Continual Learning Exam（CLE）基准发布，用于评测 LLM 智能体的长时程持续学习与经验驱动自我改进。该基准由 50+ 位领域专家构建，覆盖 12 个领域、89 种职业、120 项现实专业任务和 600 个渐进关卡，并包含约 24K 个真实文件、19 个有状态应用与 16K+ 条人工编写评测标准。
推荐理由：CLE 用渐进任务阶梯区分单次解题与经验复用，17 个前沿智能体配置的数据展示了长时程持续学习缺口。
论文提出 AgentProofBench，将冻结验收规则的成对测试与执行轨迹相连，用于评测 Web 智能体可复用验证器的程序门控正确性与复用能力。
推荐理由：AgentProofBench 将冻结验收规则与执行轨迹配对，在 97 个任务、79 个任务族和 4 个 Web 服务上建立程序门控正确性与复用表现的基线。
研究团队通过多基准和多模型骨干的大规模评测，发现许多专用记忆系统在许多情况下不如朴素 RAG，呈现出负的净价值。作者以 RAG 为参照，将净价值拆为记忆收益与记忆税，从系统与评测两侧分析其成因，并将该概念推广到更多记忆应用场景。作者表示将向社区开源代码和结果，项目页为 https://hexuan21.github.io/MemoryTax/。
推荐理由：论文以朴素 RAG 为参照，把专用记忆系统的收益与证据损失拆开衡量，并聚焦常被忽视的记忆税，为长时程智能体的记忆设计和评测提供分析框架。
ProAS提出用于LLM智能体多轮强化学习的即插即用框架，通过动态参考图实现细粒度信用分配。在Qwen2.5-1.5B-Instruct和Qwen2.5-7B-Instruct实验中，ALFWorld峰值成功率分别为91.9%和94.3%，WebShop分别为66.7%和70.8%，训练收敛最多加速2.44times。
推荐理由：ProAS将动态参考图、屏蔽不合理激励与非对称惩罚重分配结合，提供了改进多轮智能体强化学习信用分配的方案。
ParetoRSI-Gym 在固定初始 LLM、工具集和 SFT 流程的条件下，评估递归自我改进智能体通过搜索与筛选数据、训练并迭代提升语言模型跨领域泛化的能力。
推荐理由：研究通过固定模型和训练流程，在五个领域比较智能体的递归自我改进效果，并分离能力增益与针对优化分数的过拟合。
论文提出 Δτ-Bench 可执行智能体评测基准，考察工具持续演化时的适应能力，并提出 Steward 生态管理器以联合管理工具与程序性知识。基准包含 1,588 个经验证的多轮任务，覆盖 42 个领域和六个连续生态状态；受测模型与框架的最好任务成功率仅为 42.3%，现有技能学习方法的初始收益也未能稳定转化为后续适应能力。
推荐理由：论文用可执行任务量化智能体在工具生态变化下的适应难题，受测模型与框架的最好任务成功率仅为42.3%。
研究提出，LLM 智能体可先使用最低推理力度，仅在确认失败后升级，以匹配或改进固定最高档表现。四个基准覆盖单次调用推理和长程智能体任务；该策略在所有模型和基准上匹配或改进固定最高档表现，并在多数专有模型上降低成本，最高 effort 在所有档位都能解决的简单任务上成本可达最低档的 42x。
推荐理由：论文给出可迁移的推理力度调度结论，先低后升并以确认失败作为升级条件，可用于权衡智能体成本与单题表现。
h1 通过简洁的智能体循环连接 Lean 4，并利用验证器反馈和自我反思，在不使用结构化工作流的情况下达到形式化定理证明 SOTA。
推荐理由：通过同模型对比与消融实验，论文显示形式化定理证明不只取决于复杂工作流，高效 Lean 接口也在很大程度上影响解题率与成本。
