AgentLens 论文：1,136 条「通过」的 SWE-Agent 轨迹中 122 条是走运
arXiv 论文 AgentLens 将 1,136 条通过轨迹分为 Ideal（20.2%）、Solid（69.1%）和 Lucky（10.7%）三档，Lucky Pass 在八个模型后端间跨度达 46 倍，而 pass rate 排名与过程质量排名全部不一致。
#Agent
掘金AI 评分4242 掘金AI 评分7575 论文拆解 11 个 coding agent 源码：无人使用 LangChain 或向量检索代码
Wavestone 四位研究者发布 83 页论文《Harness Engineering》，逐行阅读 Claude Code、Codex CLI、Gemini CLI。
GitHub Blog · AI & ML精选AI 评分6060 GitHub 发布 ReviewBench：面向 AI 代码审查的开放基准
GitHub 发布 ReviewBench，一个面向 AI 代码审查智能体的开放离线基准，研究预览版已上线，可对比不同审查系统并提交自己的智能体。基准基于 1.039 亿个 GitHub PR 的分布构建，包含 19 种语言的 219 个公开 PR，采用多来源 golden set 与统一评分标准，发布前由资深工程师独立复核，与基准判定一致率 96.6%。
推荐理由：GitHub 公开了代码审查基准的构建方法与离线到线上的验证数据，可据此判断评测信号是否可信。
MIT Technology Review · AIAI 评分2222 如何将 AI 智能体接入企业知识
MIT Technology Review 对 300 名数据与 AI 高管的调研显示，企业平均仅约 34% 的 agentic AI 项目能进入生产，遗留数据系统、安全隐私顾虑以及知识与上下文缺失是主要失败点。
arXiv cs.AIAI 评分2424 用程序精化与 LLM 智能体发现认知算法
研究者提出一种混合系统，将认知算法发现视为程序精化问题：人类构建的认知模型以概率程序形式交给一组 LLM 智能体，由其识别模型与行为的不匹配、在研究者设定的约束内提出代码级修改并验证结构保真度，修改结果再传入概率推理模块完成隐变量推理与数据似然计算。在暴露多种认知算法的问题解决范式人类行为数据上，修订后的模型拟合度持续优于原始模型，并揭示出一小组反复出现的创新。
arXiv cs.AIAI 评分2727 MEA：面向忠实模型解释的奖励驱动多智能体系统
研究者提出多智能体框架 MEA，由 Proposer 智能体按问题与模态选择并配置解释工具，Actor 智能体针对忠实度端到端优化，将输出转化为自然语言解释，覆盖表格、文本和视觉模态。
arXiv cs.CLAI 评分3232 语言智能体为何无法将历史转化为经验：动作校准研究
语言智能体在任务中难以有效利用交互历史，即使打乱过往动作顺序，任务成功率也仅小幅下降，说明智能体未能可靠地将过去动作与其结果关联。将每个返回的观测显式标注为前一动作的结果，可在不引入新环境信息的情况下提升任务成功率并减少下一步动作重复。基于此，研究者提出一种学习型校准器，通过重新评估过往动作并选择性记录经验来指导后续决策，效果优于单纯的结果标注。
arXiv cs.CVAI 评分2424 基于仿真的智能体 VLM 框架用于野火监测与报告
研究者提出一种基于仿真的 VLM 框架，可将 2D 野火模拟自动转换为带标注的视频片段，并作为免训练多智能体 VLM 系统的可复用多模态记忆。在留出生成片段上，视频记忆的四标签精确准确率达 51.5%，直接查询 VLM 为 22.6%，纯文本记忆仅 16-17%；完整系统在六个模拟器报告字段上准确率为 77.3%。该框架还通过组件消融、跨生成器测试和三次真实无人机评估验证了检索与报告能力。
arXiv cs.CLAI 评分2424 EpiWorld：将 LLM 政策智能体锚定在流行病学世界模型中
