EGI-BENCH：企业级通用智能评测套件发布
Salesforce 等机构的研究者发布 EGI-BENCH，一个统一的企业级 LLM 智能体评测套件，整合 CRMARENA、HERB、MCP-UNIVERSE 等 8 个基准，提供单一命令行界面和 quick/deep 两种运行预算模式，并定义了 M1-M6 六维 EGI 分数。
#Agent
arXiv cs.AIAI 评分4747 arXiv cs.AIAI 评分3636 Magnolia：面向计算化学的持久记忆智能体框架
研究者发布 Magnolia，一个基于 LLM 的持久记忆 AI 智能体框架，可整合从分子对接到量子化学的计算流程、实验记录与聊天日志。框架采用三层记忆系统，将会话级观察提炼为项目级条目，经人工验证后升级为跨项目规则。
arXiv cs.AIAI 评分3737 PORA：学习判断 LLM Agent 何时值得更多推理
arXiv 论文提出配对结果引导推理分配方法 PORA，让 LLM Agent 在每个动作前通过对比同一状态下短推理与长推理的结果，学习决定何时使用更长推理。在 BFCL memory 上，PORA 超过最强现有方法 17.4–32.9 个百分点；在代码和数学任务上匹配或超过始终长推理，同时 actor token 减少 50.6%、模型请求数减少 31.2%。
arXiv cs.AIAI 评分4040 PROVISO：面向安全 LLM Agent 的溯源感知动作选择方法
arXiv 论文提出 PROVISO，一个在 Agent 提出动作后、执行前进行拦截决策的控制器，将可信观察、外部观察、提议动作和备选动作编码为溯源类型记忆，并依据学习到的校准价值提交最优动作。
arXiv cs.AIAI 评分5959 哈佛团队发布 40 亿参数临床记录决策模型 Clinical System One
论文提出 Clinical System One（CS1-4B），一个 40 亿参数的临床记录决策模型，训练数据来自 360 万患者的 1240 万问答，可在单次前向传播中回答多种类型化问题。
arXiv cs.AIAI 评分3636 M-Plan：面向 LLM 智能体的记忆编排式综合规划框架
arXiv 论文提出 M-Plan，一个融合长期与短期记忆的闭环多智能体系统（MAS）规划框架。该框架为智能体提供全局-局部与过去-当前两类任务引导，在执行中按需给予局部提示，任务完成后将相关信息优化后写入长期记忆库，并保持即插即用设计。在 ALFWorld、Webshop 和 PDDL 多轮任务上的大量实验显示，M-Plan 在准确性和效率上均优于多种基线方法。
arXiv cs.AIAI 评分3636 SPOKE：基于偏好优化的 AI 智能体扑克策略训练方法
研究者提出结合 KL 锚定均衡的策略偏好优化方法 SPOKE，用于训练扑克 AI 智能体在隐藏信息下做出策略性行动。
arXiv cs.AIAI 评分4242 多智能体协作能否减少临床任务中的模型幻觉？arXiv 研究给出否定答案
一项 arXiv 研究评估了 4 个 LLM 系统（单个基线与 3 种多智能体拓扑）在 4 个模型、3 个临床任务上的表现，在推理过程中按事实性与忠实性分类测量幻觉。
arXiv cs.AIAI 评分3030 SPEM：面向 LLM Agent 高效技能使用的结构感知程序性记忆框架
研究者提出 SPEM，一个轻量级结构感知程序性记忆框架，用于解决 LLM Agent 技能库扩大后全量加载开销高、扁平语义检索忽略依赖与执行顺序的问题。
arXiv cs.AIAI 评分2828 LLM 驱动的工业智能体：面向智能制造的综述
arXiv 一篇综述系统梳理了 LLM 驱动的工业智能体在智能制造中的应用。文章分析了通用智能体直接部署面临的五大挑战，提出了涵盖应用场景、具身形式与五个能力层级的统一分类法，以及四层系统架构与闭环任务执行机制，并回顾工业全生命周期的代表性应用与未来研究方向。
arXiv cs.AIAI 评分4242 DataPraxis：通过经验证的工作区演化扩展数据分析任务
论文提出 DataPraxis，一个基于经验证工作区演化的数据分析任务合成框架，通过逐步丰富工作区并继承组合来挖掘更深层问题，并在演化与任务组装后验证分析结果。
arXiv cs.AIAI 评分3636 MedPAO-Assist：可边缘部署、面向放射报告结构化的模态感知智能体 AI
研究者提出 MedPAO-Assist，一个可边缘部署的智能体框架，从放射科医生口述和语音指令直接生成结构化放射报告，仅需约 3.3 GB 峰值内存，在普通笔记本 CPU 上端到端平均延迟约 31 秒。
arXiv cs.AIAI 评分2929 基于大语言模型与强化学习的自主建造与施工进度更新方法
一项研究提出结合大语言模型与强化学习的自主建造方法：采用增强型 soft actor-critic 强化学习算法为移动起重机规划施工动作，并借助机器人运动学与控制算法保证动作可执行。系统还定制了嵌入模型按用户兴趣提取施工环境信息，并调用 ChatGPT 5 更新施工进度、向控制系统提供安全信息、生成进度报告。该方法通过多个全尺寸挡土墙建造实验验证了可行性。
