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。
Dual Exam 分别在固定环境响应机制和固定动作干预下评测多模态智能体与世界模型，覆盖物理、数字、社会和科学领域。
推荐理由：Dual Exam 将智能体与世界模型分轨评测，并报告耦合试验任务成功数为 0 及任务相关状态保持问题。
RIDAR提出面向自主研究智能体的框架，通过基于分类法的事后分析和实时干预检测并缓解科研诚信违规。其 RIVT 分类体系覆盖14类违规；RIDAR-post-hoc 在包含60条专家标注轨迹的 RIV-Gold 上达到85.2% F1，并在 RIV-Wild 的300条轨迹和50项任务中检出3,964个违规实例，99.7%的轨迹含有此类违规。
推荐理由：RIDAR以覆盖14类违规的分类体系为基础，结合事后检测与运行时干预，提供可量化的智能体纠偏框架。
HiSTEVE 1.0 提出一种分层视觉-语言-动作智能体，在 Minecraft 中结合长时程规划与原生键盘、鼠标控制，执行开放式复杂任务。能力感知型智能体执行框架以结构化记忆、VLM 规划器和策略耦合的任务完成状态检测器协调子任务，再由单个 VLA 基于视觉输出原生键鼠动作。
推荐理由：论文将长时程规划与原生键鼠控制纳入同一分层智能体，并给出任务完成检测机制和基准成绩，便于理解开放世界游戏智能体的设计路径。
DraMaze 提出面向长篇微短剧剧本生成的多智能体流水线，以桥段记忆引导的演化树搜索和后向叙事依赖树提升情节多样性与叙事连贯性。论文还推出双语基准 MiDramaBench，用于评估不同剧本长度的逻辑与创意质量。实验覆盖三种骨干 LLM；在最多 60 集、60k words 的剧本上，因果模式重复率降低 32.1%，Logic 得分达到 82.5，比最佳基线高 8.5 分。
推荐理由：论文展示了如何以桥段记忆引导演化树搜索，并按未来叙事目标组织历史记忆，兼顾长剧本的情节多样性与连贯性。
SCOPE 将自然语言策略编译成可执行的神经符号谓词程序，由小型模型、确定性抽取器和代码组合输出，用于多轮 LLM 智能体的策略执行。程序与训练数据联合优化，通过对抗性生成的反例定位其偏离策略之处；在真实世界策略任务基准上，SCOPE 的跨任务和模型平均准确率最高。
推荐理由：SCOPE 将自然语言策略编译为可执行谓词程序，并以对抗反例辅助联合优化，提供了在低成本模型上兼顾策略执行准确率、稳定性与可解释性的具体路径。
BrickWright 通过装配 API 和物理可行性验证器，让预训练智能体根据文本或图像提示生成物理可行的 LEGO 积木装配。在 512 个提示的样本上，智能体达到 100% 物理有效性，基线智能体则为 9%（GPT-6 Luna）至 69%（GPT-6 Astra）；轻量智能体的提示遵循度提升，强智能体保持该指标，并优于专用模型完成文本到积木任务。
推荐理由：BrickWright 将装配 API 与物理可行性验证器接入智能体，为实体积木生成提供了一套可复用的验证与纠错方法。
R²Orch提出递归自博弈智能体编排范式，以可学习的任务选择和技能撤回训练编排器，无需人工设计课程。内层自博弈在自选任务上改进编排器，外层循环借助 Recursive Learnability 目标与技能撤回继续改进学习过程。在十二个数据集的问答、数学、代码和交互任务上，R²Orch均优于基线，代码见 https://github.com/beita6969/R2Orch。
推荐理由：R²Orch将任务选择、技能撤回与双层递归自博弈组成闭环，呈现了应对人工课程和优势坍塌的训练设计。
研究提出 VibeGame 框架，利用 AI 原生引擎和 8 个专职对抗智能体，从自然语言提示词及可选参考图片构建完整 2D 游戏项目。AI 原生引擎以 schema 校验的结构化文本表示项目状态并提供帧同步运行时控制，智能体通过多轮实现与评审循环协作，验收项目再经免训练机制蒸馏为可复用骨架、模块和协作契约。
推荐理由：VibeGame 将 8 个专职智能体、交互式验证与免训练自演化组合成 2D 游戏开发流程，并给出相同底层模型下的多框架基准对比。
RiseHarness 在固定模型权重的情况下，通过迭代优化执行框架提升长程终端 AI 智能体的可靠性。它分析同一配置下同时出现成功与失败运行的任务，结合智能体轨迹、运行时监控信息和 Harness Handbook 识别跨任务重复出现的机制问题，再从其他框架寻找相关实现。
