编码智能体基准应匹配用户的任务流
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。
技术方向
Agent 智能体 最新动态
能自己拆解任务、调用工具、一步步把事办完的 AI 智能体：Claude Code、Manus 等应用，各家 Agent 框架与评测。
956 条精选近 30 天 860 条共收录 1,132 条
更新
精选归档 · 第 43 页
HF Daily Papers精选AI 评分4848 HF Daily Papers精选AI 评分4141 MIMESIS：面向交互式智能体训练的用户模拟器学习方法
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。
OpenAI News精选AI 评分6666 OpenAI 与 Ironclad 合作推进 GPT-6 Astra 在合同工作流上的智能体能力
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 AI精选AI 评分7474 Mistral 推出 Mistral Large 4 公开预览版，1T 总参数原生多模态大模型
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。
Product Hunt精选AI 评分3535 AgentSDR 开源 AI SDR 工作台发布，主打自托管替代 Clay 等付费外呼栈
AgentSDR 是 Kandid 团队 Pulkit Garg 在 Product Hunt 推出的开源 AI SDR 工作台，目标是用一套自托管方案替换 Clay、Smartlead、HubSpot 等付费外呼栈。
推荐理由：它给出了一种可自托管的开源 AI 外呼栈如何替换 Clay、Smartlead 等付费工具的能力组合，读者可据此评估自身外呼工作流的迁移路径。
AWS Machine Learning Blog精选AI 评分6363 GLM 5.3 上线 Amazon Bedrock
GLM 5.3 已在 Amazon Bedrock 上线，开发者可通过托管 API 使用 Z.ai 发布的这款 753B 参数 MoE 模型，主要面向编码与长链路智能体场景。
推荐理由：原文给出了 GLM 5.3 在 Bedrock 上的调用代码与 prompt caching 配置，并演示了与 Strix 智能体配合的安全测试流程。
HF Daily Papers精选AI 评分4242 PhysEvo：围绕冻结模型 Astra 的机器人递归自改进框架
PhysEvo 提出围绕单个冻结模型 Astra 的物理递归自改进框架：任务智能体执行操作，元智能体基于轨迹诊断失败、修订工具与技能，并在不更新模型权重的前提下持续自我改进。
推荐理由：原文给出在冻结模型上做递归自改进的机器人框架与仿真、真机对比数据，读者可据此判断该思路对具身智能的迁移价值。
HF Daily Papers精选AI 评分3939 CADFather：用多工具协同从三维网格自动重建可编辑 CAD 模型
CADFather 是一个面向 CAD 自动重建的智能体系统，通过协调多种互补工具从三维网格恢复参数化 CAD 程序。系统由视觉语言助手检查目标与中间重建的渲染图，决定调用哪些工具、生成多少候选程序以及何时终止，候选生成与参数优化相互衔接并以执行反馈驱动下一步决策。
推荐理由：原文给出多工具协同的智能体重建框架及多个 CAD 数据集上的评测，读者可据此判断该方法对自己工程重建任务的迁移性。
HF Daily Papers精选AI 评分3939 Gan Jiang：面向 X 射线衍射的自学习科学智能体
Gan Jiang 是一个面向粉末 X 射线衍射的自学习科学智能体，在 DeltaXRDbench 的单相与多相识别任务上均领先所对比方法。
推荐理由：原文展示了无需重训模型即可从失败诊断中迭代出可复用技能的方法，并给出了多基准上的精度对比，可作为科学智能体技能积累机制的参考。
HF Daily Papers精选AI 评分3939 EMHO：通过经验轨迹优化具身智能体 Harness 的自我演化框架
EMHO 提出一种不修改底座模型、仅迭代优化具身智能体 harness 的自我演化框架，并通过 EMHO-Merge 支持多子任务共享同一 harness。该框架在 EmbodiedBench 的导航与操作任务上评估，使 Qwen 9B 与 27B 模型的任务成功率均获得一致提升，并改变了智能体监测进度、使用视觉工具、锚定观测和应对失败的方式。
推荐理由：提出在冻结底座模型的前提下，让具身智能体的 harness 自行从执行轨迹中迭代优化，为不重训模型的智能体改进提供了一条可迁移路径。
HF Daily Papers精选AI 评分4949 论文提出 Stateless Language Agents 架构以扩展长周期自动化研究
论文提出 Stateless Language Agents（SLA）架构，将研究状态保存在调度器中，每次调用为无状态 Agent 重建角色特定的上下文，并由无状态 Advisor 读取调度器汇总的证据后给并行 Worker 分配具体实验。
推荐理由：原文提出把研究状态外置到调度器、由无状态 Agent 执行的具体架构，并用十亿 token 量级的对比实验展示其在搜索效率和最终结果上的优势。
HF Daily Papers精选AI 评分4646 Self-Retrospection Distillation：把事后轨迹经验蒸馏成事前预判
该论文提出 Self-Retrospection Distillation（SRD），把已完成轨迹中的事后经验蒸馏为同一策略在交互前的预判，弥补 RLVR 在 rollout 奖励一致时信号消失的缺陷。
推荐理由：该方法在 rollout 组奖励一致、RLVR 失去信号的场景下仍能从轨迹中提取学习信号，为奖励稀疏的长程智能体训练提供可迁移思路。
GitHub Blog · AI & ML精选AI 评分6161 GitHub 发布开源 AI 代码评审基准 ReviewBench
GitHub 发布开源 AI 代码评审基准 ReviewBench，包含 219 个跨 19 种语言的公开 PR，提供 grounded 和 augmented 两类精度/召回指标。
推荐理由：原文公开了 ReviewBench 的语料来源、评测指标和接入方式，读者可据此构建可复现的 AI 代码评审离线评测体系。
量子位精选AI 评分6161 Hinton首篇RSI论文：AI参与造下一代AI会触发智能爆炸吗
Hinton联合22位作者发表首篇RSI论文《What if automating AI R&D triggers an intelligence explosion?
