UIUC、谷歌等联合综述：走向超级智能体，AI 还需要主动性
UIUC、谷歌、斯坦福、UC Berkeley 和 CMU 的研究者在《Proactive AI for Superintelligent Agents》综述中提出 6A 分析框架，涵盖 Awareness、Anticipation、Agenda、Arbitration、Action 和 Adaptation 六项能力，并梳理相关机制、评测方法和 13 个应用领域。
#Agent
新智元AI 评分4949 Hugging Face Daily PapersAI 评分4141 SERA：从 VLM 规划器到机器人智能体，面向历史依赖操作的自进化框架
研究者提出 SERA（Self-Evolving Robotic Agent），通过可编辑的 harness 将高层 VLM 组织为机器人智能体，配合固定的 VLA 执行器维护任务上下文并利用执行经验改进规划。
Hugging Face Daily PapersAI 评分3939 多模态具身智能体：从 Computer-Use 到 Robot-Use 的统一能力视角 PAPAV 框架
研究者提出 PAPAV 统一能力框架，将多模态具身智能体（MMEAs）的核心功能归纳为感知状态、预判动作效果、规划可行路径、通过接口或身体执行、验证结果五项。分析 64 个 benchmark 发现，评测集中在 Act，仅 5 个评估 Anticipate、3 个评估 Verify。该框架为设计可靠物理智能体、超越单纯任务成功率衡量进展提供了共同基础。
Hugging Face Daily PapersAI 评分5656 DeepEvolve 论文提出面向未来事件预测的递归自我改进智能体系统
论文提出基于未来事件预测的递归自我改进智能体系统 DeepEvolve，通过动态环境合成可验证任务，并将预测背后的推理轨迹内化回模型能力。在每周更新的 FutureX 排行榜上，其自我改进的预测系统连续三周排名第一，rating 最高提升 195%；在自建评测中于四个基座 LLM 上均进入前三，最强领先基线 10.7 Bradley-Terry 分。
Hugging Face Daily PapersAI 评分3737 SpatialBrain：从经验中生长的空间智能框架
论文提出 SpatialBrain 框架，在冻结视觉-语言骨干的前提下保留空间推理决策经验，核心是区分场景证据与推理经验。其 3DFusionMemory 将当前场景观测融合为可查询的空间关系，Spatial Skill Library 提供可复用工具流程，Spatial Cognition 关联任务条件与经验，完成的轨迹被抽象为过程记录并在任务块间整合。
Hugging Face Daily PapersAI 评分3939 AW-0：面向机器人操作的 Agentic 世界动作模型框架
研究者提出 AW-0，一个将代码化规划与视频、动作联合预测结合的 Agentic 世界动作模型框架。该框架在统一的 mixture-of-transformers 架构中将代码、未来视频和机器人动作建模为三条耦合生成流，并通过自动化管线把机器人与人类视频轨迹标注为程序、沉淀为可复用技能库。
Hugging Face Daily PapersAI 评分4141 Harness Scaling：面向可泛化智能体强化学习的新扩展维度
一项研究提出 Harness Scaling，把智能体强化学习的训练从单一固定 harness 扩展到多样化执行配置，通过因子化 harness 空间和均衡因子覆盖选取紧凑训练子集。
Hugging Face Daily PapersAI 评分4141 面向 AI 智能体的以记忆为中心的持续学习框架 MCCL
哈工大等机构研究者在 arXiv 论文（arXiv:2610.29357）中提出以记忆为中心的持续学习框架 MCCL，主张以记忆能否改善未来行为而非仅检索来评判记忆系统。MCCL 包含按载体、资产、策略三轴组织记忆的分类法与内外双环生命周期，并提出衡量干扰下保持、变化适应与任务迁移的评估协议，以及建模性能随经验、存储和算力扩展的记忆扩展框架，为自我改进的自主智能体提供路径。
36氪 · AIAI 评分4545 UIUC、谷歌等联合综述：走向超级智能体，AI 还需要主动性
UIUC、谷歌、斯坦福、UC Berkeley 和 CMU 的研究者在《Proactive AI for Superintelligent Agents》综述中，提出 6A 分析框架（Awareness、Anticipation、Agenda、Arbitration、Action、Adaptation），梳理 AI 智能体主动发现并推进工作的机制与评测方法。