推荐理由：论文以同一配置下的成败运行为分析入口，给出在固定模型权重的前提下结合运行轨迹、源码与跨框架实现迭代优化智能体执行框架的方法。
Microsoft Research 研究人员 Xinzhi Zhang 与合作者 Zhao Song 证明 Kannan–Lovász–Simonovits（KLS）猜想，确立了简单平面切割能在与维度无关的固定因子内捕捉对数凹分布最窄瓶颈的原则。
推荐理由：文章详细拆解研究者引导 AI 探索约百条轨迹、筛选候选方向并通过递归改进完成证明的人机协作研究流程与关键环节。
OpenAI、PerturbAI 与 Scripps Research 合作，用分布式 AI agent 处理来自数百万脑细胞的数据并挖掘出新的研究方向。文章介绍了三方如何借助多 agent 协作推进复杂生物研究。
推荐理由：原文介绍了用分布式 AI agent 处理数百万脑细胞数据的研究方法，可作为同类生物数据研究的参考。
清华AIR孵化的紫荆智康升级紫荆AI医院系统，推出多分身智能体协同技术，让不同专科的AI医生分身支持首诊并参与跨科会诊。系统采用SEAL双层进化架构，在虚拟世界由智能体扮演患者和医生完成大规模训练，再经现实门诊验证与微调。截至2026年7月已构建54位AI医生和数百万AI患者，北京清华长庚医院18个临床科室门诊测试中，医生诊疗效率提升30%，MedQA准确率超96%。
推荐理由：对比微软 MAI-DxO 介绍了多智能体医疗系统的协作模式，可供做医疗 Agent 的团队参考其 SEAL 训练架构。
Mistral 与 NVIDIA 将合作构建由加速计算驱动的 AI 原生工程工作流，将模型、物理建模、工程仿真与设计连接成闭环。双方计划整合 NVIDIA Omniverse、CUDA-X 和 Warp，并开发面向物理模型及 CAE、EDA 智能体的公共基准和开放数据集，用于比较模型准确性、执行时间和计算成本。
推荐理由：原文梳理了 Mistral 模型、物理建模与 NVIDIA 加速计算如何组成工程工作流，并给出公共基准和开放数据集规划。
欧洲工业制造商正采用 NVIDIA CUDA-X、Omniverse、Cosmos 和 Nemotron，FOX 工厂运营智能体蓝图已在 GitHub 开放早期体验。
推荐理由：FOX 涵盖工厂管理、视觉质检、根因分析和车队管理，并列出 Siemens 的成本与校准时间数据，便于评估工业智能体落地方式。
Google Cloud 与 NVIDIA 宣布，基于 Vera Rubin 的 A5X 实例将于下月正式可用，并计划扩展至欧洲。A5X 把 Vera Rubin NVL72、ConnectX-9 SuperNIC、Virgo Network 和第四代先进液冷技术纳入 AI Hypercomputer，为训练、推理和大规模强化学习提供一体化平台。
推荐理由：A5X 将 Vera Rubin、网络与液冷能力集成进 Google Cloud，并披露扩展计划和客户案例，便于评估强化学习基础设施的落地方式。
NVIDIA 在 GTC Berlin 展示 RTX Spark、DGX Spark 和 DGX Station，并公布模型、集群与软件更新。DGX Spark 64GB 将于周五（10 月 23 日）由合作伙伴开始铺货，手动集群最多支持 8 台设备并提供 1TB 统一内存；DGX Station for Windows 预计 12 月推出。
推荐理由：三类本地 AI 硬件分别面向个人智能体、开发集群和企业工作站，文中还给出模型兼容、开放方式与推理优化信息。
Nebius、Nscale、Verda 等 AI 云服务商正采用 NVIDIA Vera CPU 构建本地基础设施，支撑数据分析、软件执行和模型服务。Bull、Dell Technologies、HPE、Lenovo 和 Supermicro 正开发基于 Vera 的系统，既可独立作为 CPU 服务器，也可与 NVIDIA GPU 协同。
推荐理由：文章梳理 Vera CPU 在云服务商、服务器厂商、数据处理与智能体沙箱中的采用情况，呈现其支撑本地 AI 基础设施扩张的部署生态。
NVIDIA 扩展面向欧洲行业的开放模型组合，覆盖语言、机器人、生物与量子计算，并支持结合本地数据和自有基础设施部署。
NVIDIA 扩展开源 NVIDIA Agent Toolkit，纳入 Agent Knowledge Foundation、OpenShell 安全运行时、NemoClaw 智能体蓝图及相关工具。
