MAI-Gym 是一个开源 GUI 智能体评估与强化学习训练统一平台，覆盖手机、电脑和网页环境，可扩展至 20,000 个并行实例。基于该平台训练的 MAI-Gym-9B 在 10B 参数以下开源 GUI 智能体中达到当前最优，在 MobileWorld 上取得 78.4%、在 OSWorld-Verified 上取得 76.2%。
推荐理由：论文同时给出平台规模、训练结果与模拟到真实的迁移数据，能为 GUI 智能体的训练成本和跨环境泛化提供参考。
InfiniSplat v2 在六个数据集上以同一训练模型取得前馈 3DGS 重建的 SOTA 平均 LPIPS 与 DISTS。其通过解耦几何与属性预测、利用真实相机姿态对齐高斯点并引入大角度目标视角监督实现该改进。位姿条件下平均 LPIPS 与 DISTS 较最强基线分别降低 25.8% 和 32.9%。
本文提出 Speculative Sampling 推理方法，在自回归视频生成中保留大双向注意力窗口建模能力的同时保持小窗口的低延迟交互。该方法无需训练和 Self-Forcing 风格的后训练，应用在 MiniMax H3 上一次采样 5 秒视频，端到端响应延迟约 1.4 秒，可直接集成到任意交互式视频生成系统中。
推荐理由：原文提出无需训练的 Speculative Sampling 推理方法，把双向注意力窗口大小与低延迟约束解耦，可供交互式视频生成团队参考工程取舍。
BlenderWorld 是面向真实 3D 创作的多模态大语言模型评测基准，涵盖 223 个跨建筑、产品、自然环境和科学可视化的任务，通过多视角渲染并依据 2,651 项二元评分细则打分。
Orbia 提出一个系统性评估交互式视频世界模型 3D 一致性的基准，涵盖输入保持、生成内容持久性和 3D 自一致性三个维度。该基准包含室内外 720 个实例、六种探索-重访协议以及分钟级长程探索，对 27 个文本、动作和相机条件模型进行了评测，指出视觉逼真且吸引人的帧不一定对应一致的 3D 世界，可为诊断 3D 不一致和开发更持久的视频世界模型提供基础。
推荐理由：Orbia 是面向交互式视频世界模型的系统 3D 一致性基准，通过受控探索和重访协议评测 27 个模型，可用于诊断生成视频在三维层面的一致性缺陷。
CarryOn 是一个面向长程智能体的对象化上下文运行时，让智能体从可复用的任务进度继续工作，而不是反复压缩交互历史。在 OSWorld 2.0 和 BrowseComp-Plus 上，性能分别提升 5.8 和 7.0 个百分点，总 token 使用量分别下降 51.9% 和 22.9%。项目页：https://ethannju.github.io/carryon/
推荐理由：针对长程智能体反复回溯历史的问题，提出对象化上下文方案并在两个基准上报告了具体分数与 token 变化。
Anthropic安全研究员William Zhou和Daniel Freeman在论文中实测AI端到端自主复制能力：用GLM-5.2在含8个GCP节点的隔离网络中进行5次测试，4次成功部署到全部8台设备，1次拿下7台。
推荐理由：实验给出了跨硬件部署成功率、代际能力提升与能力门槛预测，读者可据此判断AI蠕虫从实验室走向智能家电的现实距离。
本文提出 Simplified Matching Distillation（SMD），一种用于少步扩散模型蒸馏的回归框架，可在 4-NFE 下生成图像，无需在线分数估计或对抗训练。
推荐理由：原文给出一种不依赖在线分数估计和对抗训练的回归式蒸馏框架，覆盖图像、视频、3D 和音视频任务。
论文提出 Sauron，一种证据先行的智能体判官，先独立验证环境状态和执行轨迹中的证据再下结论，每个裁决附带审计收据。在 2,586 条人工标注准则上使用 GPT-5.6 Sol 取得 0.96 F1，比 Gandalf 高 0.04 同时成本低 23%；在 13 类故障注入套件上检出 97%、误报仅 2%；在 TRAIL 基准上也超过 Gandalf 与其内置判官。
推荐理由：针对长链路智能体的评分细则评测，提出证据先行的判官流程与审计收据机制，可直接迁移到现有判官管线和奖励信号设计。
ACCRUE 提出面向机器人基础模型的持续离线策略强化学习方法，用少量示教微调后仅更新紧凑的 actor–critic。
推荐理由：对比单任务RL给出具体交互时间下降区间与六任务后技能保持率，可用于评估持续学习在真实机器人上的效率。