Hugging Face Daily PapersAI 评分3838 OverSeer：超越智能体视野的多智能体世界模型
研究者提出多智能体世界模型 OverSeer，在各智能体第一人称视角外引入固定空间的辅助摄像头视角，作为以世界为中心的表征以维持时间与智能体间的一致性。辅助视角冗余且半静态，可通过 delta-VAE 仅编码相对静态参考图的变化来压缩，降低 token 数量与计算开销。在 Minecraft 和 Doom 上的实验显示世界与智能体一致性提升，真实世界多摄像头拍摄结果也验证了该方法不限于游戏引擎。
机器之心AI 评分5252 WorldMemArena：从行动与世界交互评测多模态 Agent 记忆
来自 UCSB、斯坦福等多家机构的研究者联合提出多模态 Agent 记忆评测基准 WorldMemArena，论文已被 NeurIPS 2026 接收。基准包含 400 项以上多会话任务、24,258 组问答和 15,595 张图像，通过观察、行动与环境反馈的循环，把长期记忆拆成写入、维护、检索、使用四个可诊断环节。
机器之心AI 评分7171 UCSB 与微软发布 ScholarEvolve：让 Agent 自动读论文并进化自身 Harness
UCSB 和微软研究团队提出 ScholarEvolve，将阅读研究文献、实现算法、评估效果的过程自动化，让学术成果直接参与 Agent Harness 演化。
arXiv cs.AIAI 评分4343 WeAct：将动态权重切换作为智能体动作
论文提出 WeAct（Weight-level Internal Actions），在冻结主干上训练各能力独立的 LoRA adapter，并把 adapter 选择加入智能体的动作空间，通过原生 tool-calling 接口按需组合能力。
arXiv cs.AI精选AI 评分6060 MIT 等机构论文：在代码空间中搜索多智能体路径规划策略
arXiv 论文（arXiv:2610.25946）提出由人类主导、编码智能体迭代在代码空间中搜索策略的工作流，结合仿真反馈与正确性验证，并给出两个案例研究。
推荐理由：论文展示了用编码智能体在代码空间直接搜索策略的方法，两个案例的量化结果对多智能体路径规划工程实践有参考。
arXiv cs.AIAI 评分5050 FALCON：通过反例锚定反馈实现安全的智能体编程
arXiv 论文提出 FALCON，一个反例锚定的代码安全验证框架，将攻击探索与行为验证分离，并通过被测程序的执行轨迹连接两者。在安全代码生成 benchmark 的测试时修复中，FALCON 带来比其他安全信号更强的留出集功能-安全增益，同时保持或提升功能；作为 RL 奖励时也优于静态分析和学习型奖励，并与代理奖励结合进一步提升留出集表现。
arXiv cs.AIAI 评分5050 LLM Agent 推理收缩研究：安全记忆复用的成功计数器是失效的变化探测器
一项 arXiv 研究提出"推理收缩"概念，指 thought templates、技能库和 agent 记忆把多步推理压缩为一步，但记忆在事实改变后会静默给出错误答案。
arXiv cs.AIAI 评分5959 BreakingWeb 通过受控环境干预构造更难的浏览器智能体任务
研究者提出 BreakingWeb，通过可控修改网站内容、服务器状态或渲染页面把已有任务变难，包含 7 个自托管网站上的 519 个任务对。六款浏览器智能体在干预下平均下降 22.9 个百分点，人类仅降 10.0 点；智能体 75% 的失败是信念失败，即在未完成所需改动时宣布任务完成。
arXiv cs.AIAI 评分4848 对编程智能体而言，代码仓库才是关键
arXiv 一项研究用多层模型比较 GitHub 上 AI 编程智能体与人类的 pull request，发现约五分之二的智能体 PR 处理时长差异来自仓库之间；在 280 个仓库中，智能体 PR 的仓库间方差是人类的 1.76 倍（95% CI 1.41–2.18）。
arXiv cs.AIAI 评分3737 CCOPD：面向多轮语言模型的规范上下文在线蒸馏方法
一篇 arXiv 论文提出规范上下文在线蒸馏方法 CCOPD，用同一基座模型分别扮演冻结教师和可训练学生，缓解大语言模型在信息分多轮给出时因自锚定漂移而偏离答案的问题。仅在数学对话上训练后，CCOPD 在 RAW-SHARDED 场景下相对基座模型平均提升 32%，且基本保持完整上下文性能，在五个零样本域外任务家族上同样有效。
arXiv cs.AI精选AI 评分6060 arXiv 论文：一小时访谈让 LLM 了解你的特质，但预测不了你的价值决策