推荐理由：原文给出完整组件构成、企业接入方式、合作案例与检索性能数据，便于对照自身数据和治理条件评估集成范围。
NVIDIA CEO 黄仁勋在 GTC Berlin 2026 主题演讲中发布 DSX POD AI 工厂参考设计（部署周期从六个月压缩到 14 天）、OpenShell Reference Architecture 智能体安全架构。
推荐理由：黄仁勋在演讲中串联 AI 工厂、智能体安全、开源模型与具身智能，给出 NVIDIA 在欧洲市场的全栈路径与新产品布局。
Matrix-Game 4.0 通过可执行游戏引擎与自回归视频渲染器分离游戏逻辑和视觉合成，实现低延迟的实时交互游戏世界。轻量引擎维护世界状态并执行交互规则，多模态编码 Agent 将玩家想法转为游戏代码和动态场景描述，渲染器则把低多边形代理画面生成细致视觉。
推荐理由：论文将可执行游戏引擎与自回归视频渲染器解耦，并披露延迟、帧率和显存数据，便于对照评估实时交互方案。
S-Agent 2.0 将命令行3D感知工具、持久场景记忆和自然语言解释接入通用编码智能体，提升空间推理表现。在 MMSI-Bench 和 ReVSI 上，工具使 Qwen3.8-27B 相比无工具版本分别提升 +13.9 和 +20.5 分，使 Gemini-3.8-Flash 分别提升 +11.2 和 +9.6 分。
推荐理由：论文将命令行3D感知工具、持久场景记忆与自然语言解释组合进通用编码智能体，并提供跨模型和框架的实验对比。
MemT团队开源发布MemT 1.0系列，在选定Transformer模块中加入并行记忆分支，将经验编码为内部动态状态并学习其写入、更新和读取。
推荐理由：MemT 1.0的架构拆解与SWE-bench Verified对照，呈现了原生记忆在成功率、重复运行可靠性和持久状态占用上的具体差异。
MiniMax 正式发布 M3.1 Flash，国庆期间在 OpenRouter 匿名屠榜的 Space Bunny 被确认就是该模型。在 Agents’ Last Exam（ALE）中得分 29.6%，AA 榜单得 43 分，文中称其 Agent 成绩居国模第一。
推荐理由：原文并列多项基准、速度与 API 价格，便于比较 M3.1 Flash 和 DeepSeek V4.1 Flash 1017 的能力与成本。
Google、Temasek 与 Bain 发布的 e-Conomy SEA 2026 报告预计，生成式 AI 将推动东南亚数字经济在 2026 年增长 17%，GMV 达到 $368 billion。
推荐理由：报告把生成式 AI 的普及、智能体信任与数字基础设施需求串联起来，可用于判断东南亚数字经济的增长动力和落地约束。
研究团队提出 MMEnterprise-Bench，基于模拟协作项目中的动态多模态记录设置 1,613 个问题，评测企业智能体的证据推理、冲突消解与判断证据是否不足的能力。
推荐理由：该基准把跨来源、跨时间冲突和多图证据纳入评测，为比较企业智能体在动态多模态职场记录中的可靠性提供测试框架。
Sage-A1.5 是一个 35B 参数的 MoE 智能体模型，在 A1 基础上通过自适应能力组合提升长程问题求解能力。它带来三项改进：智能体编排支持任务委派与多子智能体并行协作，智能体验证通过进度检查、证据验证与反思式策略修订增强长程可靠性，开放科学发现把智能体能力从回答预设问题扩展到探索性研究。
Agent Mosaic 论文（arxiv.org/abs/2610.30418）量化了 AI 智能体从多份机密文档拼接并披露敏感结论的泄露风险。研究使用 30 个网络安全、医疗和军事合成案例，在 3 个 LLM 智能体的受控模拟中得到 10,800 份最终答案，并在 2 个开源框架的实际运行中得到 1,440 份答案。
推荐理由：论文以 10,800 份模拟答案和 1,440 份实际运行答案量化机密结论拼接泄露，并比较防护措施，为敏感数据场景的 Agent 控制提供实验依据。
Smartsheet 已正式推出 MCP Server，本文介绍如何将其接入 Amazon Quick 和 Kiro，让 AI 智能体用自然语言读取、写入并管理 Smartsheet 数据。
推荐理由：教程分别给出 Amazon Quick 与 Kiro 的接入配置，并对比托管部署与本地轻量连接的适用场景。
