HarnessPro 论文提出一种无标签方法，递归进化 AI 智能体 Harness，以提升任务成功率并降低执行成本。它使用 LLM 生成的测试评估候选 Harness，由专用智能体诊断执行轨迹、规划更新，并通过归一化加权平方距离选择 lite、medium、heavy 三种变体。
推荐理由：论文在3项基准上测试HarnessPro，并量化GPT-5.5配合Codex时高性能模式相对RHO的通过率增益与单任务成本降幅。
研究团队提出 AnyGoal 基准与开源库，用于评估世界模型能否将训练中熟悉的状态和动作重组为有效动力学，从而完成新任务的规划。任务基于常用世界模型环境构建，单个状态因素和动作仍处于训练支持范围内，但它们的组合在专家轨迹中代表不足。跨多个环境和世界模型家族的实验显示，当前模型在这些重组下持续失败，论文还分析了不同模型家族、交互机制和评测指标下的失败。
推荐理由：AnyGoal 以熟悉状态和动作的非典型组合构造评测任务，并配套基准与开源库，便于比较世界模型在新规划任务中的泛化边界。
OpenVLHarness 通过整合持久多模态记忆、异构工具接口与编码执行层，让 MLLM 在推理中可调用外部工具并跨步骤组合视觉证据。
推荐理由：在 22 个基准上对照有无工具与记忆配置下的增益与 token 成本，为视觉智能体方案评估提供统一参照。
谷歌开源 Harness²，这是一个 Harness 层递归自我改进（RSI）方法，让模型在运行中自我改写外挂代码、系统提示词、工具链和技能库。在 WorkBuddy-Bench 上，GLM-5 配合 OpenCode 时综合得分从 64.2 升至 75.7（+11.5），超过原生 Gemini 3.5 Flash 的 72.4。
推荐理由：原文拆解了 Harness² 的双层递归机制，并给出 WorkBuddy-Bench 等专业基准上的具体涨分，读者可据此评估 Harness 层 RSI 的可行路径与开源接入方式。
Amazon Bedrock 现已在 bedrock-runtime 和 bedrock-mantle 两个端点上为全部 Anthropic Claude 模型上线结构化输出并进入正式可用，通过受约束解码在生成阶段强制模型遵循 JSON Schema，避免事后校验与重试。
推荐理由：原文给出了受约束解码的原理与两条端点的启用方式，读者可直接判断如何迁移到符合 schema 的输出。
AgenticRoboRL 提出面向不同机器人执行框架的规划器后训练方法，将监督微调与多轮强化学习结合。在 LIBERO-PRO 上，9B 参数规划器在无外部记忆时将成功率从 18.1% 提升至 71.0%，接近使用外部记忆的 Codex (GPT-5.5) 的 72.1%。
推荐理由：论文把监督微调与多轮强化学习用于机器人规划器，并给出不同执行框架下的适配方式和 LIBERO-PRO 成功率对比，便于评估后训练方案。
HABIT-Bench 通过合成用户历史，评测智能体能否从长期零散、不完整的证据中区分重复习惯与一次性例外，并据此选择恰当行动。基准覆盖饮食、金融、软件和旅行，使用跨越数百次会话的历史，以 Qwen3-235B-A22B 和 GLM-5.3-Flash 评测 8 种记忆方法。
推荐理由：HABIT-Bench 区分重复习惯与一次性例外，并以 33.61% 对 25% 的随机基线量化智能体从弱证据归纳习惯的难度。
AKV 提出缓存工程方案，让大语言模型智能体在不修改轨迹的情况下直接管理活跃 KV cache。智能体可用 drop 操作将选定缓存排除出后续注意力计算，或用 repos 操作调整保留键的位置编码；配套服务引擎提供兼容现有 serving API 的无状态接口，并在内部管理有状态缓存复用、淘汰和恢复。
推荐理由：AKV的滚动丢弃策略在基准测试中与阈值触发摘要比较，量化了平均分、成本、吞吐和P95延迟的差异。
论文构建了一支由不同学科背景的持久 AI 研究智能体组成的团队，用于自主发现线性注意力架构。团队通过私有研究历史、共享实验证据和自适应分配选择研究机会，在 1.3B 规模下的语言建模、常识推理及合成和真实世界检索任务中超过 GDN2。消融实验显示，移除学科背景、私有历史或自适应分配均会削弱发现表现，论文链接为 https://arxiv.org/abs/2610.28887。
推荐理由：论文把多学科智能体、私有记忆与自适应任务分配组合成研究团队，并给出消融结果，便于理解自主科研系统的组织设计。
HarnessAdapt-RL 在强化学习期间同时训练编码策略并动态调整评测框架，使 9B 基础模型的 pass@1 在三套 SWE-bench 基准上高于 GRPO。
