方法通过更新提示词来应对新输入、分布偏移和失效模式，特别适合通过与环境交互来自我优...
AI Agent
上海交大提出CoAgent：LLM自修复并发控制，多智能体提速1.4倍
当我们在生产环境中同时运行多个大型语言模型（LLM）智能体时，一个经典但致命的计算机科学问题正在以全新的形态复活：并发控制。无论是修复代码库、管理Kubernetes集群，还是协作编辑长文档，一旦多个智能体开始读取和修...
AI Agent
Boundary_Sync：多智能体交流导致同质化？9900次API实验揭示无状态耦合
当大语言模型（LLM）作为智能体被组合成多智能体系统（Multi-AgentSystems）时，一个根本性的矛盾始终悬而未决：智能体之间的相互交流，究竟是会促使它们在观点和输出上趋于一致，还是会激发更多的多样性？
AI Agent
不是行为克隆！哥大证明同策略蒸馏可将噪声IL样本复杂度缩减至多项式级
在过去几年中，模仿学习（ImitationLearning,IL）已经成为理解和训练大型语言模型（LLM）的核心范式。从最基础的指令微调（SFT）到更高级的模型对齐，我们都可以将其视为让一个学习者（模型）去模仿一个专家...
模型优化AI理论
19款大模型评测揭示：不是拼参数，而是拼Agent技能让小模型直追旗舰
大语言模型（LLM）驱动的Agent正在迅速重塑软件开发、数据分析和复杂工作流的自动化方式。为了让通用模型能够胜任特定领域的复杂任务，行业内形成了一种标准的做法：为Agent注入“技能”（Skills）。
AI AgentAI评测
Direct-OPD：不模仿小模型策略，而是转移隐式奖励，4小时提升Qwen3表现
带有可验证奖励的强化学习（RLVR）是当前激活大型语言模型深层推理能力的核心密码。从各大顶尖机构的动作来看，让模型在数学、代码等逻辑严密领域通过自我纠错和多步推理来获取高分，已经成为一种标配。然而，这种后训练（post...
模型优化
UI-MOPD：多教师在线蒸馏！跨平台GUI智能体成功率达38.2%
随着多模态基础模型和智能体系统的快速演进，图形用户界面（GUI）智能体正经历从单平台任务执行向跨平台复杂交互的关键跨越。真实世界的数字工作流往往需要跨越桌面应用程序、移动端App和Web服务，这就要求智能体不仅能适应异...
AI Agent模型优化
TurnOPD：复旦与腾讯提出自适应轮次蒸馏，Agent训练提速2.29倍
大型语言模型在规划、工具调用和环境交互等复杂任务中，正越来越多地被部署为自主智能体（Agent）。为了让模型在多轮交互中表现更佳，在线策略蒸馏（On-PolicyDistillation，简称OPD）成为了一种极具前景...
AI Agent模型训练
TOP-D：微软零开销蒸馏新框架，平滑无界奖励，准确率提升25.84%
在大语言模型的后训练（Post-training）阶段，如何有效地将强大的闭源或超大参数模型的能力“灌输”给较小的学生模型，一直是极具挑战的核心命题。在过去的探索中，同策略蒸馏（On-PolicyDistillatio...
模型优化
不是固定Top-K！SkillReranker：基于执行图的Agent自适应技能检索
大模型智能体（Agent）正越来越多地依靠外部技能库来完成复杂任务。相比于完全依赖模型的隐式推理能力，调用封装好的功能代码或API能够显著提升执行的稳定性和成功率。然而，随着技能库规模的不断膨胀，如何精准地为当前任务挑...
RAGAI Agent
直降17%！普林斯顿揭示特权自蒸馏为何反噬思考模型？
在大型语言模型的自我进化路线中，带有特权上下文的同策略自蒸馏（On-PolicySelf-Distillation,OPSD）一直被视为一种极具潜力的范式。这种方法让模型互为师生，同时给予“教师”模型额外的特权信息（例...