声网CEO赵斌在iRTE2026提出五级对话能力框架，把对话式 AI 从单轮应答一路拓展至基于深度关系的沟通。L1至L5分别覆盖自身视角表达、互动规律、个体认知、群体认知与深度关系，赵斌称实时互动基础设施还需支撑低延迟、稳定交互、上下文理解与任务执行。
推荐理由：赵斌的五级框架把对话能力从单轮应答延伸到关系理解，圆桌则补充 Agent、穿戴设备和业务交付视角，为梳理对话式 AI 的演进方向提供具体参照。
特赞在WTCC论坛提出，企业AI需要同时构建客户世界模型与企业世界模型，并同步发布Agentic Transformation共建计划。文章将客户偏好、内部流程、资产和默会知识分别纳入两类模型，并讨论专家判断训练数据、业务垂直benchmark及Signal、Plan、Create、Evals闭环。
推荐理由：文章以客户世界模型和企业世界模型作对照，解释企业智能体为何既需理解外部偏好，也需掌握内部流程与默会知识。
科大讯飞首发星辰TaaS平台，以星辰MaaS为底层，通过模型调度、智能体引擎、知识工程和工具编排连接模型能力与行业应用。平台覆盖同传翻译、数字员工、办公提效、知识问答、智能营销等场景，并面向企业服务、金融、医疗、教育、能源等行业提供产品与解决方案。平台提出将 Token 消耗嵌入真实业务流程，让每次 Token 调用推动业务任务完成。
推荐理由：星辰TaaS把模型调度、智能体引擎、知识工程与工具编排串成全链路，并给出金融、医疗等行业落地方向。
Trajectory2Gym 在五个 Qwen3 规模上提升 Tau1、Tau2 和 BFCL，三项基准等权平均提高 16.9-29.8 个百分点。该方法围绕支持不足的组合结构构造可执行交互，只从实际执行中提取由智能体可见历史支撑的决策，并将这些交互作为监督微调单位。其在有状态和多轮交互场景中的增益最强，因为后续决策依赖先前观察与反馈。
推荐理由：论文提出以组合覆盖和可见历史支撑构造工具使用训练交互，并给出跨五个 Qwen3 规模的三项基准增益。
RSI Arena 通过两阶段实验显示，10 个前沿模型智能体可利用人类反馈独立训练并迭代改进语言模型。
推荐理由：论文提供可审计的两阶段实验框架，比较人类反馈驱动后训练带来的偏好提升、有限基准收益与有害服从风险。
ReGE 将智能体历史执行经验合成为后续尝试可用的指导，在四个基准上将 GPT 和 Claude 的准确率分别平均提高 9.9 和 8.8 个百分点。ReGE-Syn 仅用一次 coach 调用，把有界执行记录和可用产物合成为自包含指导，再由同一基础模型从任务初始环境状态执行，无需参数更新或更强教师模型。
推荐理由：论文将智能体历史执行记录合成为可复用指导，并给出跨四个基准的准确率与 token 用量对比，便于评估经验复用方案。
AutoTavern 的自我改进 LLM 研究智能体在 20 天内构建了 Hearthstone Battlegrounds 模拟器 TavernGym，并训练出可独立完成实战的 TavernAgent。
推荐理由：论文把研究智能体接入模拟器构建、对手校准和策略训练闭环，并计划开源评测任务与模拟器，为复现实验和比较系统能力提供基础。
PatEx-Gym 提出用于专利审查的智能体框架，整合基准、合成轨迹数据与紧凑型智能体，支持迭代式在先技术检索和新颖性评估。PatEx-Bench 包含 1K 项逼真的审查任务，以及由超过 1M 件专利和 52K 篇科学论文组成的检索语料；PASS 框架生成 PatEx-SynData，并通过监督微调训练 4B 规模的 PatEx-Agent。
推荐理由：论文将专利审查拆分为迭代检索、证据检查与新颖性评估，并用 1K 任务和合成轨迹训练 4B 智能体，提供了与更大通用智能体对照的轻量基线。