推荐理由：论文将编码策略与评测框架共同训练，并与固定 harness 的 GRPO 在三套 SWE-bench 基准上直接比较，便于评估协同训练的收益。
GitHub Blog 教程演示如何把 Copilot App 的会话直接在 VS Code 中打开，继续使用同一份任务记录、对话历史和 worktree，无需复制或重建上下文。
推荐理由：给出在 VS Code 中接力 Copilot 智能体会话的完整步骤，让审阅、手工修改、本地测试与 PR 推送共用同一会话上下文。
随着 OpenAI Dots 和 Meta Muse 等个人 AI 智能体大规模上线，互联网正被迫引入第三类访问者，Muse 上线首月下载量达 500 万，智能体网络流量在 8 到 9 月间增长了两倍。
推荐理由：文章把智能体兴起放到平台准入博弈中讨论，可帮助读者预判电商网站在定价透明度、客服容量和广告商业模式上的下一步走向。
vLLM 引入双向 KV 缓存传输机制，让 P-D 分离部署中的 decode 节点把保留的 KV 回传给 prefill 复用，从而降低多轮智能体场景的反复预填充开销。
推荐理由：在 1P1D 部署上以 Qwen3-32B 与 GLM-5-FP8 对比双向与单向 KV 传输的 TTFT 数据，读者可据此判断多轮智能体场景下是否值得启用。
NVIDIA 在柏林宣布两项合作：与欧洲广播联盟 EBU 扩展去年提出的主权云框架，引入 Microsoft Sovereign Cloud、Nebius 与 Nemotron 开源模型。
推荐理由：原文给出了 EBU 主权云框架扩展与 Frame.io 视频搜索加速的合作方和技术指标，可对照了解 AI 智能体在广电领域的部署方式。
本期 MIT Technology Review 每日通讯《The Download》精选多条技术与 AI 新闻。最受关注的一项实验把 Claude 等 AI 智能体单独置于虚拟荒岛 30 小时，观察到它们自发设定目标（如攀登地图最高点、抛举方块），行为符合"游戏"定义，但尚不确定是真正玩耍还是角色扮演。
推荐理由：本篇汇总了 AI 智能体在无任务下的自发游戏行为实验，这类现象区别于常见工具调用与基准评测，为讨论 Agent 自主性提供了新材料。
SpatialScout 提出一个评测 VLM 智能体主动探索并完成物体级 3D 映射的基准，包含 80 个室内场景和 3,140 个目标物体。智能体控制相机探索场景，在有限交互预算下估计物体中心，评测同时衡量定位准确率与目标覆盖率。
推荐理由：SpatialScout 以 80 个室内场景和 3,140 个目标物体量化检验 VLM 智能体的主动 3D 映射，并显示精确建图仍是主要短板。
VerifierBench 汇集 6 个智能体基准的 222 个任务和 4,993 个隐藏测试用例，用于评测 LLM 智能体生成可执行验证器的能力。统一框架下测试 19 个模型后，归一化平衡准确率为 10.6–62.1，生成的验证器更可靠地拒绝无效解，却常因过严限制误拒有效解。多数误拒来自未接受任何受测解的验证器，案例还涉及解格式、工具使用和代码改动的无依据假设；项目页和数据集已公开。
推荐理由：VerifierBench 以多类任务和隐藏测试检验智能体生成可执行验证器的能力，并揭示误拒有效解常源于过严的隐含假设。
RouteWeaver 提出统一 LLM 路由框架，在单一策略中联合学习路由模式选择与模式内模型执行。其 COMET-GRPO 将轨迹级优势拆分为两类决策信号，并通过渐进式探索从外部指定模式过渡到自主选择。该框架在数学、编码、知识、逻辑推理和事实召回五类任务上取得平均 61.4% 准确率，较最强基线相对提升 11.03%。
推荐理由：论文将路由模式选择与模式内模型执行纳入同一策略，并提供分阶段训练方法，便于对照既有 LLM 路由方案理解适配思路。
研究提出TEAL，在无标签模式下为数据湖分析中的编码智能体演化可复用工具，并提升紧步骤预算下的准确率。Explorer从数据湖取证，Critic从Worker轨迹提出修改，变更须在不增加步骤且有轨迹证据支持时被保留。
推荐理由：TEAL以无标签双智能体反馈演化数据分析工具，并量化比较四种Worker大语言模型在两项基准紧步骤预算下的准确率提升。
Heartbeat Thinking 让实时语音智能体在聆听更新时持续准备工具调用，并在 FDBench v3 上将工具覆盖率提高 16 个百分点、平均最终响应延迟降低 36.4%。
推荐理由：论文将 Heartbeat Thinking 与窗口式基线对比，并报告工具覆盖率、检索复用和响应延迟的变化。
