Reflection 发布 Beam：501B 参数开源 MoE 模型，专注编码与智能体
Reflection 推出开源大模型 Beam，采用 501B 参数 MoE 架构，每 token 激活 23B，支持 1M token 上下文，专注编码与智能体场景，以 Apache 2.0 授权发布。
推荐理由：原文详细列出了501B MoE模型的架构参数与各类基准分数，可作为评估开源大型MoE模型实际表现的参考。
#Agent
Hugging Face Blog精选AI 评分7474 HF Daily Papers精选AI 评分5555 FDE-Gym：AI 交付最后一公里的代理评测基准
FDE-Gym 是一个面向真实客户交付场景的 AI 代理评测基准，包含 20 个客户场景、18 个行业的 95 个端到端任务，由行业专家从真实项目改写而成。基准按客户业务指标的归一化提升（0 到 1）打分，并对消息、试运行与等待时间扣分；评估七家厂商共 13 种模型配置的结果显示，最佳配置平均得分仅 0.56、仅完成 14 个任务（得分≥0.8 且无事故），发现隐含约束被指为主要瓶颈。
推荐理由：针对代理在真实客户交付场景的能力缺口，给出了由行业专家改写的 95 个端到端任务基准与瓶颈定位。
HF Daily Papers精选AI 评分4242 Data World：先描述世界机制再合成数据环境以训练分析模型
Data World 是一套多智能体数据合成引擎，先指定文件背后的世界机制再生成数据环境、任务与评分规则，用于训练模型的开放性分析能力。
推荐理由：给出了一套先描述世界机制再合成数据环境与任务的方法，使开放式分析题也能用 RL-zero 训练并通过审计评估。
腾讯混元精选AI 评分5959 腾讯混元发布 Hy-Memory-30B-A3B 长期记忆写入模型
腾讯混元发布 Hy-Memory-30B-A3B，一个约 3B 激活参数的长期记忆写入模型，用于替代 Mem0、MemOS、Hy-Memory 等外部记忆框架中的通用 LLM，决定保留哪些信息及如何更新记忆库。
推荐理由：原文给出一个 3B 激活参数的记忆写入专用模型，并提供在 Mem0、MemOS、Hy-Memory 与未参与训练的 EverMemOS 上的对比基准，用于评估替代通用 LLM 的写入效果。
HF Daily Papers精选AI 评分6060 OpenGCUA：面向通用电脑使用智能体的开源全栈框架
OpenGCUA 提出开源通用电脑使用智能体完整栈，整合视觉与程序化界面、harness-to-model 决策迁移与代码执行能力。在 OSWorld-v2 上，8 个评估模型（含 GPT-6 Astra 和 Claude Opus 5）任务均分提升 19.6 分，报告步数平均减少 53.0%。项目开源实现、prompt 与评估轨迹，并发布跨设备 SDK 与真实设备 harness 的初步版本。
推荐理由：原文给出开源通用电脑使用智能体的完整栈实现、基准评测结果与跨设备 SDK 雏形，读者可据此与闭源方案对比设计取舍与执行效率。
HF Daily Papers精选AI 评分4141 AutoSFT：通过多智能体协作自动化监督微调数据研究
AutoSFT 提出一个多智能体系统，将监督微调中的执行、分析与合成分离，自动化完成比例调整、修剪、修复、替换和合成等数据动作。
推荐理由：对比单智能体与多智能体分工在各基准上的提升幅度，能看出执行-分析-合成拆解对 SFT 数据研究自动化的实际收益。
HF Daily PapersAI 评分3434 Mosaic：多会话智能体强化学习方法
Mosaic 提出多会话智能体强化学习方法与 critic-free 分层优化，在 BrowseComp 上以 Qwen3.5-4B 验证，在 context compaction 与 subagent forking 两类场景下均优于广播基线，且平均使用更少会话。其轨迹级融合会话使用信号、会话级按边际贡献调整优势的机制被视为后续多会话智能体 RL 的潜力方向。
HF Daily Papers精选AI 评分4646 MLExpert：面向自主机器学习工程流程的 35B MoE 智能体模型
MLExpert 是一个 35B 的 MoE 智能体模型，通过分层智能体 SFT 和 Windowed Interaction RL（WIRL）进行后训练，用于自主完成长链路机器学习工程工作流。
推荐理由：原文给出了分层 SFT 与 WIRL 后训练方法及在 MLE-Bench Lite 上的具体成绩，可作为评估自主机器学习工程智能体的参照。
