OmicsBench：面向研究级生物信息学的长流程多轮 AI 智能体评测基准
研究人员推出面向 AI 智能体的长流程多轮生物信息学评测基准 OmicsBench，包含 97 个任务、共 662 个基于有向无环图关联的子任务。在 3 个测试框架下对 12 个模型的评估显示，无上下文反馈时平均得分仅 0.43 至 0.57，最慢的智能体单任务平均耗时达 3.6 小时。配套的无监督失败模式发现流程还揭示了智能体自作主张应用统计过滤或凭记忆作答等缺陷。
#Agent
#Agent
今日 12 条arXiv cs.AIAI 评分4040 arXiv cs.AI精选AI 评分7575 Athanor：用于自主后训练研究的智能体原生系统
研究团队推出 Athanor 系统，支持多智能体在真实 GPU 环境下自主完成大语言模型的后训练研究。在 104 小时的实验中，4 个 Claude Opus 5.5 智能体在未获指导的情况下，将 Qwen3-4B-Base 在保留测试集上的得分从 9.2 提升至 48.2，成绩比肩官方 Qwen3-4B-Instruct-2507。
推荐理由：该研究验证了多智能体自主协作开展端到端后训练的可行性，展示了算法调优与模型合并在全自动流程中的实际效果。
arXiv cs.AIAI 评分3434 学习何时撤回：微调语言智能体的课程覆盖度与规则级失效
研究人员在合成环境 NAQD-Env 中基于 Qwen2.5-3B-Instruct 进行了 LoRA 监督微调，以评估工具调用语言智能体在证据变更或权限撤销时的选择性撤回能力。
arXiv cs.AIAI 评分4040 StepSafe：通过上下文感知安全推理实现适时干预
研究人员提出了结合 ASPO 训练框架的步级推理安全护栏 StepSafe，通过前缀级阶段对齐与自适应反馈自蒸馏实现适时干预。该方案在每一步引入违规分类体系和干预窗口，并利用自进化多智能体红队测试扩展数据。StepSafe 在 5 个智能体安全基准上达到开源护栏 SOTA，其 4B 模型的 Youden's J 指标达 53.0（对比 46.2）。
arXiv cs.AI精选AI 评分6565 MAI-Gym 开源跨平台 GUI Agent 评测与强化学习训练平台
研究团队推出开源一体化平台 MAI-Gym，统一了移动端、电脑和 Web 环境下的 GUI Agent 评测、数据收集与在线强化学习训练。该平台最高支持 20,000 个并行环境实例，并支持自动合成可重置的模拟应用与跨应用任务验证。
推荐理由：原文展示了通过可重置的模拟应用合成任务进行在线强化学习并直接迁移至实体手机操作，为低成本构建真实图形界面智能体提供了可行路径。
arXiv cs.AIAI 评分4545 RAC：面向受约束工程任务的关系型智能体契约
研究人员提出面向工程智能体动作与反馈层的通用契约 RAC，让智能体决策工件应满足的关系，并由专用工具推导具体后果。在 PCB 布局、布线及修复任务中，RAC 在全部 9 个受测模型上取得最高的一次通过率，平均达 90.9%，优于基线方案的 74.0%。在作业车间调度任务中，其质量通过率达 96.3%，显著高于代码中介交付的 59.6%。
arXiv cs.AIAI 评分4646 SkillNEO：面向智能体技能的非精英进化优化方法
研究人员提出面向智能体技能的非精英进化优化方法 SkillNEO，通过将“当前使用的版本”与“继续改进的版本”分离筛选，保留低得分版本的有效修改并支持后续迭代。
arXiv cs.AIAI 评分5050 自我改进 AI 智能体的技能与策略协同进化陷阱研究
针对自我改进 AI 智能体在部署后技能库发生漂移导致性能脆弱的问题，研究团队提出了面向部署的评测协议 CODA。该协议通过模拟技能漂移，引入了语义保留编辑下的一致性率以及对受损技能的抵抗率等新指标。在 4 种协同进化方法和 5 个基准测试中，最差情况下的成功率比峰值低 5-13 个百分点，抹去了技能库相较无技能基线 52-93% 的性能增益。