WildAWM 提出一条完全由开源模型驱动的可扩展流程，合成可控环境与任务，用于训练通用计算机操作智能体。其环境同时支持 GUI、MCP 服务和 CLI，并以异构智能体轨迹、跨评审一致性和反事实探针组成执行式质量门控，检查任务可解性、难度及验证器可靠性。
推荐理由：给出从环境合成、质量门控到跨基准验证的完整链路，并公开代码，便于比较计算机操作智能体训练方案。
一项共享控制迷宫研究显示，语言模型智能体会在人类拥有路线优势时更多寻求协作，而自身能力更强时倾向独立完成任务。研究评测 GPT~5.6~Sol、Command~A+、Qwen~3.8~27B 和 Command~R，发现当人类路线更短时，模型约在 80% 的初始决策中让人参与，Command R 则未呈现这种选择性。论文链接：https://arxiv.org/abs/2610.27148
推荐理由：研究通过控制人类与智能体的路线优势，区分能力不足与合理分工，为评估智能体何时求助提供了实验设计参考。
FocusGUI是一种轻量适配器，可为GUI智能体动态选择相关的多模态证据，在不微调骨干模型的情况下减少无关上下文造成的误差累积。它仅使用动作监督训练，将相关证据压缩为紧凑潜表示并注入冻结解码器的嵌入，不依赖模态相关性标签。
推荐理由：FocusGUI为GUI智能体训练轻量适配器，按步骤筛选多模态证据，并给出跨四种骨干模型的动作准确率对比。
GRSE 提出 Group-Relative Skill Evolution，通过在相同技能库下重复执行问题并比较结果，为智能体与技能组合分配行为信用并诊断失败。
推荐理由：GRSE 以重复执行间的相对比较完成智能体与技能归因，论文同时报告了相对 MASkills 的多跳推理增益和有害技能恢复结果。
CoEvo-RSI 论文提出递归自我改进智能体框架，由 meta-agent 基于共享进化档案和执行反馈进行双向历史继承，减少模型与执行框架错配。框架仅使用自身拒绝采样轨迹进行 SFT，使 Qwen3.5-9B 在多智能体故障归因、角色感知 Text-to-SQL 和智能家居指令遵循任务中与更大模型具有竞争力。
推荐理由：论文在多智能体故障归因、Text-to-SQL 和智能家居任务中比较不同模型，展示双向历史继承缓解模型与执行框架错配的表现。
CoworkEnv 提出能力导向框架，通过工作流引导的任务构建与可编程校验合成 AI 协作智能体的可执行训练环境。基于合成数据训练的 PocketWorker 模型在 Claw-Eval 上显著提升：Qwen3-VL-8B-Instruct 经 SFT 后均分从 46.6 提升到 64.1，其中多轮任务获得 31.9 分提升。
推荐理由：原文把工作流约束直接编码进训练环境合成与评分检查，并用 Qwen3-VL-8B 在 Claw-Eval 上给出可验证的多轮增益。
Épi 是一种跨模型会话持续研究，并通过累积经验改进方法的自主研究智能体。它结合持久研究历史、分层记忆、分支探索、独立审查和固定验证器；论文报告 Épi 产出 120 项纪录结果，包括将 n-queens 常数区间收窄约 84 倍。
推荐理由：论文将持久研究历史、分层记忆、分支探索与固定验证器组合用于自主研究智能体，并提供数学结果和 FrontierOR 对比数据，可用于评估研究延续性与成本效率。
迪拜商业论坛·中国近日在深圳落幕，AI主题论坛座无虚席，期间签署10项合作备忘录。迪拜推出两年智能体AI倡议，目标覆盖29.5万家私营企业并开发100个专业AI助手；中国为其最大贸易伙伴，2025年双边非石油贸易额约990亿美元，截至9月底已有6650家中国企业在迪拜商会注册活跃。
清华 THUNLP 实验室联合面壁智能、OpenBMB 开源智能体操作系统 PilotDeck 2.0，主打 WorkSpace 工作舱隔离、白盒记忆可查可改、Dream 模式归纳整理与 Always-on 后台常驻执行，并原生支持 MCP。
推荐理由：给出智能体操作系统的开源实现与量化成本数据，可作为 Agent 框架设计中多模型路由和记忆可追溯方案的参考。
DeepSeek发布新模型DeepSeek-V4.1-Flash-1017，网页端、APP与API已同步切换至该版本。官方称新模型在代码、Agent等基准测试分数提升的同时，任务运行时间、输出长度和token费用均有所下降；首次登录Harness的用户可领6元赠金。
推荐理由：同时呈现了模型在代码和Agent任务上的分数提升以及token消耗下降两项变化，可供关注性价比的开发者横向参考。
谷歌正式发布Gemini 4 Argon，强化编程、复杂任务持续执行与多模态能力。第三方Artificial Analysis智能指数中，Argon High与GPT-6 Astra Max、Claude Fable5.1 Max并列53分；同类任务平均成本约1.99美元，比Astra低约39%。