HF Daily Papers精选AI 评分3636 Terminal-RSI：通过递归自改写与策略优化提升终端智能体
Terminal-RSI 提出交替进行递归轨迹自改写（RSR）与策略优化（RPR）的方法，从 Qwen3.8-27B 基础模型出发经 RSR-1、RPR-1、RSR-2、RPR-2 五个阶段得到 Terminal-RSI-27B。
推荐理由：给出了五阶段自改写与策略优化的训练框架，并在 Terminal-Bench 系列基准上提供完整数字，可作为终端 Agent 自训练方法的可迁移参考。
HF Daily Papers精选AI 评分4141 3DCodeVerse：把 3D 世界表达为可执行代码
3DCodeVerse 是一个面向 3D 内容生成的研究生态，让编码智能体通过可执行代码产出可编辑且可验证的 3D 内容，包含大规模数据集、多智能体验证框架与系统实验。
推荐理由：把 3D 内容生成统一到可执行代码路径，并配套 2M 数据集与多智能体验证框架，为开放模型的 3D 编码能力提供了可复现的基线。
HF Daily Papers精选AI 评分5151 JevAgentHarness：评测、部署并训练与 LLM 共享 Agent 控制的决策模型
本文提出 JevAgentHarness，用小决策模型在 Agent harness 中分流 LLM 的多选决策，配合拟合的置信度阈值降低成本与延迟。
推荐理由：原文给出 Agent harness 把工具选择分流到小决策模型的阈值训练方法与实测成本收益，可供同类 Agent 工程参考。
OpenAI News精选AI 评分3737 Grupo Boticário 如何利用 AI 加强人与人之间的联系
Grupo Boticário 运营一套专属智能体平台，可自主处理最多 80% 的经销商运营请求。销售团队因此可以转向顾问角色，以加强人与人的连接。
推荐理由：Grupo Boticário 的案例具体呈现了专属智能体平台自主解决最多 80% 的经销商运营请求的实践，以及销售团队转向顾问角色的业务影响。
OpenAI News精选AI 评分4040 Localiza 如何围绕生成式 AI 重构工作
Localiza 围绕生成式 AI 重构工作，并构建 AI 原生的出行体验。其组合使用 ChatGPT Enterprise、OpenAI API、Codex 和 60+ 个专用智能体。
推荐理由：Localiza 以 ChatGPT Enterprise 和 60+ 个专用智能体重构工作，其组合方式为生成式 AI 应用于出行业务提供参照。
HF Daily Papers精选AI 评分5151 EvalResearchBench：AI 智能体能否为递归式自我改进构建自己的反馈？
研究提出 EvalResearchBench（ERB），让 AI 智能体在试运行中修订任务与评分器，以测试它们能否为递归式自我改进自动构建反馈。在固定时间和 API 预算下，实验涉及 9 个 researcher 智能体、13 个候选模型和 14 个目标基准；最佳评测器与目标评测在约 75% 的候选对排序上保持一致，低于目标分歧所设的 91% 上限。
推荐理由：论文在固定时间和 API 预算下比较 9 个 researcher 智能体与 13 个候选模型，呈现自动评测器相对 14 个目标基准的一致性和成本表现。
HF Daily Papers精选AI 评分4444 DiscoveryRSI:通过递归学习生成可验证的科学假设
DiscoveryRSI 用多智能体进化搜索和递归学习生成可验证的科学假设,在生命科学四个领域将假设质量从 4.86 提升至 5.39。DiscoveryRSI-27B 在模型截止后新发表论文上的假设对应率为 6.3%,高于 GPT-6 的 2.5% 与 Claude Opus 5 的 2.3%。文章同时给出 DFM-Bench 多维度评估基准与项目主页。
推荐理由：原文用 DFM-Bench 把假设生成拆成可复测的多维度评分，并给出 DiscoveryRSI-27B 与 GPT-6、Claude Opus 5 的对照数据。
HF Daily Papers精选AI 评分4141 OfficeTown：面向智能体能力进化的生成式组织模拟框架
OfficeTown 是一个生成式模拟框架：从自然语言描述构建持续运作的专业组织，成员可委派任务给助手智能体并审核交付物，工件、决策与未决事项会持续影响后续工作。
推荐理由：该工作把持续运转的组织建模为生成式模拟，用以合成面向智能体的工作数据与基准，可作为通用智能体训练与评估的一种可迁移数据生成方法。