arXiv cs.AIAI 评分4444 自主拓展 DSL 的自我改进 AI 智能体：面向精确问答的无 Oracle 算子归纳
研究人员提出一种无需奖励、裁判模型与标准答案的自我改进 AI 智能体，通过冻结模型在领域特定语言（DSL）上运行双层嵌套循环拓展计算能力。内循环通过双表达式一致性将可回答问题集扩大约 3 倍，外循环基于守恒定律准入新算子并成功拦截全部 138 种错误算子变体。该机制在商业账本和临床问诊领域将可回答集分别提升逾 10 倍与近 20 倍，且能跨模型族泛化。
arXiv cs.AIAI 评分3939 EvolvingBrain：用于多模态 Agent 在开放世界中自我进化的自适应技能系统
研究人员提出多模态 Agent 自我进化系统 EvolvingBrain，通过自适应技能系统作为核心大脑以提升开放世界交互能力。该系统包含从轨迹中提炼经验并构建包含 Domain、Plan 和 Action/Trap Skills 的分层技能自进化模块，以及利用结构化摘要记忆指导技能融合的状态感知自适应执行机制。
arXiv cs.AIAI 评分4949 ARIA：多智能体系统的运行时检测与修正框架
研究人员推出 ARIA 框架，通过学习在多智能体系统运行过程中何时以及如何修复错误，避免局部差错扩散导致任务失败。该研究跨 4 个框架、6 个 benchmark 与 8 个宿主模型收集了超 24,000 条轨迹，构建出包含 3,953 对经执行验证修复的 ARIA 数据集。训练后的紧凑模型在事后与运行时环境中均展现出强修复性能，并能泛化至未见过的框架与模型。
arXiv cs.AIAI 评分4141 IneqAgent：结合符号计算在 Lean 中实现智能体不等式证明
研究人员提出 IneqAgent，这是一个将大语言模型推理与符号计算相结合的智能体框架，用于在 Lean4 中进行不等式证明。它利用引理级蒙特卡洛树搜索协调引理构建与后端选择，并借助平方和、Bernstein 等符号后端生成证明凭证。结合 DeepSeek-V4-Flash 时，该方法在 4 个基准测试中解决 186 道题目中的 175 道（94.09%），以更低的平均推理成本取得了最高总成功率。
arXiv cs.AIAI 评分5555 研究提出 AlphaDiana：用于可验证推理任务的 Agent 度量系统
研究团队推出 Agent 度量系统 AlphaDiana，针对可验证推理任务，解耦数据集、Agent、环境与评分模块，支持对工具、技能和记忆组件进行微观干预评测。
arXiv cs.AIAI 评分4545 RealtimeBench 与 TORSI：动态实时时钟下的 AI 智能体评估与自改进框架
研究人员推出包含 6 类游戏共 180 项任务的 RealtimeBench，用于评估推理期间环境持续运行的 AI 智能体表现。测试显示 GPT-6.1-sol 在暂停时占优，但在实时运行时落后于更快的 Jev。为此提出的双时间尺度自改进方法 TORSI 通过慢速导师离线指导快速学生，两轮迭代将 Jev 的平均测试得分从 13.51 提升至 24.19。
arXiv quant-phAI 评分3434 基于 AI 智能体辅助的跨量子处理器实验策略迁移
研究人员提出一种基于 AI 智能体辅助的实验策略，成功在一台 3 量子比特核磁共振处理器上开发并迁移至另外四台设备。AI 智能体负责评估实验证据、选择后续测量并调整流程，结合设备专属校准、控制脉冲优化与测量完成 Grover 态制备任务。测试中重构主特征态的目标态布局数达 0.910 至 0.959，相对理想值 0.945 的偏差低于 3.8%。
arXiv cs.LGAI 评分3434 CausalEvo：面向医疗 LLM 智能体的因果技能自演化方法