研究团队用包含 200 个提示词的 AgentDrawBench 评测通用编码智能体，发现其零样本绘图擅长保持结构和满足精确约束，但视觉丰富度有限。智能体的视觉表达随绘图界面变化，从人类示范提取的程序技能可支持不同艺术媒介；可执行视觉代码在部分领域的视觉问答准确率高于原始图像。研究进一步检验内部视觉语言思维假设，发现跨界面绘图和独立单像素查询呈现相关布局与色调，移除可见绘图后仍能维持房间排列。
推荐理由：AgentDrawBench 将结构保持、精确约束和视觉丰富度纳入同一评测，可帮助读者判断编码智能体在视觉生成中的适用边界。
PixText 提出一种面向生成图像局部文本的修正方法，通过像素空间分组生成配合四步 MeanFlow，在保留原图背景的同时提升字形与字符准确率。
推荐理由：原文给出具体基准对比与单图生成耗时数据，可参考其像素空间分组思路处理其他需要局部编辑的图像任务。
Virtual Head Attention (VHA) 通过 Q Premix 与 Linear Postmix 两个轻量线性变换，在不引入非线性操作的前提下同时降低 KV cache 与训练/预填计算开销，并可在推理时折叠回标准 GQA-2 架构复用现有推理优化。
推荐理由：原文给出了 VHA 在长上下文推理中相对 GQA、MLA 的具体收益与边界，方便读者评估该方案替代现有注意力机制的可行性。
HybridAgent 提出在统一生成过程中动态切换潜在推理与文本交互的智能体框架，通过轻量级 HybridLink 衔接两种模式，并由连续工作记忆保留多轮上下文，再配合 HybridSFT 与 HybridRL 两阶段后训练方法。
推荐理由：HybridAgent 把潜在推理与文本交互整合到统一生成过程里，为带工具调用前缀的 agent 设计提供了一种可借鉴的混合推理路径。
作者提出自进化智能体 Harness 框架：在固定模型权重下，用反馈驱动修订与进化式搜索持续更新 prompts、memory、workflow 等 scaffolding，并区分对解释态与对工具代码、仓库级控制逻辑、插件组成的修订。
推荐理由：把智能体 Harness 的自我迭代形式化为带理论保证的搜索问题，给出可直接参考的 PAC 学习分析框架与持续验证流程。
CLASHarness 提出生成可验证多智能体冲突任务的计算机使用基准，含 600 个多轮场景，由分层场景规划与八步验证微流水线构建，预先提交关键视觉事实并从执行轨迹直接编译混合评分器，保证任务在构造上可解。
推荐理由：原文给出用预提交视觉事实与执行轨迹编译评分器的可控生成流水线，可作为多智能体冲突评测的构造范式。
ReMaRk 提出一种面向 LLM 推荐场景的强化学习方法，把每个请求的多份有效回复合并评分，去掉 Rank-GRPO 随机挑一条回复所引入的方差（占训练方差 85%）。
推荐理由：把同一请求下多份有效回复合并打分，作者在 7 个基座、3 个数据集上验证了这一可迁移规则对 RL 训练的提速效果。
Socratic Skill Learning（SSL）通过交错专家指导与学生实践，改善 LLM 智能体技能的可复用性。
推荐理由：论文将专家指导与学生实践交错以学习可迁移技能，并用包含 35 个任务族和 408 个可执行案例的 SkillTransferBench 检验复用效果。
论文 LLM2R 把三维零件拼装任务建模为序列预测，用 Point-BERT 编码器和 Q-Former 把每个零件压缩为几何 token，再用配合 LoRA 的因果大语言模型在一次前向传播内预测全部零件 SE(3) 位姿。
推荐理由：作者展示了把因果注意力大语言模型一次性预测全部零件位姿的方法，给出了随零件数扩展和零样本迁移的对比结果，可作为 LLM 迁移到三维几何的参考。
EdgeWise 是一个边云协作框架，本地端用小语言模型作为主求解器，通过逐步级强化学习把关键步骤选择性委派给云端大语言模型，无需在推理时引入额外模型。在 SWE-Rebench 和 Terminal-Bench 2.1 上，EdgeWise 性能与全程使用云端大模型相当或更优，同时推理成本最多降低 62% 和 34%。
推荐理由：在长程智能体任务上提出边云协作框架与逐步级强化学习委派策略，并给出关键设计选择的系统实验数据，可作为同类成本优化方案的设计参考。