HF Daily Papers精选AI 评分4040 DLite：面向智能体 AI 的无历史投机解码方法
DLite 提出一种面向智能体 AI 的无历史投机解码框架，在通用、长上下文和智能体工作负载下达到 2–6 的接受长度，相对 DSpark 最高提升 70%。该方法直接复用目标模型的上下文隐藏状态进行局部投机预测，配合轻量级序列头恢复块内因果依赖，并采用专门的两阶段训练策略；原文同时指出智能体负载下现有 draft 模型接受长度最高下降 80%。
推荐理由：原文给出在智能体长上下文场景下 speculative decoding 的实测对比与训练策略，读者可据此评估相对 DSpark 的收益。
HF Daily Papers精选AI 评分3838 Scene-Designer：面向智能体三维场景生成的设计智能学习方法
Scene-Designer 是一个面向自然语言到三维室内场景生成的智能体框架，通过设计与评价两类经验学习设计智能。
推荐理由：原文给出结合设计与评价经验的智能体框架以及 Critic-guided GRPO 训练方法，为三维场景生成中评价信号驱动强化学习提供可参考实现。
HF Daily Papers精选AI 评分5353 PersonaCUABench：面向多元用户画像的计算机操作智能体评测基准
PersonaCUABench 在固定 74 个任务和 11 个领域、仅改变请求者画像时，发现计算机操作智能体的平均任务完成率相对原始请求下降 36%。
推荐理由：该基准固定 74 个任务、仅变换请求者画像，揭示了按固定指令评测时可能掩盖的用户约束与满意度落差。
HF Daily Papers精选AI 评分3535 TreeOPSD：面向长程智能体强化学习的树感知后验蒸馏方法
TreeOPSD 提出无 critic 的树感知后验自蒸馏框架，将每步交互视为树节点，从共享前缀分叉并递归回传末端奖励以获得隐式 turn 级信用。
推荐理由：它给出了一种不使用价值网络或更强教师模型的长程 agentic 强化学习路径，对降低训练复杂度和工程门槛有参考价值。
HF Daily Papers精选AI 评分4141 HexaShell：以 VLM 智能体作为机器人编码智能体的轻量框架
HexaShell 是一个用 coding agent 通过视觉与自写工具驱动双臂机器人的轻量系统，基于 Codex 与 GPT-6-Astra（中推理强度），在 42 个 RoboDojo 任务上达到 39.7% 成功率（progress 48.0），刷新该榜单 SOTA。
推荐理由：用 coding agent 自写工具控制双臂机器人并在 RoboDojo 上刷新 SOTA；测试显示推动类任务准确率高，而接触密集任务明显受限。
量子位精选AI 评分6767 蚂蚁百灵开源Ling-3.1-flash模型，主打真实办公任务处理
蚂蚁集团百灵团队开源发布Ling-3.1-flash模型，主打真实办公任务处理，采用约560B总参数、激活25B的稀疏MoE架构，上下文窗口最高1M。模型采用7层KDA配1层Gated MLA的混合线性注意力结构，已接入蚂蚁内部桌面协同Agent客户端「小虎」。
推荐理由：原文公开了模型架构参数、多项基准分数以及办公医疗场景实测，便于读者评估其在真实任务中的落地能力。
量子位AI 评分3030 量子位智库发布Agent落地报告：拆解企业智能化六大断点，附全链路破局框架
量子位智库发布《Agent驱动的企业智能化：单点提效到规模化重塑》报告，系统拆解企业AI落地面临的六大断点——任务定义、数据可信度、判断可验证性、行动落地、权限责任划分与价值衡量复制，并提出贯通任务、上下文、判断、行动、控制与衡量的全链路Agent能力框架。报告建议企业从高价值场景切入先跑通闭环再规模化复制，并以网易智企数帆、CodeWave SDD等实践为例验证落地效果。
量子位AI 评分2828 京东11.11：首日下单用户数同比双位数增长，超百项服务首次全景亮相
京东11.11于10月12日晚8点全面开启，首日下单用户数实现同比双位数增长。发布会上超百项细分服务产品首次全景亮相，并推出聚焦隐形收费、服务参差、售后缺失三大痛点的"333"计划；AI技术已覆盖零售、物流、健康等3000多个场景，AI购物助手"东东"、"超脑"大模型3.0及"狼族"机器人军团全面落地。
Google DeepMind精选AI 评分3838 Google Antigravity 加速抗菌肽候选物筛选
Google DeepMind 在 Google Antigravity 平台上展示了新型抗菌肽候选物的发现流程，针对呼吸道感染病原体，该候选物正在进行湿实验验证。