研究人员提出 CausalEvo 方法，用于在固定模型权重与规则数量的前提下，通过因果评估任务反馈来决定医疗 LLM 智能体文本技能的保留与替换。在包含 120 个保留案例的 6 项 MedCalc-Bench-Verified 任务中，CausalEvo 达到 60.00% 的准确率，优于无技能的 51.67% 与 SkillOpt 的 55.83%。
环球科学AI 评分3333 COMSOL 正式成为 Formula E 官方多物理场合作伙伴
COMSOL 与 Formula E 宣布达成多年战略合作，正式成为其官方多物理场合作伙伴。双方工程师将基于 COMSOL Multiphysics 软件开展研究，共同探索 AI 辅助建模、智能体工作流与数字孪生等技术。此外，COMSOL 宣布 COMSOL Multiphysics 2027 版本将于今年秋末发布，新增电机仿真、系统级仿真和智能体仿真等功能。
量子位AI 评分5252 前华为小艺大模型负责人唐都钰创办观行数智，押注主动式物理AI
华为前AI首席专家、小艺大模型前负责人唐都钰创办观行数智，专注打造面向物理世界的主动式AI系统。团队设计了双模型协同架构 ProAgent，通过轻量级流式判断模型持续监测现实环境事件，再由响应模型规划介入时机与设备调用方式。目前该方案已构建评测基准 ProactiveXBench，并在 Reachy Mini 机器人上落地验证了 60 个交互案例。
量子位AI 评分2626 基元律动宣布开发者入驻超30万，开启双11预售福利
基元律动宣布入驻开发者已超30万，并同步开启双11预售限时福利。用户在 TokenRhythm API 平台单笔充值满50元可获等额调用额度，通过单一 API Key 调用全量模型，赠额不设上限且永久有效。平台搭配自研开源智能体 OpenSquilla 实现多模型智能路由，此前已与无问芯穹、阿里云达成战略合作。
量子位AI 评分2828 交大安泰MBA启动AI时代商科人才培养改革
交大安泰MBA发布“智能时代五链人才”培养体系并启动“百业千企10×100 AI场景共创计划”，规划未来十年联合企业落地1000项专属AI实景课题。该体系重点培育AI4O、FDE与OPC三类实战能力，并与Datawhale合作启动FDE人才专精培育计划。面向2027级，学制统一调整为2年，实践课程占比不低于总课时的四分之一。
量子位AI 评分6969 蚂蚁百灵开源 Ling-3.1-flash 模型，主打长流程办公与复杂任务交付
蚂蚁百灵正式开源大模型 Ling-3.1-flash，主打承接真实办公与长流程任务。模型总参数约 560B，每个 token 激活约 25B，采用 7 层 KDA 搭配 1 层 Gated MLA 的混合注意力结构，支持 1M 上下文窗口。实测显示其在任务拆解、表格方案生成和医疗问诊整理中表现稳定，但当前版本尚未集成原生视觉理解。
量子位AI 评分2828 STEPX智能体手机亮相2026 TMOT电音节，打造AI音乐共创体验
STEPX携智能体手机STEPX Neo亮相2026 TMOT电音节，基于StepAudio 3 Music模型为观众打造专属AI音乐共创体验。该手机搭载Step AOS系统并内置个人智能体阶跃Amoo，支持将灵感转化为专属电音。此外STEPX推出终端原生IDE Step Studio，支持自然语言生成AI App与Skill，并兼容MCP和A2A协议。
量子位AI 评分4343 量子位智库发布企业级Agent落地报告：拆解六大断点与全链路破局框架
量子位智库发布《Agent驱动的企业智能化：单点提效到规模化重塑》报告，归纳出企业落地AI面临的任务定义、数据可信度、判断验证、行动落地、权责划分及价值衡量六大断点。报告提出成熟企业级Agent必须具备贯通任务、上下文、判断、行动、控制与衡量的全链路能力。实践建议企业优先跑通单一高价值场景闭环，再将经验沉淀为可复用的智能资产进行规模化推广。
