全部动态
搞 Agent 记忆层的可以看看这篇：Jev-Mem 用轻量控制器替代 LLM 做决策，构建快 6.6 倍，LoCoMo 上还涨了 11%。
一篇关于智能体训练的论文：让智能体先广泛练相关任务再啃难题，4 个任务上从 56.50% 提到 74.54%，附独立校验设计，做 agent 的可以看看。
Microsoft 这篇论文做了个 Taste-Bench，专门考智能体在任务分叉时选路的品味，最强模型也就答对 59.7%，还发现加大推理预算没用。
Microsoft 新论文 CASD，让编码智能体读完整日志自动改提示词，比 GEPA 多提 5.7 分，一次只要 1.6 美元，做 agent 的都该看看。
大家都盯着实验室刷数学证明，这条讲历史学家怎么用 AI 破 John Dee 密码、挖 Darwin 的思想源头，角度少见。
Google DeepMind 这篇论文挺扎心的：你给智能体一句自信但错误的建议，它会照做还不吭声，三大主流模型最多掉分 46.7%。
Stanford 和 Together AI 的新论文，智能体别再投票吵架，学15道题分工互检，3个模型从48.8%干到66.7%。
Boltzbit 给出了智能体自我改进的第二条路：直接改权重而不是堆记忆，理论上算力省约 1000 倍，思路很值得琢磨。
Ethan Mollick 说那张刷屏的 METR 任务时长曲线该退休了，还给出了替代图，做 AI 汇报的人可以看看。
Meta 给智能体配了个记忆员，专记它犯过的错并适时提醒，把 Claude Sonnet 4.5 成绩从 37.6% 拉到 45.9%，做智能体的可以看看。
Fireworks 的特种智能指数又添新成员，这次是 FactoryAI 的 Legacy-Bench，专门考模型能不能搞定遗留代码系统，做企业级 Agent 的可以关注。
Google 这篇论文拆了 serverless CPU 跑量化小模型的延迟构成，55-70% 耗在加载权重，加内存到 8 GB 就能让推理快近一倍，部署前值得看。
这篇论文做了实验：Agent 记忆里存错一条权限，98.6% 的情况下会照着执行，修正记忆后归零。做 Agent 权限系统的建议看看。
恶意skill会装的时候装乖，用的时候才下手，这篇论文的SkillSonar在GLM-5上把攻击成功率砍到10%左右，讲清了怎么防。
Epoch AI 搞了个叫 FAB 的新基准，让模型看宜家说明书加半成品照片找拼装错误，10 个月内最高分从 28% 冲到 80%。
METR 给 Anthropic 的 AI 研发加速打了个具体分数：1.5 倍。想知道 AI 到底多大程度替代了工程师干活，这个口径很严谨，值得看看。
Salesforce 这篇论文发现公开 RL 环境大多有奖励错误，还给出 RIVER 筛选方法，8B 模型跑分反超随机采样，做 RL 训练的都该看看。
NVIDIA 把公开 Agent Skills 自动转成 RL 训练环境，产出近 8000 条任务，还开源了流水线思路，做 Agent 训练的可以看看。
Google 这篇论文把 agent harness 蒸馏进模型，移除专用 harness 后成功率反而从 23.3% 涨到 44.3%，比带 harness 还高，做 agent 的都该看看。
Boltzbit 和剑桥搞了个新架构，把聊天里的新知识直接编译成 LoRA 权重写进模型，长对话和多轮场景下比 RAG 省算力还更准。
腾讯混元把经典批大小理论搬进了 LLM 强化学习，实测 PPO 吞吐提升 2.29 倍、GRPO 训练省 29% 时间，做 RL 训练的可以看看怎么调参省钱。
腾讯混元做了个新基准 WebCraftBench，用 369 条真实需求测 AI 写网页到底靠不靠谱，测了 17 个模型，和 Code Arena 榜单相关性 0.89。
Google 这篇论文值得做 Agent 的人细读：自动优化 harness 会让你 eval 分数涨但真实任务变差，RRSI 用双向正则化解决了这个问题。
Microsoft Research 研究说机器人不用把推理都塞进本体，放到外部算反而任务成功率更高、效率更好，做具身智能的可以看看。
Stanford 和 Together AI 让 o3-mini、Claude Sonnet 4、DeepSeek-V3 自己商量怎么合作，只练 15 道题就在 AIME 上比理想路由器高 13.4 分，方法写得挺细。