同一件事，精选收录的是《Google 发布 Gemini 4 Argon 前沿模型，定价 $2/$10 每百万 token》
百度公布百度世界2026五大亮点，大会将于11月12日在北京国家会议中心二期举办，主题为「下一幕，智能组织」。亮点涵盖李彦宏主题演讲、「芯-云-模-体」全栈AI升级与企业级AI产品发布、12场围绕智能组织的分论坛、30余场AI公开课及6000平AI展区体验，报名通道已开启。
亚马逊CTO Werner Vogels在深圳交流中提醒企业，AI决策不应被对错失窗口的恐惧驱动，应先想清楚要解决的问题、AI是否合适以及成本能否承担。他以2004年数据库故障催生Dynamo、云计算按用量计费、Nitro把管理面卸载到专用硬件等亚马逊自身经历做类比，强调Agent进入实际业务时需划定授权范围与执行规则，并主张开发者仍要承担验证债和判断责任。
推荐理由：把云数据库和云计算踩过的坑类比到 AI 与 Agent，亚马逊 CTO 给企业算的是一笔选型与责任的成本账。
AWS SMGS 团队基于 Amazon Bedrock AgentCore 构建了一套覆盖智能体全生命周期的九阶段评估框架，从定义质量标准（Stage 1）到反馈循环（Stage 9），在工具、Agent 和多 Agent 三个层级同时运行。
推荐理由：原文给出九阶段智能体评估框架与可量化的改进结果，可作为构建生产级智能体质量体系的参考。
Jev 决策模型控制器使 Claude Sonnet 5.5 终端智能体每次尝试成本增加 19%，通过率与无控制器基线同为 73.0%。在 Terminal-Bench 2.1 的 21 个留出任务、315 次试验中，Jev 的成本比 Claude Haiku 5.5 控制器低 19%，但比采样开发阶段选择频率的安慰剂控制器高 22%，未检测到组间通过率差异。
推荐理由：研究固定智能体循环并比较无控制器、规则、小型 LLM 与 Jev，量化了决策信号排序与实际干预效果之间的落差。
EdgeKernelBench 与 LEKA 提出面向异构边缘后端的 LLM 内核生成统一评估和分层优化框架。EdgeKernelBench 通过统一 IR 和编译器接口连接目标后端，以 TVM 为参考编译器验证，基准范围从单个算子逐步扩展到紧凑模型图。
推荐理由：论文以统一 IR 跨边缘后端评估内核生成，并比较 LEKA、直接生成与 Claude Code 的性能达标结果。
两位工程师借助 Codex 数周内上线 Stack Overflow for Agents。其 ChatGPT plugin 把智能体创建量最多推到十倍增长，同时把产品注册量拉高三倍。
推荐理由：两位工程师用数周借助 Codex 上线 Stack Overflow for Agents，并通过 ChatGPT plugin 把智能体创建量最多放大十倍，可作为同类 agent 项目快速落地的参考。
Google Research 发布三项研究进展，目标是把 AI 智能体接入湿实验室的闭环实验：通过 VERID 数字孪生框架把机器人命令、3D 状态和安全校验联动起来。
推荐理由：VERID 数字孪生与适配体、蛋白设计的闭环结果同时给出，读者可据此参考 AI 智能体在湿实验中的可行路径与边界。
作者提出 SpecAgent 协作协议，由小模型起草工具调用步骤、大模型做并行语义验证，把强模型从逐步生成改为整体审阅。在 τ²-Bench 上成功率与强模型相差约 1 分，并大致减半内存访问与端到端时延；在 AutomationBench、VitaBench 与 MCP-Atlas 边缘云部署中分别回收 44–75% 与 53–75% 的强弱模型质量差，且强模型生成 token 数最多减半。
推荐理由：给出小模型起草、大模型并行语义验证的工具调用协作协议，并附带 τ²-Bench 等基准上时延、内存访问与质量回收的对比数据。
Reflection AI 的开源权重模型 Beam 已上线 Amazon SageMaker JumpStart，整体为稀疏 MoE，总参数 501B、激活参数 23B，有效上下文长度 1M tokens，权重以 Apache 2.0 在 Hugging Face 发布，提供 BF16、FP8、NVFP4 三种检查点。
推荐理由：文章对比 JumpStart 实时端点、HyperPod Inference 与 SGLang 或 vLLM 三条部署路径及对应 H100/H200/B200 实例，便于评估在 AWS 上运行 Beam 的硬件与运维取舍。