Simon WillisonAI 评分7373 sparqlite：用 Claude Code 自动生成的 SQLite SPARQL 扩展及对 vibe coding 的反思
Simon Willison 测试了 Claude Code 网页版的 Ultracode 模式，借助多智能体动态工作流连续运行超过 12 小时，自动用 Rust 构建了完整的 SQLite 扩展项目 sparqlite。
OpenAI NewsAI 评分3131 Grupo Boticário 如何利用 AI 强化人际连接
Grupo Boticário 运营着一个专有 AI 智能体平台，能够自主解决分销商高达 80% 的运营请求。该举措促使销售团队摆脱常规事务，转向承担顾问角色。
OpenAI NewsAI 评分2828 Localiza 如何围绕生成式 AI 重组工作
Localiza 采用 ChatGPT Enterprise、OpenAI API、Codex 及 60 多个专用 AI 智能体来重组工作流程。该公司正借助这些技术与工具，构建 AI 原生的出行体验。
The Verge · AI精选AI 评分7676 ChatGPT Chrome 扩展升级，支持读取与控制已打开的标签页
OpenAI 升级了 ChatGPT 的 Google Chrome 扩展，允许用户在网页端或桌面端标记 Chrome 直接读取已打开的浏览器标签页内容。更新还改进了侧边栏体验，并允许 ChatGPT Work 执行自动填写表单、发送消息、下载文件以及整理标签页等跨页面控制操作。
推荐理由：扩展支持读取打开的标签页并接管填写表单等操作，让浏览器内的跨页面信息汇总与自动化流程更加顺畅。
arXiv cs.AIAI 评分3434 企业软件集成智能体 AI 的参考架构：职责、交互与可变性
研究人员提出了一种用于将智能体 AI 集成至企业软件的技术中立参考架构，将各类架构能力归纳为 10 项核心职责，并定义了边界不变式、跨职责交互与变异点。该架构在现存面向服务的 ESG 组合分析与交易前合规系统中落地验证，实现了其中 7 项职责，并成功映射了一套独立发布的智能体架构。相关部署与记录结果已作为复现包提供。
arXiv cs.AIAI 评分3737 ASIWorld：在持久生存沙盒中评测自主 AI 智能体
研究人员推出生存沙盒基准 ASIWorld，结合持久世界状态、角色范围观测和可编程异步接口，用于评测自主 AI 智能体的持续目标执行能力。在对 9 种智能体配置的探索性研究中，8 种完成了生产任务，6 种完成了生产与探索双重任务。评测不仅关注任务成功率，还综合分析了发展成就、生存成本及准备、战斗与恢复等执行行为。
arXiv cs.AIAI 评分3232 反思型 AI 智能体的反事实遗憾分析与 Lean 形式化验证保证
研究者提出了反思型语言 AI 智能体在保留原生控制器下实现次线性反事实遗憾的充分条件，解决局部反思在资源约束下缺乏长期性能保证的问题。该研究建立了资源敏感的转移机制以约束全状态部署偏差，并通过局部生成可靠性推导出累积生成机会界。全部 13 个理论结果的条件证明链均已在 Lean 中完成形式化验证。
arXiv cs.AIAI 评分3434 LYNX：通过对齐与闭环精炼实现分析程序合成
研究团队推出多智能体分析程序合成框架 LYNX，通过规划、生成、验证和精炼的三智能体闭环工作流，将 LLM 数据分析转化为模式与知识约束的求解任务。
arXiv cs.AIAI 评分4343 ProgAgent：通过编程式训练学习工具编排
ProgAgent 提出完整的编程式工具调用（PTC）训练技术栈，通过运行期变量存储中间结果以避免上下文膨胀与编排崩溃。该方案仅用 4 种环境规模下的 215 个合成任务完成两阶段训练，在 4 个基准测试中均优于同规模基线。在 LOCA-bench 的 64k-token 环境状态下，ProgAgent-14B 取得 30.7% 通过率，而参评基线得分为零。