一项 arXiv 研究（arXiv:2605.29458）测试一小时 LLM 自适应访谈能否预测个人的价值相关决策，46 名成人访谈后回答 25 道两难题作为真值。
推荐理由：论文用 46 人访谈实验与审计说明一小时访谈能还原特质却预测不了价值决策，为 persona agent 的边界给出实证依据。
arXiv cs.AIAI 评分3535 RELIEF：基于交互体验与反馈修订的代码生成模型改进方法
arXiv 论文提出 RELIEF 方法，用编码智能体修订代码生成模型产出的界面，并将改进融入原始生成轨迹作为微调监督数据。研究团队收集了 200 个合成网站、355 段交互记录及 24 名用户的反馈，微调了两个代码生成模型的多个变体。结果显示反馈效果随基础模型能力而变，其中来自人类交互记录的批评在测试模型下带来最大的可用性提升。
arXiv cs.AIAI 评分4747 VibeTraining-Bench：面向迭代系统改进的数据-训练器-推理框架协同设计基准
arXiv 论文提出 VibeTraining-Bench，评估智能体联合优化训练数据、训练器与推理框架的跨组件协同设计能力，任务覆盖终端操作、软件工程、多轮工具使用和数学推理，并设置测试数据隔离、独立容器和网络限制三重防作弊机制。
arXiv cs.AIAI 评分3131 从提案到执行：共享自主中的交互语义建模
一篇 arXiv 论文提出语义感知决策框架，将候选动作的提出、在交互上下文下的评估与最终执行结果显式分离建模。框架通过联合动作语言和解释函数定义语义结果，并由此诱导转移与奖励动态，可刻画咨询、授权等人机共享自主交互模式，且与标准 MDP 规划保持兼容。
arXiv cs.AIAI 评分3737 HSPR：通过分层后验推理恢复软件智能体基准测试分数
研究者提出分层分数后验恢复方法 HSPR，用历史响应因子与带不确定性的组成功率，结合后验引导的自适应任务选择，以小预算估计软件智能体在完整基准上的分数。在 SWE-bench 系列四个任务库上以 10% 任务预算评测时，HSPR 在其中三个任务库取得最低平均绝对误差（MAE），四个任务库均取得最低最大绝对误差（MaxErr），且代码与项目资源已公开。
arXiv cs.AIAI 评分3939 HABIT-Bench：评估智能体记忆从纵向弱证据中归纳用户习惯的能力
arXiv 论文提出 HABIT-Bench，用于评估大语言模型智能体记忆系统从弱证据中推断用户习惯并应用于后续请求的能力。
arXiv cs.AIAI 评分3535 超越 LLM：心理世界模型 MWM 框架实现心理建模、模拟、演化与可解释性
一篇 arXiv 论文提出心理世界模型 MWM 及其实现架构 MMEA，显式构建主观世界、建模认知与心理状态的交互，并模拟受历史经验塑造的心理持续演化。
arXiv cs.AIAI 评分4242 PraxisMemBench：面向持久化个人智能体的个人记忆与程序性记忆基准
研究者提出 PraxisMemBench，一个面向持久化个人助手的基准，让个人记忆与程序性记忆在日常与工作轨迹中共同演化、相互依赖。实验显示单独维护两类记忆不足，任务完成率从 84.6% 降至 77.9%；随交互历史增长，关系类失败率从 59.8% 升至 72.9%。
arXiv cs.AIAI 评分2020 AgentStripes：一种面向 AI 智能体的证据分级成熟度模型
arXiv 论文提出 AgentStripes，一种针对 AI 智能体的证据分级成熟度模型，包含 0 到 7 stripes 等级、12 个过程域共 40 项能力、三道门（基础、安全、证明）以及 E0 到 E5 证据分级。
arXiv cs.AIAI 评分3434 自适应分组过程奖励框架用于 GUI 智能体强化学习训练
一篇 arXiv 论文提出自适应分组过程奖励框架，解决 GUI 智能体强化学习中结果奖励稀疏导致的低效学习问题。该框架将 GUI 轨迹动态划分为语义连贯的子目标组，在动作与组两个层面估计过程奖励，并将其融入 GRPO 的结果优势以提供更细粒度的训练信号。过程奖励基准与下游 RL 训练实验验证了框架的有效性。
arXiv cs.AIAI 评分4646 MADDIE：多智能体药物发现引擎
arXiv 论文提出 MADDIE，一个由 Orchestrator 统筹、HitIdentifier、LeadOptimizer、Synthesizer 和 Evaluator 四个专职智能体组成的多智能体药物发现引擎，可灵活组合工作流、端到端完成药物发现流程。
arXiv cs.AIAI 评分4545 当激活转向被用作记忆时，什么能留存下来？