模型优化
Progressive Crystallization：提取确定性工作流，成本降低70%
在企业级IT运维（AIOps）中，引入大语言模型（LLM）驱动的Agent已经成为解决复杂故障的主流方向。Agent通过调用工具观察系统状态、进行逻辑推理并执行修复动作，这种高度的灵活性使其能够有效应对前所未见的新型故障。
AI Agent
MRMS：不是扩展上下文，而是结构-向量-图双轴长效记忆基座！
语言模型能够在单次提示的对话中生成连贯的回复，但当面对需要长期存在的长效智能体（Long-LivedAIAgents）时，单纯依赖上下文窗口的扩展往往会遭遇系统性的瓶颈。长效智能体需要在跨度极长、次数繁多的交互中维持对...
知识系统AI Agent
MetaSkill-Evolve：双尺度元技能进化，准确率涨23.5分
大模型智能体（LLMAgents）在处理长周期、开放性任务时的能力正在快速进化。为了让智能体不只是“见招拆招”，研究人员往往会为其配备“技能（Skill）”——一种可复用、可编辑的程序化知识库。然而，手工编写的静态技能...
AI Agent
MOSS：弃用向量RAG！可审计智能体记忆支撑4400万Token长效运行
当前，大语言模型（LLM）本身是无状态的。如果希望一个AI智能体（Agent）能在数月甚至数年间持续陪伴用户、积累知识，它就必须拥有一套强大的长期记忆“外挂”系统。
知识系统AI Agent
Memory in the Loop：进程内检索将延迟降至100μs，长上下文召回升至4.8/5
当前的大语言模型智能体（LanguageAgents）普遍遵循着“观察-推理-行动”的经典循环，但它们所依赖的外部记忆，往往被隔离在这个核心循环之外。在现有的主流架构中，外部记忆通常被当作一个独立的数据库，智能体在每个...
RAG知识系统
阿里EvoSOP：让Agent自动合成SOP，成功率提升13.4%
在当前的大语言模型（LLM）Agent研究中，工具调用能力已成为其与真实世界交互、解决复杂任务的核心基石。然而，当开发者们不断赋予Agent各种能力时，一个明显的效率瓶颈逐渐显现：现有框架绝大多数依赖由“原子操作”（A...
AI Agent模型优化
EvoAgentBench：不是任务记忆而是能力转移，跨四领域揭露所有自动进化方法的短板
在长时间跨度的大型语言模型（LLM）系统研究中，一个不争的共识正在成型：一个实用的智能体（Agent）不应该每次都从零开始解决任务。当Agent在复杂环境中经历过成功与失败后，它应当能够像人类一样，将过往的经验沉淀为可...
AI Agent
蚂蚁集团提出Soft Clamp：打破行为杠杆不平衡，过度调用率降至9%
大语言模型正在加速演进为能够自主执行复杂任务的智能体（Agent）。在这一演进路线中，模型面对的最核心挑战之一不仅是“如何准确地生成工具调用参数”，更在于一系列离散的战略决策：“何时该调用工具”、“何时该消化工具的返回...
模型优化
Agentic Data Environments：哥大打造AI安全底座，AIM准确率提升49.8%
随着大型语言模型的普及，自动化正迎来从“辅助生成”向“自主执行”的转折点。现代AIAgent不仅能够编写代码、浏览网页，更能自主调用API、操作终端甚至查询生产数据库。然而，当前的AI自动化往往止步于“只读”阶段，例如...
AI AgentAI安全
不是分散日志，而是持久化知识：LLM工作流语义框架
大语言模型（LLM）的应用正在发生一场不可逆转的结构性转变：从简单的单轮提示词（Prompting），全面转向由工具调用、检索、分支、检查点和人工审批构成的显式工作流（ExplicitWorkflows）。
基础模型
AgentLocate：多视角验证与微调机制，精准定位多智能体故障
在基于大语言模型（LLM）的复杂应用前沿，多智能体系统正在成为解决跨领域复杂任务的核心范式。通过将不同的职责分配给具备专门设定的智能体，系统能够实现更丰富的推理、更灵活的规划以及跨越多个工具的协调工作流。
AI Agent模型训练
不是全局静态分解，而是动态递归委托！快手与人大提出 WebSwarm 复杂搜索新框架
基于大语言模型（LLM）的智能体正在彻底改变网络信息检索的形态。我们早已不再满足于用它来回答简单的单一事实问题（例如“某电影的主演是谁”），而是开始向它下达更为复杂的“研究型”指令——比如“对比过去三年里所有开源多模态...
AI Agent推理