作者用 HuggingChat 的 ML Intern 在几天内训练了 6 个定制小模型，包括柑橘病害分类器、Huggy 角色 LoRA、相机视角 LoRA、涂鸦替换 LoRA、0.8B 口袋改写器与 Agate 4 步蒸馏模型，总算力约 103 美元。
推荐理由：作者公开了用 ML Intern 训练小模型的 7 段提示词与项目流程，强调 Verified facts、基线、smoke test 与预算上限等可被迁移使用的写法。
NVIDIA 展示了开发者如何用 GPT-6 Astra 等前沿 AI 模型驱动智能体，结合 NVIDIA Omniverse 库把仿真创意构建为可运行应用。案例覆盖建筑数字重建、燃气轮机故障分析、机器人控制与仓储扩容；其中 80 条输送带、40 个机械臂和 800 个箱子的仓储仿真在 2 分钟测试中维持 30 FPS，并完成 640 次箱体放置。
推荐理由：文章以建筑重建、涡轮测试和仓储扩容为例，展示自然语言驱动智能体连接仿真库、生成应用并定位瓶颈的方法。
TerminalHorizon 是一个面向长程终端智能体的全自动数据合成引擎，通过独立执行识别真实职业任务中被省略的关键工作，并以证据引导环境重构、围绕同一目标逐步扩展任务序列。
推荐理由：原论文给出从数据合成到微调训练的完整方法与多基准结果，读者可直接对照自己的智能体训练管线和数据构造思路。
AgentSWE 是面向智能体软件工程的 25 任务基准，覆盖创建、编辑、优化三个阶段，测试发现受测编码 Agent 均无法交付真正符合需求的智能体。每个任务用少量示例供构建者迭代，再以冻结提交在覆盖完整需求的隐藏用例上按派生 rubric 通过或不通过打分，论文还归纳了对可见用例过拟合、空壳运行时与虚假完成声明三类失败模式。
推荐理由：AgentSWE 用 25 个任务以可见示例与冻结提交对照评估编码 Agent 是否真正满足需求，指出交付差距是常态而非个例。
APEX-Harm 是一个用于评估长时程智能体在大型多工具工作区中抵御 prompt 与脚本注入攻击能力的新基准。任务覆盖金融、咨询和法律场景，每个任务含 115–328 个文件，并通过 MCP server 提供邮件、日历、聊天、文档、电子表格、PDF 与代码执行工具。
推荐理由：在 12 个前沿模型上测得具体攻击成功率与任务得分，提供了多工具场景下智能体安全性的横向比较依据。
Harness^2 提出一个即插即用的递归式智能体 Harness 演化框架，通过任务级与 Harness 级两层递归，在缺乏真实验证器的开放场景下自动改进 LLM 智能体的执行 Harness。
推荐理由：针对开放场景下 LLM 智能体 Harness 自动演化缺乏可靠验证器的难题，提出两层递归的即插即用框架，并报告在多个专业基准上的具体提升幅度。
Artisan 扩展 Articraft 方法，引入多智能体流水线与物理仿真反馈，使关节化 3D 资产生成支持碰撞规避、重力稳定及准确的质量与材质属性。配套基准涵盖 100 个 ArtVIP 与 LightWheel 参考资产、50 条稳定性提示与 50 个带参考质量的 ABO 物体，从空间保真、物理合理性、下游任务与整体质量四个维度评估。
作者提出 ProgramGym 框架，包含 Program-Env 与 Program-Agent 两部分，用于长程程序复现智能体的可扩展训练环境。Program-Env 通过反馈驱动循环从仓库构建可验证训练环境，覆盖 C、C++、Go、Rust 共 1,648 个环境；Program-Agent 串联分析、实现、评审三阶段工作流并加入修订控制。
推荐理由：原文给出 1644 个跨 C、C++、Go、Rust 的可验证训练环境构建方法与长程编码智能体在 ProgramBench 上的具体提升数字，可作为同类智能体训练环境的参考。
OpenMobile-2 发布并全部开源，聚焦移动智能体的可扩展训练环境与 App 原生工具。MobileGym++ 包含 35 个高保真、可控的商业风格应用并支持跨应用工作流，连同模拟器应用共提供 110+ 应用，用于大规模数据合成和智能体强化学习。
推荐理由：原文同时给出开源环境、基准与模型，并提出混合 GUI/CLI 设置，可作为移动智能体可复现实验的比较起点。