一项研究用冻结 LLM 旁的无训练激活记忆检验“用户事实必须以文本存储”的假设：经验被存为后层状态的偏移，按会话要点的白化键索引。在 Qwen3.5-2B 与 9B 上的预注册实验显示，该记忆有选择性（约 98% 无关回复不受影响），但事实几乎不被使用（干净使用至多 15%，上下文内为 96-98%），且不减去相反参照时，存储的“不喜欢”会被召回为“喜欢”。
arXiv cs.AIAI 评分4949 FDE-Bench：评估 AI 智能体端到端交付模糊真实业务需求的新基准
研究者推出 FDE-Bench，首个基于真实客户项目构建的基准，用于评估 AI 智能体在需交互式需求澄清与迭代优化的端到端交付任务上的表现。基准包含 49 个涵盖组合优化与机器学习的案例，智能体需从模拟客户处挖掘缺失需求，并由专属评估器按客户验收标准打分。
arXiv cs.AIAI 评分5555 研究指出 LLM 无法自划智能体验证器可检查边界，提出 CoVer 方法
论文研究智能体验证器中固定检查与需judge裁决的划分能否由模型自行决定。在 EU AI Act、FINRA 指引及已部署信贷智能体等六个语料上收集约 22,000 个标注，来自三个实验室的四个模型：答案明显处几乎完全一致，监管文本上则崩溃；错误方向相反，无法选出一个保守模型；在已部署智能体自己的规则集上还共同高估固定检查的适用，恰是不触发升级的方向。
arXiv cs.AIAI 评分4040 Penumbra：面向监管义务的样本高效对抗搜索方法
arXiv 论文提出 Penumbra，一种针对金融、医疗等场景中监管义务的样本高效对抗搜索方法，从验证锚点出发在扩展编辑预算下寻找合规与违规的相邻响应对。在同等预算下，自适应分配在 59% 的候选上达到均匀分配全覆盖，同等记录数下覆盖的失败模式是朴素枚举的 1.43 倍。
arXiv cs.AIAI 评分4040 超越情节式 AI：认知场网络实现受生物启发的持续认知
arXiv 论文提出认知场网络（CFN），一种带隐场回环的循环 Transformer 架构，更新式为 Φ_{n+1} = F_θ(X_{n+1}, Φ_n)，让全部 token 级隐场重新进入下一计算周期，而非显式规定记忆操作。
arXiv cs.AIAI 评分2424 跨越复杂度与创意层级的统一智能体视频编辑方法
arXiv 论文提出一套智能体（Agentic）工具方法，用于自动化视频编辑，覆盖场景预览、视频摘要和电影预告片三类任务，这些任务在编辑目标、复杂度与创意性上各不相同。作者对输出结果进行了评估，并讨论其对自动化与智能体自主性的影响。
arXiv cs.AIAI 评分4141 ECHO：面向长时程 Agent 的可审计双路径记忆系统
ECHO（Embodied Context & History Orchestration）是一个面向长时程 Agent 的可审计双路径记忆系统：快速路径记录不可变事件并提供多路召回，异步工作器把经验整合为可修订状态并重建索引，同时保留来源溯源、时间权威与答案实现的显式边界。
arXiv cs.AIAI 评分3636 HFS：面向端侧智能体增强实时通信的协同网络调度框架
研究者提出 HFS 框架，解决端侧智能体增强实时通信（RTC）中人类直播视频流量与智能体上下文传输流量的并发争用问题。该框架通过应用层统一编排器联合控制多流发送速率，基于 WebRTC 的原型实现视频质量提升 1.5 倍、智能体响应时间降低 31%。论文已被 USENIX NSDI 2027 接收。
arXiv cs.AIAI 评分4646 IDEAgent：用智能体化质量-多样性搜索生成科研选题
研究者提出 IDEAgent，一个将科研选题建模为质量-多样性（QD）联合搜索的多智能体框架，通过 lineage 追踪选题演化，用多目标反馈驱动质量修复与精炼，并借助轻量级序列记忆和与已完成、历史及被否决选题的显式对比保证多样性。在横跨 8 个 CS 领域的 32 个主题上，IDEAgent 的 Yield 指标较最佳基线提升 3.89x，Yield≥2 的主题数量达基线的 8 倍，并已开源。
arXiv cs.AIAI 评分3737 ReCore：面向长程智能体的规划图修复方法
arXiv 论文提出 ReCore，针对长程语言智能体的规划图修复问题，通过建模节点与边错误的耦合传播，定位导致持续错误传播的紧凑核心并仅将其交给 LLM 诊断修复，还给出长程规划后悔的理论上界。在合成 Agent Calling-Tree 图和 Who&When 归因基准上，ReCore 以每次成功修复最多 7.4× 更少的 token 达到与全图上下文修复相当的恢复效果。