推荐理由：用一个 agentic 工作台把跨数据库检索、结构预测与人工标注合并到同一会话，让原本多日的分散流程变为单次交互。
NVIDIA Blog精选AI 评分7272 NVIDIA 开源 Nemotron 3.5 Super VL 与 Bolt 74B-A9B 24GB、Bolt E4B 4GB
NVIDIA 发布开源 Nemotron 3.5 Super VL，并推出端侧模型 Nemotron 3.5 Bolt 74B-A9B 24GB 和 Nemotron 3.5 Bolt E4B 4GB，覆盖从企业服务器到本地及边缘设备的智能体部署。
推荐理由：三款模型覆盖企业服务器到 4GB 端侧设备，并给出参数规模、速度、基准与部署路径，便于比较不同智能体场景的选型。
HF Daily Papers精选AI 评分3939 τ-Emotion-Bench：揭示 LLM 智能体在真实用户情绪下的交互脆弱性
论文提出 τ-Emotion-Bench 基准与 Tracer 数据生成流水线，用于在情绪化用户交互下评估并提升 LLM 工具调用智能体的可靠性。该基准覆盖十个领域，实验显示前沿智能体在平均任务成功率与持续完成度之间仍存在显著差距；Tracer 生成的监督数据可稳定改进不同规模的模型，并可泛化到未见领域以及 τ-Bench 和 τ-Trait。项目页与代码已在 GitHub 开源。
推荐理由：τ-Emotion-Bench 与 Tracer 数据流水线为评估和提升工具调用智能体在情绪化用户交互下的可靠性提供了可迁移框架。
HF Daily Papers精选AI 评分5050 SwarmRSI：通过演化科研智能体集群实现递归自我改进
SwarmRSI 用共享图记录每个研究状态（假设、程序、实验证据与未满足需求），并通过反馈引导的集群变异、互补性集群重组与递归集群演化，让后续智能体继承前序中间产物而不仅是最佳分数。
推荐理由：原文把失败与无增益结果也写进共享图，让后续智能体继承的不是分数而是中间产物，可作为多智能体科学发现的工程参考。
AWS Machine Learning Blog精选AI 评分3535 AWS 副总裁 Shawn Bice 撰文提出 Trust in Depth 框架，把 AI agent 自主行为纳入四层治理
AWS 副总裁 Shawn Bice 撰文提出名为 Trust in Depth 的 agent 治理框架，主张在保留关键环节人类把关的前提下让 AI agent 拥有更大自主空间。
推荐理由：AWS 副总裁 Shawn Bice 撰文提出 Trust in Depth 四层框架，把 AgentCore、Agent Registry、Guardrails 等产品配套对应到 Scope、Know、Bound、Observe 各层，可作企业评估 agent 自治能力与风险边界的对照参考。
HF Daily Papers精选AI 评分4444 SYNC：基于共享词索引的跨大语言模型免训练事实通信
SYNC 提出一种词索引接口，让异构大语言模型在不微调、无需翻译器的情况下，通过共享词列表和接收端本地词方向实现选择性事实通信。在 3 个发送端和 9 个来自 5 个家族的接收端测试中，新场景四问答成功率 72.0-98.3%，相对中间层写入最高提升 96 个百分点，两个最大接收端与纯文本通信持平。任务无关探针可在 45/45 案例中预判每个新接收端的可用写入层，无需重调。
推荐理由：提出无需微调或翻译器的跨架构大语言模型事实通信方法 SYNC，仅靠共享词索引和接收端本地方向就能完成选择性事实传递。
MIT Technology Review精选AI 评分4444 MIT Technology Review 每日科技简报：冷冻猪肾脏复苏与核电扩容
MIT Technology Review 每日科技简报《The Download》汇集了 10 余条当日科技要闻。
推荐理由：一篇覆盖当日多条科技要闻的简报，便于读者快速掌握 OpenAI 全自动科研系统等关键动态的背景。
HF Daily Papers精选AI 评分4242 更多方法就等于更好的智能体吗？论文对智能体强化学习中十种自蒸馏方法做系统性比较
该论文在 ALFWorld、ScienceWorld、Search-QA、WebShop 四个环境和三种模型规模下，把十种自蒸馏方法与 GRPO 进行了对照实验，共完成 132 次训练，累计 12,124.4 H800 GPU 小时。