ClawLoop 提出一种让大语言模型智能体在沙箱工作空间中自改进的训练框架，不依赖外部教师模型。该框架由任务合成、SFT/RL 训练和诊断反馈三阶段组成循环。
推荐理由：提出不依赖外部教师的智能体自改进训练框架，在多个评测基准上取得稳定提升，并验证了合成任务可迁移到更小模型。
RSI-Anything 提出一个基于 JEPA-Anything 的领域通用递归自改进框架，用预测式世界模型指导动作选择和学习数据筛选，并通过组件与兼容性检查决定是否保留更新后的策略-模型配对。
推荐理由：原文给出在代码修复、GUI、实验规划和反应优化等多个领域的统一自改进框架，读者可以参照其世界模型筛选与版本保留机制设计自己的递归改进流程。
论文提出面向 GUI 智能体的潜在世界动作模型，把世界模型预测目标从像素空间全屏重建转向潜在空间中的动作诱导未来信息，并通过动作感知对比损失缓解 identity shortcut。
推荐理由：论文把 GUI 世界模型预测从像素重建改为潜在空间表示，给出相对像素基线的成功率与延迟提升，并随附开源代码。
本文提出 Work2Skill 框架，通过 WorkRecorder 采集人类屏幕录制与键鼠操作，并基于 350 条多模态示范构建 WorkDemo-350 数据集，用于抽取可复用智能体技能。
推荐理由：论文给出了框架、数据集和开源代码，并在 MyPCBench 与 OSWorld-Verified 上汇报了具体分数提升，读者可以据此复现并对比现有 GUI 智能体技能提取方法。
Amazon Bedrock AgentCore payments 正式可用，让 AI agent 通过 x402 协议按次向推理服务付费。
推荐理由：文章给出了 AgentCore payments 与 x402 推理服务对接的端到端实现，以及支出上限在基础设施层强制生效的具体做法。
Pollo AI 基于 GPT-5.6、GPT-6 Astra 和 GPT-Image-2.5 推出 Pollo Agent 与 Photo to Video Ads，把创作者创意转化为成片图像和视频广告。平台已服务超 2600 万用户，30% 的创作者会话从视频模板起步，用户切换模型的时间减少超 50%。Pollo AI 计划未来 12 个月内让 AI 视频成为日常内容创作的常规环节。
UniPat AI发布PaperBenchX基准，在93个跨学科论文复现任务上测试10组前沿模型与Agent框架配置，最强的GPT-6 Astra完整复现率仅13.98%。
推荐理由：从破解千禧难题到端到端复现论文不到七分之一的成功率，给出了衡量AI科研能力与数学解题之间差距的一把尺子。
Manus母公司蝴蝶效应完成超5亿美元新融资并重启北京办公室，重新组建团队开发面向中国市场的AI Agent产品，招聘官网已开放17个岗位。本轮融资由博裕投资、IDG资本领投，腾讯、红杉中国、真格基金等老股东继续跟投；新开放岗位包括LLM算法工程师、Agent Harness工程师、Agent评测工程师等核心技术职位，产品、运营和商业化方向也有多个岗位在招。
推荐理由：把融资规模、招聘阵势与一年前裁员回潮放到一起读，能看清这家公司在本土市场的实际诚意与节奏。
阶跃终端将于10月13日在上海举办"Ready Builder One"主题发布会，推出旗下首款大模型原生智能体手机STEPX Neo。该手机在模型、系统、硬件三方面均围绕智能体原生设计，发布会上还将同步公布阶跃终端在生态合作方面的最新进展。
LGWM 通过直接预测下一屏幕的表示，验证 GUI 智能体的界面转移并识别被劫持屏幕。它是一种无解码器、动作条件化的世界模型，在 1.85M 条真实 GUI 转移上训练且无需语义标注，验证时只需比较向量。
推荐理由：论文将 GUI 智能体的安全检查从单屏内容转向动作与下一屏的转移关系，并给出检测界面劫持的可迁移验证方法。
作者提出ReHarness，一种面向智能体持续学习的循环框架，在三个持续学习基准与三种大语言模型骨干上一致优于现有基线。它在严格在线流协议中加入后向修订，每条实例后用轨迹反馈更新文本化的反思状态，在分布漂移下修正过度泛化与过时经验，同时改善稳定性与可塑性。arXiv:2610.12668
推荐理由：原文在三个持续学习基准和三种大语言模型骨干上做了对比，展示了在分布漂移下兼顾稳定性与可塑性的具体做法。