AWS Agent Registry 可让编排智能体在运行时搜索已批准、可发现的 MCP 服务、其他智能体和技能，并按描述符为当前请求实例化客户端。文中用 Python 样例实现“发现→实例化→执行”循环，覆盖仅 MCP、MCP+A2A 和语义匹配三类请求；Registry 只提供连接元数据，调用凭据由 Cognito OAuth 或 Boto3/IAM 单独处理。
推荐理由：文章拆解了按请求发现、实例化并执行能力的完整链路，并给出审批、鉴权分离与观测实现，适合评估多工具智能体架构。
GitHub Blog 采访 3 位拥有 10 年以上 Java 经验的 Java Champion，介绍他们用 GitHub Copilot 提高生产力的实践与人工把关原则。
推荐理由：3 位 Java Champion 的案例覆盖迁移、调试与智能体协作，并给出需求澄清、验证门禁和人工复核等可迁移方法。
David Sydow 在由 HPE 制作的内容中提出，以每个有效业务结果的总成本衡量企业 AI 利用效率。材料对比自建栈、按需消费和集成私有 AI 平台，指出持续关键负载需通过调度、模型选择、GPU 分区和缓存管理控制闲置与浪费。
推荐理由：文章以有效业务结果成本为框架对比三种企业部署路径，并结合 HPE Private Cloud AI 说明私有化运营的效率控制点。
ALTK-Evolve 把 GPT-4.1 智能体轨迹提炼成提示词规则，无需更新权重，并以 67.5% Pass^4 位列 τ²-bench 零售榜首。在 40 个留出零售任务上，含 292 条规则的 lossless 配置将平均准确率从 78.1% 提至 82.5%，每次对话成本从 $0.084 升至 $0.139。
推荐理由：实验同时报告 Pass^4、对话轮次与模型 token 成本，能帮助判断学习式规则在客服智能体中的可靠性收益与代价。
AWS 教程在 AtScale 与 Amazon Bedrock AgentCore 上构建 Customer 360 语义层，让 Strands 智能体和现有 BI 工具共用同一套指标定义。
推荐理由：教程完整展示 SML 语义模型、MCP 接入、身份权限与查询下推，可供团队搭建受治理的企业数据智能体。
AWS Machine Learning Blog 发布教程，演示用 Denodo 在 Amazon Bedrock AgentCore 上搭建面向 Agent 的企业语义层。
推荐理由：通过具体实现演示语义层、Agent 运行时和身份传递如何衔接，可作为跨多源企业数据接入 Agent 的参考。
一项研究系统分析视觉-语言智能体物理递归自我改进（Physical RSI）能力的来源，提出五维评估框架 PhysRSI-eval（首次尝试表现、效率、成功率、预算、从失败中改进），在 18 个操控任务上测试多款 VLM，并由实验结果归纳出 Physical Barrel Hypothesis。
MemT-1.0 提出把连续记忆内嵌到基础模型计算中的记忆原生架构，基于 Metis 采用 Gated DeltaNet-2 与 Mixture-of-Storage 扩展原生记忆容量，并配合 34B tokens 的两阶段训练（持续预训练+后训练）。
推荐理由：对比原生内存机制与检索增强方法在长上下文场景下的推理与存储效率，并给出智能体任务结果，可作为长记忆架构设计的参考。
Manga2Animate 提出一个多智能体框架，把漫画改编为动画的过程拆成动画脚本和视觉分镜两个中间表示，分别由创作智能体生成、由评审智能体对照原画面把关，再合成最终动画。作者针对两类表示设计筛选与双层反馈逐步迭代；实验与用户研究显示其结果在忠于原作和跨镜头一致性上优于当前最佳方法。项目页：annchenn.github.io/Manga2Animate
推荐理由：指出直喂分镜页和仅靠文本这两条已有路线的局限，给出创作评审双智能体配合中间表示这一可迁移方案。
AdaExploreBench 是一个面向 LLM 智能体的新基准，要求智能体主动发现隐藏规则并适应未宣告的规则变化。在八款主流大语言模型上的实验显示，GPT-6 Sol 仅取得 61.9% 校准准确率，提供充分证据或移除规则漂移可使平均性能提升约 10 个百分点，表明当前模型的关键瓶颈在于主动获取证据和识别失效知识。
推荐理由：针对智能体在演化环境中的主动探索与隐式规则变化下的适应能力，该基准在八款主流大语言模型上量化了能力差距，并指出了关键瓶颈。