AWS 通过 Wordle 示例，演示了在 Amazon SageMaker AI 上端到端训练多轮强化学习模型的完整流程。流程涵盖 AgentCore 智能体与奖励函数部署、数据集准备、使用 GRPO 更新 LoRA 适配器、MLflow 监控及部署设置下的评测。
推荐理由：文章从 IAM 角色配置、AgentCore 智能体部署、数据准备到训练监控和部署设置评测，完整拆解多轮强化学习的落地流程与常见故障。
AnyGameRenderer 将 AI 智能体制作的低质量游戏视频转换为高质量画面，并保持布局、镜头及实体位置与时序一致。模型通过 LoRA 微调 33B 的 MiniMax-H3 ref2va 实现，训练数据来自 38 款 AI 智能体制作游戏、Unreal Engine 渲染和真实游戏录像，兼容灰盒、彩色几何体、语义图与线框输入。
推荐理由：论文同时披露模型训练数据、输入形式和实体级基准结果，为评估视频生成模型能否保持动态场景实体对应提供参照。
FilmFlow 将自然语言指令或参考视频转换为动态 3D 场景中的可执行相机轨迹。Director 智能体组合平移、旋转和构图等原子操作，Interpreter、Scout、Critic 分别解析意图、选择初始视角并提供迭代反馈。
推荐理由：FilmFlow 将导演、意图解析、勘景和审片四类智能体串联，并以 150 个 Blender 场景的 CinemaBench 覆盖文本与视频参考两种生成方式。
论文提出 AgentVQA 离线基准，在 Web 智能体、机器人、第一人称视频、游戏和空间规划五类场景评测视觉语言模型。该基准从 23 个源数据集人工选取并改造 1000 个具有挑战性的真实世界智能体样本；在 22 个参评模型中，最佳准确率仅为 58.5%。跨域分析显示，主要失误来自 UI 元素定位、运动理解、状态变化跟踪和 3D 空间关系推断，而非任务误解或后续逻辑推理。
推荐理由：该基准以离线方式统一比较五类真实智能体场景中的模型，排名趋势与对应在线评测一致，并定位视觉 grounding 和状态跟踪失误。
百度世界2026大会将于11月12日举行，设置10+场分论坛，围绕AI驱动组织跃迁、AI办公与知识工作、技术与生态展开。议题覆盖智能体规模化落地、AI+自进化、具身智能商业化、游戏与营销等应用，并将探讨RSI、AI4S等前沿方向。
推荐理由：议程覆盖组织重构、智能体规模化和行业落地，可帮助读者梳理企业AI从单点提效走向系统性重构的实践路径。
论文提出并开源 IQuest-Q1，一款面向智能体 CLI 系统的稀疏 MoE 基础模型，总参数量 320B，激活参数量 15B。模型通过预训练、中训和后训练三阶段训练，后训练结合 SFT、领域专用 RL 和 MOPD，并通过模型合并整合不同专家与检查点。arXiv 论文地址为 https://arxiv.org/abs/2610.30949。
推荐理由：论文拆解了预训练、中训和后训练三阶段方案，并披露总参数与激活参数，便于对照理解智能体编码基础模型的构建路径。
研究团队发现，Raw-RAG 在七组基准模型设置中的六组位居所比较系统首位，较最强智能体记忆系统高 0.13-5.53 分。该方法仅对未处理的对话历史做稠密检索和重排，并在 LoCoMo、LongMemEval、MEME 和 MemoryAgentBench 上评估。证据分析显示，较高的必要证据覆盖率可以抵消较低利用率；完整访问转换后的记忆存储，准确率仍低于原始证据方案。
推荐理由：这项研究用四个基准对比原始历史检索与复杂智能体记忆，量化了必要证据覆盖率与证据利用率之间的差异。
研究者提出 OmniDR-Bench 和技能工作流，用于评测智能体围绕视频综合外部证据并生成关联视频时刻的交互式报告。该基准包含 19 个现实子类别、50 个中英文任务和 6,414 条标准，并以 Omni-ARTs 评估 18 种智能体配置；最佳系统得分 63.3/100。
