Meta 论文：前沿智能体从经验中学习的能力差异显著
Meta 冻结模型权重测智能体自学能力：GPT-5.6 Sol 每 1000 美元涨 298 分，Claude Fable 5 只有 57 分但胜率涨幅更大，挺有意思的对比。
论文
今日精选 · 2325 条
10月18日
论文：用蒸馏 4B 决策模型替换 Jev，agent 成本降 14.2% 至 89%
教你怎么给 agent 省钱：拿 Jev 蒸馏个 4B 小模型接进 harness，最省能砍掉 89% 成本还几乎不掉成功率。
开源 4B 决策模型 AgentDecision-4B 让智能体成本降 81.1%-89.0%
教你怎么把 4B 小模型塞进 agent 框架里替 LLM 做常规决策，成本砍掉八成还更快，做 agent 的都该看看。
腾讯论文：用递归自我改进训练终端智能体，Terminal-Bench 从 20.68% 升至 50.58%
腾讯发了篇终端智能体训练论文，五阶段交替微调加 PPO，Terminal-Bench 成绩直接翻倍多，奖励审计那段很值得细看。
10月17日
NVIDIA 公开智能体编程中间训练配方，SWE-bench Multilingual 提升 7 分
NVIDIA 开源了一个中间训练配方，给 Nemotron 加一段 500B token 的软件工程数据训练，SWE-bench 多语言直接从 55.8 涨到 62.8，自己训练编程智能体的可以照抄。
DeepSeek 与 Reflection AI 的 RL 环境计数方法尚难对比
对比了 DeepSeek 和 Reflection AI 各自披露的 RL 训练规模，Beam 用了 13 亿 sandbox 和一万多块 GB300，想看训练算力数据可以留意。
Anthropic 与哈佛用 Claude Mythos 5 优化量子电路设计
Anthropic 和哈佛用 Claude Mythos 5 自动搜量子电路，8 个任务里 7 个超过了人类最佳设计，每个结果都经过独立验证，不是嘴上说说。
微软研究院发布 StudentSim：用模拟学生测试 AI 导师效果
微软研究院搞了个 StudentSim，能模拟真实学生来测试 AI 导师讲得好不好，实验里把导师准确率从 75.7% 拉到 90.5%
IT之家原文
北大与 Samsung 论文：慢模型离线指导快模型，实时游戏得分从 13.51 升至 24.19
北大和 Samsung 做了个 RealtimeBench，测试里 GPT-6.1-sol 思考太久反而输给快模型 Jev，再用 TORSI 让慢模型离线写指令带快模型，得分翻到 24.19。
10月16日
Nick Cammarata 新文：神经元可解释性研究曾被误读，Qwen3-32B 审计显示 90% 神经元有明确职能
Zoom In 论文作者自己出来纠正旧结论，Qwen3-32B 上 90% 神经元有明确职责，做可解释性的人应该看看这篇。
AI 听诊识别左心室功能障碍，多中心前瞻研究完成外部验证
NEJM AI@Eiichiro Sato Yuki Izumi Yuki Saito Yoshihito Saijo Takeshi Kitai Akihiro Hayashida Azusa Murata Tomohiro Kaneko Akira Sakamoto Takahiro Sakamoto Kenya Kusunose Tohru Minamino Hiroshi Seki Koshiro Ikeda Shumpei Saito Shimpei Ogawa and Nobuyuki Kagiyama原文
NEJM AI 上一篇用听诊音找左心室功能不全的论文，做了多中心前瞻验证，心内科方向的朋友可以看看方法设计。
MLExpert：35B MoE 智能体模型实现自主机器学习工程
一个 35B 的开源方向智能体模型，把 Kaggle 奖牌率从 37.9% 拉到 72.7%，能跟 Kimi-K3、GLM-5.3 掰手腕，做 MLE 自动化的值得看看训练方法。
MCP 服务器文件系统能力洗白漏洞研究：21,097 个服务器中 787 个越权
研究扫了 2 万多个 MCP 服务器，发现 16.4% 会偷读声明范围外的文件，连 Anthropic 官方 Git 服务器都有 CVE，自己搭 MCP 的必看。
Microsoft 论文：会话历史可提升多轮 Agent 的模型路由效果
微软这篇论文给做 Agent 降本的提了个实用思路：路由时把会话历史喂给路由器，多轮任务多过 3.3 个点，还把切换的缓存成本算清楚了。
System1-Arena 基准：哪些决策可以交给 System 1 模型
这篇论文测了 30 个模型在 92k 道决策题上的表现，告诉你什么时候该用一步出概率的 System 1 模型，什么时候必须上推理模型，延迟和成本差得很实在。
ChainGraph：用 Neo4j 图数据库增强 LLM 渗透测试智能体的攻击链推理
把渗透测试发现存进 Neo4j 图再让 Claude Code 查询，孤立的 Medium 漏洞能串出 Critical 攻击链，token 还省了 98%。
IneqAgent：用符号计算与 MCTS 在 Lean4 中自动证明不等式
用 LLM 加符号计算在 Lean4 里自动证不等式，186 题解出 175 题，还顺手推进了两个猜想，数学形式化爱好者别错过。
Perplexity 测试 SPACE 沙箱：9 个模型配置发起 108 次逃逸尝试均失败
Perplexity 让 9 个模型配置在沙箱里拿 root 权限搞逃逸，108 次攻击全失败，关心 AI 安全的可以看看他们怎么设计测试。
自改进 Agent 接受 harness 修改前应在独立新任务上验证
讲自改进 Agent 怎么防止改坏自己：新改动先在独立任务上跑赢旧版才准上线，还给了 GPT-5.4-nano 在 SpreadsheetBench 拿 77.58% 的例子。
10月15日
Penn State 与 Microsoft Research 提出 Behavioral Self-Rewarding 改进 SWE 智能体训练
训练编程智能体只看测试通过与否，组内全过或全败就没信号。这篇论文让模型自己 pairwise 比较轨迹当奖励，Qwen3-14B 白拿 2.6 个点。
Primus Projection：单机仿真加自动调优，替代千卡分布式训练试错
调千卡训练配置不用再烧 GPU 试错了，单卡跑不到 30 分钟，就给 Mixtral 8x22B 找到比官方参考快 27% 的配置。