推荐理由：论文用 132 次训练统一对比了十种自蒸馏方法与 GRPO，能让读者看清哪些增益来自方法本身而非实验条件差异。
HF Daily Papers精选AI 评分3939 RuleTrek：复杂场景下智能体规则推理基准
RuleTrek 是面向复杂场景下智能体规则推理的多领域基准，评估大语言模型在规则识别、规则推导和端到端推理三项能力上的表现。其构建流程从材料中提取结构化规则图，并增量组合规则子场景以保证一致性与可解性。
推荐理由：给出了11个前沿大语言模型在规则识别、推导和端到端推理上的具体分数，可用作当前水平的参考。
HF Daily Papers精选AI 评分4848 Doc2Harness：编码智能体长链路 harness 工程的 LLM 评测基准
Doc2Harness 提出一个两阶段基准，直接评测模型为编码智能体构建长链路 harness 的工程能力，覆盖 19 个前沿模型、328 个测试用例。GPT-6 Astra 取得最高通过率 53.05%，最弱模型为 27.44%；即便最强模型仍有近一半用例失败，失败集中在跨模块功能的拆分方式上。
推荐理由：原文提出了针对 harness 工程的可复现评测方案，并给出 19 个前沿模型的具体差距，可据此对比模型在该层能力上的相对位置。
HF Daily PapersAI 评分2828 迈向智能体机器人：模型、数据、环境与 Harness 的统一综述
这篇综述将智能体机器人研究划分为模型、数据、环境、Harness 四大功能域下的十七个类别，涵盖 VLA 模型、世界模型与世界-action 模型。论文追溯从机器人策略到智能体系统的演进，探讨智能体如何塑造模型学习、整理机器人数据并组织机器人能力，最后讨论开放挑战与未来方向。
HF Daily Papers精选AI 评分3737 ActionOPD：以动作而非 token 为单位蒸馏智能体决策
ActionOPD 提出面向智能体的动作级在线蒸馏方法，通过最大化学生在自身状态下的教师动作似然来对齐决策，不要求师生共享 tokenizer，也无需访问教师 token 概率。用两位教师在工具调用任务上训练 Qwen3-4B 和 Qwen3-8B，在四个分布外基准上平均提升 3.3-6.9 个百分点，并在 τ^2-bench 上与离线蒸馏及 token 级 OPD 表现相当。
推荐理由：用动作级对齐替代 token 级蒸馏，使师生不必共享 tokenizer，并通过 Qwen3 系列验证了方法在不同规模学生模型上的稳定收益。
HF Daily Papers精选AI 评分3636 多模态智能体记忆机制研究：提出两轴分析框架与三级记忆管理分类
该论文提出一个两轴分析框架来研究多模态智能体的记忆机制：第一轴关注多模态信息的形成与表征，第二轴将记忆管理划分为三级，即 T1 静态记忆、T2 动态记忆和 T3 自演化记忆。基于该框架，作者归纳了若干设计模式，并提出在源保真度与抽象、时间有效性、可恢复证据以及记忆策略演化之间取得平衡的原则，论文最后讨论了多模态智能体记忆机制的未来方向。
推荐理由：论文给出了两轴分析框架与三级记忆管理分类，为评估和设计多模态智能体长期记忆系统提供了可比较的参考坐标。
HF Daily Papers精选AI 评分4141 Player-1：从合成经验中学习游戏操作
Player-1 是一个用合成经验训练游戏智能体的后训练框架，在 Player-1-Gym 的 16 个 2D/3D 合成环境上以 PPO 进行强化学习。
推荐理由：原文给出合成环境后训练的具体流程与增益数据，展示了不依赖大规模演示也能提升游戏控制能力的方法路径。
HF Daily Papers精选AI 评分3939 APT：面向文生图模型的反馈驱动智能体后训练框架
APT 是一个面向文生图模型的自动化后训练框架，由评估、诊断与数据生成三个智能体协作，根据模型当前能力自适应构建训练任务并形成反馈闭环，无需人工整理数据。在多个基础模型、基准和生成架构上的实验显示 APT 与模型、基准和架构均无关，并支持无指定场景的通用评估。
推荐理由：APT 用评估、诊断和数据生成三个智能体串成反馈闭环，为文生图后训练提供不依赖人工数据的全自动方案，适用多种模型与架构。
HF Daily Papers精选AI 评分4646 ATAS：面向长程智能体视频生成的时空一致性框架
ATAS 框架针对长程智能体视频生成中的跨镜头时空一致性问题，将剧本分解为带位置、镜头和事件时间标注的镜头请求，并在生成前从静态几何场景记忆和按场景/事件/时间索引的事件记忆中检索证据。
推荐理由：原文提出可同时处理跨镜头空间一致性和事件回放的生成框架，并在多个视频生成器基座上验证了一致性提升。