推荐理由：该基准将视频定位、外部多模态证据检索与交互式报告纳入统一评测，并呈现智能体在覆盖范围和跨模态分析上的能力差距。
本文演示将 AI 智能体逐句生成的文本即时送入 Amazon SageMaker AI 上的 Kokoro-82M TTS 模型，并在完整回答完成前开始播放语音。
推荐理由：给出逐句流式合成、双向会话和音频回传的实现路径，并用对照测试量化各方案的首音频延迟与实现取舍。
Amazon Quick Web 版是 HIPAA-eligible 服务，AWS 的实践指南演示了在 AWS Artifact 签署 BAA，并通过 AWS Management Console 配置处理 PHI 的 AI 工作流。
推荐理由：文章区分服务适用资格与整体合规，并拆解 PHI 的两条数据路径、共享责任和关键配置，形成可迁移的部署清单。
Amazon SageMaker AI 正式上线无服务器模型定制训练会话，用户可控制后训练逻辑与奖励信号，GPU 基础设施由服务托管。该功能支持 SFT、DPO、RLVR、RLAIF、多轮 RL、LoRA 和全量微调，现支持 gpt-oss-20b、gemma-4-31B-it、Qwen3.6-27B、Qwen3.8-27B。
同一件事，精选收录的是《Amazon SageMaker AI 推出训练会话 API，支持自定义训练循环且无需管理 GPU》
论文提出 DeepEvolve，一种以未来事件预测为基础、在动态开放环境中持续实现递归自我改进的智能体系统。它在按周更新、以真实世界结果验证预测的 FutureX 榜单中连续 3 周位居所有系统第一，评分最高提升 195%。在合成评测中，它在 4 个基础 LLM 上均进入前三，较最强基线最高领先 10.7 Bradley--Terry points。
推荐理由：论文把开放环境中的递归进化机制与 FutureX 榜单及合成评测结果对应呈现，便于比较其设计思路和量化表现。
AW-0 提出智能体世界动作模型框架，将基于代码的规划与未来视频和机器人动作作为三类耦合生成流统一建模。其混合 Transformer 架构由代码专家生成参数化技能程序和控制逻辑，视频与动作专家生成未来视觉状态及低层电机指令；自动整理流程还会用对齐程序标注机器人与人类视频轨迹，并将重复流程汇入技能库。
推荐理由：论文将代码规划、未来视频与机器人动作纳入同一生成架构，并报告任务表现相较 VLA 和 WAM 基线有所改善。
Quant-Arena 发布公开基准和排行榜，评测 LLM 智能体能否基于真实 A 股数据完成端到端量化研究并构建交易策略。模型仅获得 2022--2023 年的反馈，随后冻结策略并在密封的 2024 年接受评估；现金账户评估器会计入交易约束、成本和基于模拟订单簿估算的市场冲击。
推荐理由：Quant-Arena以历史反馈迭代策略、以密封年份检验收益，并纳入交易成本和约束，为比较LLM智能体的量化研究能力提供统一基准。
NVIDIA 发布 AIOps 平台 Minerva，将 GPU、网络、存储、调度器和 AI 工作负载遥测汇集并关联，用于 AI 工厂的端到端可观测与故障定位。
推荐理由：Minerva 将基础设施与 AI 工作负载遥测汇入动态知识图谱，呈现了关联异常、预测故障并定位根因的运维方法。
Harness Scaling 通过在多样化执行配置上训练，提升智能体强化学习对未见执行框架的泛化能力。研究构造了因子化的框架空间，以平衡因子覆盖选择紧凑训练子集，并组织兼顾全局覆盖与同一任务受控变化的跨框架训练。跨多个基准、模型规模和 RL 算法的结果显示，经过结构化白盒配置变化训练的模型可迁移到未见的外部黑盒框架，优于仅在单个复杂黑盒框架上训练的模型。