Microsoft Research 提出 StudentSim 系统，通过训练个性化学生模拟器为 AI 辅导系统的开发提供可扩展的学生反馈信号，并在棋类、二语英语写作和数学三个领域引入 StudentSimEval 基准衡量行为保真度和指导响应度。
推荐理由：提出用真实学习记录训练个性化学生模拟器为AI辅导训练提供可扩展反馈的方法，并在多学科上验证迁移效果。
华为诺亚方舟实验室联合UCL等团队提出AI智能体系统Memento 3，基于Claude Opus 5且不更新模型权重，在ARC-AGI-3的25款游戏、183个关卡上以7518次操作取得100分RHAE成绩，比人类的17135次少约56%。
推荐理由：文章拆解了 Memento 3 用规则手册和可执行世界模型实现递归自我改进的具体做法，可作为智能体设计的参考案例。
本文提出 VRSD（带言语正则化的自蒸馏），针对在策略自蒸馏（OPSD）中特权信息导致推理捷径与输出熵骤降的偏差，用系统提示词调节教师模型对特权信息的使用，鼓励反思与探索。
推荐理由：针对自蒸馏中特权信息引发的熵骤降与捷径推理，给出可迁移的提示词正则化方案、理论条件与多模型多任务验证。
论文提出 Tracking-Value PPO（TPPO），通过累计式 value 参数化与终局监督改进稀疏奖励下的 credit assignment，在 Qwen3-4B-Base 和 Qwen3-8B-Base 上数学推理分数分别比 PPO 提高 7.0 和 8.4 分。
推荐理由：原文提出了 Tracking-Value PPO 方法与价值演化的可加性分析，可作为稀疏奖励下改进 PPO 价值估计的参考。
论文提出 X-Ragent，一种面向胸片证据推理的工具增强强化学习后训练框架，将辅助证据检索与有效性门控的定量测量解耦。方法先用 7.7K 样本的 Rad-CoT 数据集对 Qwen3-VL-8B 做智能体监督微调，再用 GRPO 结合仅对正确轨迹生效的过程级奖励做策略优化；在三个胸片基准上取得最优结果，其中完全留出的 ChestAgentBench 提升 8.6 个点。
推荐理由：提出面向胸片诊断的工具增强强化学习框架，并给出三基准实验与 GRPO 训练流程，可作为医疗多模态智能体的方法参考。
论文提出 Multics，一种面向多玩家交互仿真的视频生成框架，通过玩家、群组、全局三层分层通信结构降低自注意力成本并抑制无关事件间的相互干扰。群组 token 跨组共享参数，配合基于近期相机轨迹的预算受限动态分组，在 4 与 6 玩家场景取得 SOTA，并能从未经重训直接泛化到 6、8、10 玩家推理。
推荐理由：提出分层通信的多玩家世界模型框架，用群组 token 降低自注意力开销并支持训练规模之外的推理，可作为生成式交互仿真的方法参考。
InfoVis 是一个用于幻灯片生成与编辑的统一 9B 模型，基于 FLUX.2-klein-base-9B 进行后训练，在超过 13M 持续预训练数据和 1.9M 监督微调数据上训练而成。
推荐理由：原文同时给出统一模型和覆盖四项任务的诊断基准，为开源幻灯片生成提供了可与自家产品的对比参照。
CineRecon 是一个新基准，用 50 段参考视频和 360 段标注评测片段，衡量 AI 智能体把电影级参考视频重建为可编辑动态 3D 场景的能力，设有 Proxy、Simplified、Detailed 三档由低到高的表示要求。
推荐理由：原文给出 CineRecon 基准的数据规模、三档设置与三类失败维度，为评估智能体重建可控 3D 场景提供新参照。
VEDJE 用 33M 参数联合编码器在压缩缓存上做视频文本检索，在 MSR-VTT 上以约 49× 更少在线参数达到 59.8 R@1。每段视频压缩至 48 KiB，约为原始视觉特征的 1/128.5，并在匹配的首阶段检索器上额外提升 3.6–7.2 R@1。作者还引入特征变化预测目标以改善检索精度，代码与 Colab 演示已开源。
推荐理由：用一次性视频压缩配合轻量联合编码器替代完整视频重编码，给出了可复现的开源实现和多模态检索的工程取舍。
LLM-to-Flow Distillation（LFD）方法用冻结的大语言模型作为自适应教师，通过 DPO 蒸馏偏好信号，将科学生成器对齐到自然语言描述的高层发现目标，无需显式代理奖励。在治疗性肽和 small-molecule 结构设计任务上，LFD 能引导生成器从初始概率极低的分布外区域逐步适配到目标分布，实现对生成过程的新型控制。