推荐理由：论文用Anthropic、OpenAI内部数据建立模型，给出了AI研发自动化压缩进步周期的具体估算，为读者判断递归自我改进的门槛提供了可量化的参照。
HF Daily Papers精选AI 评分4040 D-OPCD：通过 On-Policy 上下文蒸馏把智能体经验内化进扩散模型权重
论文提出 Diffusion On-Policy Context Distillation（D-OPCD），把 Text-to-Image 智能体 harness 累积的提示迭代、记忆与技能等能力通过 on-policy 蒸馏固化进扩散模型权重，使模型在仅接收原始查询时也能保留部分 harness 增益。
推荐理由：提出 D-OPCD 把智能体迭代增益固化进扩散模型权重，量化了脱离 harness 后仍可保留的提升幅度，并指出 harness 与模型持续协同进化的可行路径。
HF Daily Papers精选AI 评分3939 MemPilot：用强化学习编排 LLM 智能体的按需多模态记忆策展
MemPilot 论文提出一个用强化学习动态调度多模态智能体记忆策展的框架，按偏好平衡性能、成本与延迟。策略联合控制证据量、策展指令、模型选择和视觉访问，并通过目标维度优势解耦和前缀边际效用估计做多步信用分配；在五个多模态智能体记忆基准上的偏好扫描显示其权衡前沿优于现有基线。
推荐理由：这篇论文提出用强化学习运行时调度多模态记忆策展的方法，可参考其性能-成本-延迟权衡的设计思路。
HF Daily Papers精选AI 评分4141 Trace2Env：从交互轨迹构建面向交互式环境模拟的智能体语言世界模型
Trace2Env 提出一种无需训练的智能体语言世界建模框架，在原始系统不可用时将历史交互轨迹重建为可复用 worldbook，并在运行时推断每个动作的观测和长期状态变化。在九个环境的实验中，Trace2Env 在下一观测保真度和长程交互一致性上均优于基于 prompt 的语言世界模型，多轮交互中任务智能体动作在真实环境回放时仍然有效。
推荐理由：在没有可执行环境时仅凭历史交互轨迹重建世界模型并支撑多轮任务，为训练和评估 LLM 智能体提供了一种可复用的替代路径。
量子位精选AI 评分6161 Meshy不到两年ARR破亿美元，AI 3D专业模型能否对抗GPT-6 Astra
量子位分析称，AI 3D生成公司Meshy披露其ARR在不到两年内从100万美元增长至1亿美元。文章对比GPT-6 Astra与Meshy的3D生成能力差异，指出通用模型擅长几何关系任务。
推荐理由：文章从GPT-6 Astra与专业3D模型的对比出发，解释了Meshy在ARR和商业循环上的快速积累，对理解通用大模型与垂直模型的分工边界有参考价值。
Hugging Face Blog精选AI 评分6868 Microsoft 与 Hugging Face 联合发布 ThinkingBox 基准，按数据库终态评估 Agent 一致性
Microsoft 与 Hugging Face 联合发布 ThinkingBox 基准，通过 OpenEnv 接口开放，覆盖 507 个有状态业务工作流，每个任务重复运行 20 次，按终端数据库状态和副作用评分。
推荐理由：原文用 507 个任务和 20 次重复，量化了一次成功与每次都成的差距，可用于挑选真正可用的 Agent 模型。
HF Daily Papers精选AI 评分4545 MetaKernelBench：衡量 GPU Kernel 优化中跨 DSL 的知识迁移能力
MetaKernelBench 是一个面向 GPU kernel 优化智能体的评测基准，包含 74 道题（分属 6 类 fused subgraph，每题配 CuTe DSL 和 TIRx 两个变体），衡量智能体从一个 DSL 提炼的经验能否迁移到同一问题的另一 DSL。
推荐理由：它把 kernel 优化智能体的能力评估从代码本身扩展到经验能否跨 DSL 复用，并给出 6 个模型的具体迁移幅度。