推荐理由：论文把智能体训练从固定执行框架扩展到多样化配置，并给出兼顾覆盖与变化的组织方法，为跨框架泛化提供可复用思路。
SpatialBrain 提出一种分离场景证据与推理经验的空间推理框架，在保持视觉语言骨干网络固定的同时提升空间推理能力。3DFusionMemory 将当前场景观测融合为可查询的空间关系，Spatial Skill Library 提供可复用的工具流程，Spatial Cognition 关联任务条件与使用记忆和技能的经验。
推荐理由：论文将场景证据与推理经验分离，并在固定视觉语言骨干网络下对比直接回答，为空间推理系统积累和复用经验提供了具体路径。
SERA 以可编辑框架让高层 VLM 依据执行反馈自进化，在 RoboMME 自主选择设置下取得 51.38% 总体成功率。未启用自进化时，成功率为 44.38%。框架利用环境 rollout 提议和评估修订，并在留出测试前固定选定配置；固定 VLA 执行器负责底层控制。
论文提出PAPAV框架，用感知、预判、规划、行动和验证五项能力统一比较多模态智能体、机器人系统与多模态具身智能体。对64项基准的分析显示，显式评测主要集中在行动，只有5项评估预判、3项评估验证。论文还指出，从数字环境转向物理环境时，5项约束会减少预先固定的选择和纠错空间。
推荐理由：PAPAV以五项能力统一比较多模态智能体、机器人系统与多模态具身智能体，并显示64项基准中仅5项评估预判、3项评估验证。
NVIDIA正与欧洲多国政府及合作伙伴推进开放模型在公共服务中的本地化部署，覆盖医疗、就业、政务协作和主权云等场景。这些方案由公共部门控制数据和基础设施，并结合本地语言、合成人物数据与模型评估工具开展部署。
推荐理由：文章汇总欧洲多国政府采用开放模型和本地化数据建设公共服务的路径，涵盖医疗、就业、政务与主权云等场景，便于对照不同地区的部署方式。
NVIDIA Cosmos 平台新增训练工具、仿真检查点和 Cosmos Data Factory 蓝图，面向世界模型与物理 AI 开发。Data Factory 提供 5 个云原生蓝图，涵盖驾驶数据、图像增强、事件视频和缺陷生成等场景。
推荐理由：原文将数据构建、模型训练、策略测试与部署串成完整链路，并给出推理和视频处理能力的量化变化，便于评估平台落地范围。
MCCL（Memory-Centric Continual Learning）将智能体记忆从被动检索重定义为驱动行为持续改进的核心机制，提出"存储基底—资产—策略"三轴分类与内/外双循环生命周期。
AAIF 基于 Strands Agents 构建，本地小语言模型（SLM）处理常规任务，复杂请求则路由至 Amazon Bedrock。该分层编排旨在减少 API 成本并保持本地操作低延迟。框架以 llama3.2:1b 作为编排器，不依赖硬编码规则选择遥测、本地视觉或云端分析工具，并可部署在配备 8 GB 内存的 Raspberry Pi、全云或混合环境中。
推荐理由：文章以 IoT 监控为例，拆解本地小模型、云端模型与智能体编排的三层架构，并提供可改造的代码和部署路径。
UserArena推出面向长程购物智能体的真实电商交互基准，含11,010名用户的64,729条会话轨迹，并支持生产A/B结果离线验证。基准覆盖566,102个商品和13种动作类型，五级评估涵盖输出有效性、局部决策、序列行为、个性化和结果。论文还提出On-Policy Trajectory Distillation（OPTD），在所评估模拟器中取得最高整体保真度，并最接近复现生产策略效应。
推荐理由：UserArena提供真实购物长程轨迹与五级评估框架，可对照模拟器保真度及其对生产策略效应的复现程度。