arXiv cs.AIAI 评分4040 摄像头优先的 AI 智能体应如何工作？
针对摄像头优先 AI 智能体面临的短暂目标交互（ETI）时效难题，研究团队提出了感知截止时间契约，将硬性记忆截止时间与软性推理截止时间分离。该双截止时间架构包含常驻非语义快速路径、主动记忆机制以及由多模态模型和工具构成的延迟深思层。实测显示前沿模型短回答耗时达 1.2-9.3 s，该方案确保视觉证据在单路径推理延迟导致目标消失前被持久化保存。
arXiv cs.AIAI 评分3434 TASA：面向组合问题的可追踪智能体优化
研究人员提出工具增强策略智能体 TASA，通过总结并利用优化轨迹提升组合问题的求解质量。TASA 将优化过程分解为可追踪的策略选择，并结合 LLM 构建的问题专属工具与自适应工具规划器高效更新解。该方法确立了持续探索下的局部收敛性，并在共享评估预算下验证了优异的解质量与搜索可追踪性。
arXiv cs.AIAI 评分4242 DSABench：多数据库 AI 智能体数据源发现、协同与执行评测基准
研究人员推出评测基准 DSABench，联合评估多数据库 AI 智能体在数据源发现、跨源协同和工作流执行上的能力。基准包含 815 个经人工审核的任务，其中 618 个需要多个数据库协同，并在 RouteEnv 环境下进行无特权测试。
arXiv cs.AIAI 评分3838 RASSG：面向流式工具执行的自我修正感知语义留存门控
研究者提出 RASSG 方法，用于在流式语音交互中联合控制工具的启动与取消，以应对用户自我修正导致的失效执行。RASSG 在连续 3 次语音识别结果产生相同非空参数时启动工具，并在产生不可逆影响前的最后可行时机，结合参数失效风险与执行成本决定是否取消。
arXiv cs.AIAI 评分4040 PEARL：面向多轮 AI 智能体的过程经验感知强化学习
研究人员提出 PEARL 强化学习方法，在无需额外 Critic 的情况下改善多轮 AI 智能体的局部信用分配。该方法通过定位分叉决策并聚类历史失败与成功记忆中的循环模式，选择性强化低奖励决策的负优势。实验显示，PEARL 在 AppWorld 的 4B 和 8B 规模上均超越 ARPO，并在 ALFWorld 4B 规模达到 97.9% 的平均成功率，高于最强基线 2.7 个百分点。
arXiv cs.AIAI 评分3434 从现有方法到新研究思路：递归自我改进（RSI）的两个视角
研究人员提出了审视递归自我改进（RSI）的两个互补视角，以推动语言智能体在参数、记忆、技能和代码层面的持续自我迭代。其一建立了包含更新目标、更新组织、更新调度与范围、反馈与选择 4 个组别共 9 个设计维度的统一分类法；其二结合深度学习与进化计算等机制，并总结了在线、离线及离线到在线设置下的评估基准。
arXiv cs.AIAI 评分4545 在 LLM 上迭代，在 SLM 上服务
研究提出先在前沿 LLM 上通过提示词迭代业务逻辑，再将真实线上行为通过 SFT 蒸馏到小语言模型（SLM）的部署方案。在护理排班场景中，基于 11.6k 条线上决策微调的 LoRA Qwen3-8B 达到 0.913 一致性，表现比教师模型 GPT-5.4-nano 更稳定，盲测中以 48 比 29 获专业人员认可，并将中位数延迟降低约 2.5 倍且大幅降低成本。
arXiv cs.AIAI 评分3636 CB-Agent：面向序列动作选择的基于概念上下文学习方法
研究人员提出面向序列动作选择的 CB-Agent，将概念上下文学习引入交互式智能体。该方法从专家轨迹中提取动作决策，通过极大似然拟合概念向量，并结合冻结的语言模型特征与先验来对候选动作评分，在 ReAct 交互中无需将演示轨迹放入动作评分上下文。