arXiv cs.AIAI 评分3636 Navalia：通过可验证任务合成与长程后训练推进 Cowork Agents
Navalia 是一个结合可验证任务合成与长程后训练的 Cowork Agents 框架，以企业财报为数据源，构建可执行计算链生成有证据可追溯的分析任务，并通过独立 LLM 审查和程序化校验保证答案正确性。
Hugging Face Daily PapersAI 评分4444 RiseHarness 框架：自进化方法提升长时程终端 Agent 可靠性
论文提出 RiseHarness，一个在模型权重固定的情况下迭代改进终端 agent harness 的框架。它以同配置下成功与失败的运行为切入点，结合轨迹与运行时监控的 harness 内部追踪，生成 Harness Handbook 定位跨任务的共性问题，并从其他 harness 框架检索相关实现作为设计参考，经行为检查与重复任务评估后保留有实测增益的版本进入下一轮迭代。
Hugging Face Daily PapersAI 评分5353 Agent S4 通过进化智能体界面刷新开源计算机操作智能体纪录
研究者提出 Agent S4，一种能从任务经验中自主构建进化界面的计算机操作智能体，通过元智能体修订界面仓库并进行种群级进化筛选。
Hugging Face Daily PapersAI 评分3232 MMEnterprise-Bench：评估企业智能体处理演化多模态记录的能力
研究者推出 MMEnterprise-Bench 基准，包含 1,613 道基于模拟协作项目中演化多模态记录的问题，覆盖证据推理、冲突消解与不可回答三类任务。对 10 个专有和开源多模态 LLM 的评测显示，即使最强模型在证据存在跨来源或时间冲突、或跨越多张图像时仍表现不佳。增大检索预算或使用更大检索器能提升证据召回，但不必然带来更高的答案准确率。
Hugging Face Daily PapersAI 评分4242 S-Agent 2.0：用通用编码智能体做空间推理
研究者提出空间推理智能体 S-Agent 2.0，为现成的通用编码智能体配备命令行感知工具包，通过持久场景记忆帮助 VLM 补全证据闭环。
Hugging Face Daily PapersAI 评分4949 Sage-A1.5：从长程任务执行到科学探索的能力组合
Sage-A1.5 是一个 35B 参数的 Mixture-of-Experts 智能体模型，基于 A1 构建，通过自适应能力组合推进长程问题求解。相比 A1，它带来三项改进：通过子智能体任务委派与隔离上下文并行协作的智能体编排，通过进度检查、证据验证与反思性策略修订提升可靠性的智能体验证，以及支持探索性研究的开放科学发现。
Hugging Face BlogAI 评分5555 ALTK-Evolve 用学习到的指南让 gpt-4.1 登顶 τ²-bench 客服基准零售榜
ALTK-Evolve 用同一模型 GPT-4.1 从智能体自身轨迹中蒸馏行为指南并追加到系统提示词，无需更新权重或人工标注，让基础 ReAct 智能体在 τ²-bench retail 达到 Pass^4 67.5%。
Hugging Face Daily PapersAI 评分4848 Self-Credit：基于组内重缩放的长程智能体 RL 信用分配方法
一项新研究提出 Self-Credit，一种端到端智能体 RL 方法，通过自生成信用分配与组内重缩放，把 RLVR 的稀疏结果奖励转化为密集监督信号。该方法包含带引用的摘要生成、组内重缩放和优势重加权三个组件。
Hugging Face Daily PapersAI 评分4747 HarnessAdapt-RL：训练整个 Agent，而不只是模型
研究者提出 HarnessAdapt-RL，在强化学习中同时训练策略并自适应调整 harness。基于 9B 基座模型，该方法在 SWE-bench Verified、Multilingual 和 Pro 上 pass@1 分别比 GRPO 提升 9.8、12.6 和 6.4 个百分点，并超过配备 OpenHands harness 的 GRPO。
Hugging Face Daily PapersAI 评分5757 Agent4Sci 测试床发布：前沿智能体在科学 ML 基准上的表现与局限
论文提出 Agent4Sci，一个衡量前沿编程智能体能否改进科学 ML 基准已发表最优模型的长程测试床，覆盖 11 个领域共 20 个基准。Claude Opus 平均相对提升 10.4%，但增益几乎全部来自常规 ML 工程技巧而非研究级洞察，并呈现新颖性误判、资源利用不足和快速坍缩为局部工程扫参三类局限。
Hugging Face Daily PapersAI 评分4444 Cache Engineering for Agents：让 LLM 智能体直接控制 KV cache
一项新研究提出 cache engineering 方案，让 LLM 智能体在不修改轨迹、不重新 prefill 的前提下直接控制活跃 KV cache，可通过 drop 排除选中缓存、用 repos 调整保留键的位置编码，并配套设计了 AKV serving 引擎。