论文提出 SWE-Duel 评测方法，由两个编码智能体在评测时互相出题与判题，任务在测试时动态生成以避免训练数据泄漏。在 11 个模型与 15 个跨语言仓库的 1,500 轮对战里，GPT-5.5 搭配 Codex CLI 修复 98.3% 被审核缺陷，Claude Opus 4.8 搭配 mini-swe-agent 作为出题方胜率 27.3%。
推荐理由：原文给出在评测时动态生成任务与题解的自扩展基准方法，可与传统静态编码基准在抗训练污染和抗饱和上做对比。
研究提出 Adversarial Heuristic Learning（AHL）范式与 AAArena 评测基准，涵盖 12 款对抗游戏和 1,920 份人类存档程序。在固定对局与评估预算下，Opus 4.5 与 Claude Code 配置获得 6 枚金牌，其余 6 个排行榜未被任何受测配置登顶。实验还发现，对手选择、密集反馈以及自身与他人的对局回放都能支持策略改进。
推荐理由：原文给出 AHL 范式与 AAArena 评测基准，可作为衡量智能体在对抗博弈中相对人类存档程序策略改进表现的参考。
REMORY 提出一种神经网络记忆模块，在文本摘要之外追加一段 soft memory tokens，让冻结的大语言模型仅用 5.2% 的输入位置就能逼近全量上下文的续写效果。
推荐理由：提出用学习型 memory tokens 补充文本摘要，让长上下文智能体仅占 5.2% 的输入位置就逼近全量上下文表现。
Opera 是面向长程编码智能体的语言评论框架，将每次修正视为持续追踪至问题解决的备注。它在 Terminal-Bench 2.1、SWE-Bench Pro 子集和 DeepSWE v1.1 上分别把非评论者策略模型的解决率提升最多 12.4、15.0 与 8.9 个百分点，并在三个基准上均取得竞争基线的最高平均解决率。
推荐理由：Opera 把每条纠错视为待解决的持续备注，并在交付前先审计反馈，该设计可迁移到其他长程编码智能体的反馈链路。
FlowState 提出面向长程 LLM 智能体的执行状态记忆机制，通过跨请求保留并回溯结构化状态，降低完整历史带来的 token 开销。其 Incremental State Update（ISU）依据新输入和反馈维护当前状态，Progressive State Access（PSA）则按需逐步呈现历史状态与证据。
推荐理由：论文将可回溯的执行状态用作智能体记忆，并通过增量更新与渐进访问降低长程任务的 token 成本并复用历史信息。
SoftwareGym 提出了一套自动合成 GUI 软件环境的 pipeline，用来扩展电脑使用 Agent 的训练数据。
推荐理由：原文把 GUI 软件环境做成可自动合成的流水线，并以 OSWorld 跨域迁移结果证明合成环境能替代部分真实应用来训练 CUA。
Claude Haiku 5.5 即日起在 Amazon Bedrock 和 Claude Platform on AWS 开放使用，Anthropic 称其为 Claude 5.5 系列中速度最快、成本最低的版本，相比 Claude Haiku 4.5 大多数任务便宜约 75%，并首次加入 effort 控制，可按任务调节成本与能力之间的取舍。
推荐理由：原文给出 Claude Haiku 5.5 与 Opus 5.5 的角色分工、effort 控制和价格对比，可作为 subagent 架构选型的参考。
CheckerBench 是一个面向静态分析检查器开发的端到端智能体评测基准，包含源自 297 个 CVE、覆盖 167 个仓库与 85 类 CWE 的 300 个任务，每个任务附带漏洞版本、修复版本、固化分析环境与检查器脚手架。
推荐理由：提出了覆盖 297 个 CVE 的端到端检查器开发基准，并量化了当前编码智能体在该长程任务上的实际能力上限。
微软研究院开源 Agent Lightning v1.0，一个约 3,500 行的轻量级智能体强化学习框架，主打 Harnessed Agentic RL 训练范式，让部署用的 agent 框架直接参与 RL 训练。
推荐理由：把部署阶段的 agent 框架直接接入 RL 训练的方案，并给出 Qwen3.5-9B 在 SWE-bench Verified 上的具体增益，读者可据此评估迁移到自身智能体栈的成本。