AUGUstus 提出一种统一扩散式动作生成与自回归 CoT 理解的自动驾驶 VLA 模型，训练时 CoT 监督动作生成，推理时仅输出动作以实现低延迟。该模型在 NAVSIMv1 取得 94.6 PDMS，NAVSIMv2 取得 90.7 EPDMS，均为不使用 scorer 模块的 SOTA；在 nuScenes 上平均 L2 误差 0.27 m、平均碰撞率 0.05%。
推荐理由：原文在自动驾驶 VLA 模型的速度与可解释性权衡下提出统一扩散动作生成与自回归 CoT 的方案，端到端规划方向可参考其训练与推理分离的思路。
LongR 是一个通过强化学习提升大语言模型长上下文推理能力的统一框架，将「思考-阅读」机制与基于相对信息增益的上下文密度奖励相结合，无需证据标注即可量化相关文档的效用。
推荐理由：原文提出了基于相对信息增益的密度奖励设计，并在多套长上下文基准上给出可复用的提升幅度，为长上下文强化学习的奖励工程提供了一种具体方案。
AReA 提出一种免训练的自适应感受野注意力机制，可在不增加参数的情况下降低扩散 Transformer 的推理成本并改善高分辨率生成质量。方法在去噪早期对下采样后的键值做跨尺度粗注意力以捕捉全局结构，后期在逐步收窄的窗口内做局部注意力以补充细节；作者称在多模型与多目标分辨率上均优于现有免训练基线，速度也更优。
推荐理由：针对 DiT 高分辨率推理成本与结构失真，给出一种免训练注意力方案，并与现有免训练基线做了对比。
何恺明团队发布论文《VISTA》，提出面向交互推理的视觉原生Harness框架，让现有多模态模型直接观察环境、保存原始画面，并在推理时按需回看。框架包含视觉观测、无损视觉记忆和主动视觉检查三个组件，无需额外训练基础模型。
推荐理由：原文给出了视觉原生Harness的三个组件设计与多基准成绩，读者可据此对比它与传统文本式Harness在交互推理上的差异。
SkillMarker 是一种基于 KGW 的智能体技能水印方法，可在保留指令准确性的同时嵌入水印，实现所有权验证与泄露溯源。它结合质量约束改写与面向信号的候选搜索，在保护功能完整性的前提下强化水印信号强度。作者开源了集成水印嵌入、质量审计与检测的完整工具包。
瑞士 AI 团队发布 Apertus 1.5，将开源 Apertus 系列从纯文本扩展到多模态推理。8B 与 70B 模型分别用 4T 和 2T tokens 继续预训练，加入图像和音频理解，上下文窗口扩至 262,144 tokens；多模态通过 tokenizer 引入，语言模型 head 仍限于文本，训练流程包含 SFT、长上下文微调、RLVR 和偏好对齐。
推荐理由：公开了从纯文本扩展到多模态推理的完整训练方案与数据合规实践，可作为开源多模态模型的构建参考。
RSI-Nav 是一个面向视觉语言导航的数据为中心递归自改进框架，通过策略同步的语言-动作双重自举，将指令跟随与指令生成统一在同一模型中。该方法按小分片迭代生成指令、自评估并即时更新自身，在 R2R-CE 上达到 68.6% SR，在 RxR-CE 上达到 72.4% SR。9B 参数模型 SongzeLi/RSI-Nav_model 与 1.05M 数据集已在 GitHub 开源。
NoteBank 是一面向线性注意力的稀疏情节记忆机制：把选定文本存档后，通过主干原生前向计算回放，无需额外训练、外挂嵌入模型或独立检索器即可即插即用。
推荐理由：训练无关的稀疏记忆外挂让线性注意力在百万 token 上仍保持检索能力，并可直接挂接到现有预训练骨干上复用。
论文提出 DeskIF-Bench（覆盖 6 款桌面应用的 255 个任务）和 ANIS 框架，用软件演进量化接口变化对智能体表现的影响，发现最新版始终优于最旧版，并归纳出可发现性、粒度与可观测性三个关键属性。
推荐理由：原文把软件演进当作接口差异的天然来源，并用 368 个桌面任务量化原子接口对智能体成功率与 token 用量的影响，可作为面向 Agent 的桌面接口设计参考。
论文提出 ExeWorldBench，据称是首个通过构建可执行 3D 世界来综合评估世界理解与可执行实现能力的基准，包含三个递进任务：机制可执行性、组合可执行性以及目标驱动的可执行世界合成。前沿模型上的大规模实验显示，当前模型在该任务上存在明显不足。论文还配套发布了 HelenPeng/ExeWorldBench 数据集与项目页 arXiv:2610.15166。
推荐理由：该基准把物理因果推理与代码生成能力合并考察，可帮助读者评估前沿模型在可执行世界建模上的真实差距。