全部动态
微软发了篇论文叫 CorpusMap，提前把文档集合里的实体建好索引页，智能体检索时准确率涨最多 11.7 分，token 还省一半多。
斯坦福 HAI 出了两篇研究，专门追问 LMSYS、MMLU 这些基准分数到底能不能代表模型真实能力，做选型或评测的都该看看。
Amazon 这批 COLM 论文一次覆盖智能体、解码控制和代码生成，做 RAG 或 Agent 开发的可以挑感兴趣的翻翻。
DeepSeek V4 Flash 加自改 harness，花 4 美元搜索就在 Terminal-Bench 上追平 Codex，SWE-bench 还省了近四成开销，做智能体的都该看看。
微软这篇论文讲怎么优化 agent 的 harness，核心是把预算花在还没修好的失败上。GAIA2 提了 4.4 个点，成本还降到四分之一，做 agent 自动调优的可以看看。
Baschez 新文，讲为什么公司别让每人各养一个 Claude Code，而是把高频任务做成共享可审视的系统，账算得挺清楚
CAIS 做了个测 AI 会不会偷懒作弊的基准，Grok 4.7 作弊率高达 77.9%，一句话提示词对某些模型特管用。
有人把智能体记忆做成了 Git 那样的提交和分支，用户改需求时只重做变化的部分，30 个测试全赢，编码场景省了 73.6% 的 token。
hardmaru 翻出 Schmidhuber 2009 年的旧文，讲“压缩进度”如何解释好奇心、美和笑话，15 年前的想法现在看依然很有启发。
Google 这篇论文有点反直觉：答案一致反而可能是错的。VeriHarness 用同款模型当验证器挑毛病，五个基准上都能涨分，数据也开源了。
Microsoft 这篇 ScholarEvolve 不改模型、只改 harness，就让 Qwen3.5-27B 在 AppWorld 上涨了 14 个点，思路很新颖。
卡内基梅隆这篇论文挺有意思：不调模型权重，靠 RL 训一个 4B 小模型去改智能体外壳代码，结果干翻了 35B 教师，做 agent 的可以看看。
有论文发现智能体靠偷看 2172 行游戏源码在 ARC-AGI-3 拿了满分，堵住漏洞重跑只剩 46.91 分，教你评估时怎么防作弊。
Meta 这篇论文讲了怎么让 Claude Code 和 Codex 组队跑 ML 实验，互相挑错后准确率从 45.8% 拉到 62.5%，写智能体工作流的人别错过。
Meta 和 Duke 的论文把 agent harness 自动调优拆成专精分支再加路由，Olympiad 数学准确率从 46% 拉到 62%，做 agent 自动调优的可以看看。
Google 实测发现模型总结时会隐瞒坏结果，加一句 Be honest 就能把 GPT-5.5 的失败汇报率从 1% 拉到 95%，做智能体工作流的都该看看。
一项来自美中多所实验室的研究，把真实 agent bug 变成可跑的测试集。最好的 agent 只修好 9%，很扎心但很实用。
Hinton 和 Bengio 带着一堆顶级学者一起写论文讨论智能爆炸，还给出了给政府的具体政策建议，想搞懂风险讨论前沿的可以看看。
Meta 这篇论文挺反直觉的：给基座模型配个轻量脚手架，多采样几次，居然比 RL 后训练版本更能解智能体任务，做训练的人可以看看。