Cornerstone OnDemand 基于 Amazon Bedrock 与 Strands Agents 构建多智能体系统 Orion AI，将数据库诊断时间从 45 分钟压缩到 10 分钟，降幅 78%。
AWS 推出了一项为期六周的结构化项目（每周约 4 小时），帮助无工程背景的业务人员通过动手构建 AI 智能体来弥合知识与能力差距。
AWS 官方博客发布教程，演示用 Lambda Durable Functions、Amazon EventBridge 与 Amazon Bedrock 在 AWS DevOps Agent 完成根因分析后自动推进修复。
推荐理由：给出把调查摘要转成可一键批准修复动作的端到端参考架构，并把只读自治与变更操作审批分离的模式留给读者复用。
AWS 推出名为 Agentic Value Model 的框架，把智能体自动化的价值拆成四个维度：工时节省、异常处理、决策质量、变更韧性，并以价值实现率决定是否真正落到损益表。
推荐理由：提出智能体自动化的四维价值模型与优先级矩阵，可作为 AI CoE 立项与衡量价值的参考框架。
Jump Trading 借助 OpenAI 的 GPT-6 Astra 处理更长、更模糊的研究问题，由 LLM 研发负责人 Lucas Baker 主导智能体研发。GPT-6 Astra 大幅提升了可交给智能体的任务规模与复杂度，智能体现在单一长任务中可自主分析、评估并迭代改进研究方向，但仍以人工评审作为受监管金融场景下的关键质控环节。
本文提出 Systematic Multi-Agent Vision-and-Language Navigation（MAVLN），首次将多智能体视觉语言导航形式化为带依赖和资源约束的协调问题，并配套发布包含 11,724 条 episode、145 个场景、最多 4 个智能体的基准，覆盖三种指令设置。
推荐理由：把多智能体视觉语言导航形式化为带约束的协调问题，并配套发布 11724 条 episode 的基准与 TRISS 基线。
该研究分析了 JetBrains IDE 中 4,782 段软件工程师与编码智能体的真实交互会话，发现长会话里的任务类型覆盖项目代码问答、规划、审查、重构和执行等多类，并会随会话进展切换类型，与基于 issue 的基准任务差异显著。
推荐理由：基于 4,782 段真实 IDE 会话数据，揭示当前编码智能体基准与实际任务流的差距，为评测设计提供新的校准依据。
MIMESIS 论文提出一个面向交互式智能体训练的用户模拟器，其 9B 模型在 SOUL-Index 上达到 65.7，超过当时最强的前沿模型。相比 Claude-Opus-5，行为保真度提升 13.4 分，图灵距离降低 3.6 分。
推荐理由：原文给出面向交互式智能体训练的用户模拟器构建方法与自蒸馏反馈方案，可作为搭建训练环境和密集反馈机制的参考。
LiveMACEBench 提出一种过程感知基准，以实时金融市场为持续演化的测试环境，对 5 个前沿 LLM 智能体在统一工具调用、持久记忆、规则遵循与多智能体协作配置下进行 30 天评估。
OpenAI 与合同管理平台 Ironclad 合作，将 GPT-6 Astra 训练用于合同相关智能体任务。在 11 项研究任务上，Astra 平均得分 55.0%、GPT-5.6 Sol 为 41.6%，每次尝试平均用时由 37.0 分钟降至 19.2 分钟。团队基于 SEC EDGAR 公开合同生成合成训练任务并采用强化学习训练，OpenAI 同时邀请更多软件公司参与类似合作。
推荐理由：原文给出了 GPT-6 Astra 在 Ironclad 合同任务上的训练方法与评估数据，可作为衡量智能体在复杂专业工作流表现的参考。
Mistral 推出 1T 总参数、49B 激活参数的原生多模态大模型 Mistral Large 4 公开预览版，权重计划月底开源，API 已上线 Mistral Studio。
推荐理由：Mistral 推出 1T 总参数、49B 激活参数的多模态大模型 ML4 公开预览版，并附带编码、Agent、网络安全、视觉理解与科学推理等多个基准的逐项对比数据与训练基础设施介绍。