Hugging Face Daily PapersAI 评分5757 AI 研究团队自主发现线性注意力架构的论文提出多学科智能体协作设计
论文提出由不同学科背景、保留私有研究历史并通过自适应分配获得研究机会的持久 AI 研究员组成的团队，用于自主探索线性注意力架构。该团队在 1.3B 规模的语言建模、常识推理和检索任务上超越 GDN2。消融实验显示，去掉学科背景、私有历史或自适应分配中的任一组件，发现质量都明显下降。
Hugging Face Daily PapersAI 评分4343 AgenticRoboRL：将编码智能体后训练方法引入机器人规划器
研究者推出 AgenticRoboRL 框架，用监督微调结合多轮强化学习对不同机器人 harness 的规划器做后训练，通过 harness 专属适配器统一 RL 训练流程。在 LIBERO-PRO 上，9B 参数规划器的成功率从 18.1% 提升至 71.0%，接近 Codex（GPT-5.5）配合外部记忆达到的 72.1%。框架与训练好的规划器 checkpoint 将开源发布。
Google Research精选AI 评分6464 Google Research 发布 VERID 框架与闭环湿实验室智能体研究成果
Google Research 发布三项研究，构建面向自主湿实验室的智能体基础模块。VERID 框架基于 PyLabRobot 提供实验室工作单元的语义数字孪生，支持实时 3D 状态追踪、虚拟试运行、硬件安全检查和视频与动作日志同步。
推荐理由：原文给出 Google 让智能体在湿实验室自主做实验的三个研究项目与具体指标，读者可以了解真实实验反馈如何补足计算设计。
Hugging Face Blog精选AI 评分8383 Reflection 发布开源模型 Beam：501B 参数 MoE，Apache 2.0 协议
Reflection 在 Hugging Face 发布其首个开源模型 Beam（Beam-1.0-501B-A23B），为 501B 参数、每 token 激活 23B 的 MoE 模型，采用 Apache 2.0 协议，支持 1M token 上下文，主打编码与智能体场景。
推荐理由：官方博客给出 Beam 的架构细节、基准成绩和部署微调配方，读者可以据此评估在自有硬件上跑前沿开源模型的成本与路径。
Google Research精选AI 评分7171 Google Research 发布 Deep Review 智能体文档审阅系统
Google Research 公开发布 Deep Review，一个对复杂技术文档提供严谨反馈与技术验证的智能体系统，前身为 Paper Assistant Tool，曾与 STOC 2026、ICML 2026、NeurIPS 2026、ICLR 2027 四个会议合作，为逾 16,000 篇 opted-in 稿件提供会前反馈。
推荐理由：原文给出四阶段智能体审阅流程、每周两次免费额度与 API 接入方式，读者可据此评估它如何缓解技术文档验证瓶颈。
Google Research精选AI 评分7676 Google Research 发表 NBER 论文：AI 辅助在专利起草实验中提升资深律师技能但对初级律师效果有限
Google Research 在 NBER 发表论文，对 11 家知识产权律所的 133 名律师开展三个月随机对照实验，测试 Gemini Notebook 中的 AI 专利写作助手对短期产出与长期技能的影响。
推荐理由：研究用三个月随机对照实验区分了AI辅助表现与无辅助技能，发现资深律师受益而初级律师的判断力并未随之提升。
Mistral AI精选AI 评分7979 Mistral 发布 Mistral Large 4 公测预览，1 万亿参数开源权重模型月底放权重
Mistral 发布 Mistral Large 4 公测预览，模型为 1 万亿总参数、52B 激活参数的原生多模态模型，在本月底开放权重，预览 API 已可在 Mistral Studio 试用。
推荐理由：官方公布参数规模、权重开放时间与多领域基准成绩，可据此了解开源模型当前能力水平与欧洲自建算力路线。
Google ResearchAI 评分4444 Google 发布 CAPS 研讨会报告：智能体隐私与安全的开放性新问题
Google 发布 CAPS 研讨会报告，汇总来自多个机构的 50 多位学术界和产业界领袖在 2025 年末纽约研讨会上对智能体隐私与安全问题的讨论。报告指出智能体在非结构化接口、概率控制流和自主委托三方面不同于传统软件，并以情境完整性（Contextual Integrity）理论为基础，提出包含情境策略引擎、系统级沙箱、模型级推理和用户控制的多层防御方案。
Mistral AI精选AI 评分6363 Mistral 复盘用 AI 智能体迁移 40,000 行 Fortran 77 遗留代码的实践
Mistral 复盘帮助一家欧洲能源运营商将 40,000 行 Fortran 77 油藏模拟器迁移到 C++ 的项目，这也是其 300,000 行代码库的首个 sprint。
推荐理由：Mistral 复盘了真实交付项目，给出验证先行、文档先行和带人工审核的结构化工作流三条可迁移经验。