EpiWorld 是一个闭环框架，将 LLM 政策智能体锚定在动作条件流行病学世界模型和分层技能库上，通过反事实推演为政策选择提供反馈。在 COVID-19 和 Influenza 回顾性数据集上，该世界模型取得所有预测基线中最佳的分布外 Peak-MAE，闭环框架将累计住院率最多降低 59%，在六个 LLM 骨干上平均降低约 16%，优于强化学习和最优控制基线。
arXiv cs.LGAI 评分3636 ArrivalBench：智能体生成的数据管道一次正确、在时间维度下出错
ArrivalBench 不再只对智能体生成的数据管道做单次快照评测，而是在迟到、重复、乱序和重试等可重放的投递调度下重新执行管道，并要求最终状态等于完整日志的批量重算结果。
arXiv cs.AIAI 评分3232 OEB（Open-Endedness Bench）：从智能体执行记录评测其认知过程
研究者提出 OEB（Open-Endedness Bench），一种只读取智能体执行记录、不依赖参考答案或结果分数的基准方法，将记录编译为认知事件图，从证据、实验、修正、无奖励黑客四个维度打分。在三个基准的 12 项任务、119 次已有运行中，智能体声称的改进只有 16-29% 属实；10 项任务中有 9 项的最佳运行在后半程尝试了更多新想法。
arXiv cs.AIAI 评分3131 用 Claude Opus 生成终端任务训练智能体为何停滞：数据生成与验证挑战解析
用 Claude Opus 等前沿模型作为元智能体生成终端任务与验证器用于 RL 训练时，可运行 Docker 镜像和可执行测试套件并不保证端到端流程可靠，研究诊断出基准无效、harness 脆弱、奖励错位三类失败。
arXiv cs.CLAI 评分2222 PlanPool 如何解决 Agentic Text-to-SQL 中的欠规范问题
针对 Agentic Text-to-SQL 系统过早终止澄清、静默做出未验证假设的问题，研究者提出 PlanPool，将澄清计划外化为可变问题池，每个计划问题必须显式提问或丢弃后才能提交，交互中新发现的歧义可随时加入。在 BIRD-Interact 和 Spider 衍生的三个基准上，PlanPool 持续提升歧义覆盖率并减少静默失败，同时保持有竞争力的执行准确率。
arXiv cs.AIAI 评分2727 MIRA：面向长时程研究智能体的元推理架构
研究者提出 MIRA，一种将研究分配与执行分离的分层架构：外层元推理器从持久研究记录中整理上下文并生成下一步调查的工作指令，内层执行器逐条执行。无需策略训练，MIRA 在定理证明和开放式神经网络架构研究中提升了长时程推理并更有效分配额外算力。基于该先验初始化的生成式 actor-critic MIRA-AC 在四个 autoresearch 环境中提升了 gold 表现。
arXiv cs.AIAI 评分2727 DeReAct：为可靠 AI 智能体分解推理与行动
DeReAct 是一种模块化智能体架构，将动作校验与完成判定外置为 Critic 和 Context Manager 两个门控策略。在 GAIA 和 SWE-bench Verified 上，Qwen3-Coder-480B 的 Pass@1 提升 6.5–7.0 分，Claude Sonnet 4.5 提升 4.2–5.2 分，模型越弱增益越明显。
arXiv cs.CLAI 评分2929 APDMem：面向查询自适应的智能体渐进式披露长期记忆架构
APDMem 是一种分层长期记忆架构，将对话历史表示为主题摘要、个性化关键事实、轮级证据笔记和原始消息四层，推理时由控制器先读高层摘要、按需深入细节。在 LongMemEval 上，它仅访问 8% 的对话内容即取得强劲的长上下文记忆推理表现。该工作已被 EMNLP 2026（Industry Track）接收。
arXiv cs.AIAI 评分2929 世界编辑：在可执行世界中以递增深度进行干预
研究提出"世界编辑"概念，即对已有可执行世界进行干预并保留不应改变的部分，同时引入干预深度这一维度。作者基于 Minecraft 和 Terraria 的游戏模组构建了 IGMWorld 与 IGMBench，包含 110 项任务和超 1.1K 条可执行状态与行为标准。
arXiv cs.CLAI 评分2222 CUE：用校准用户嵌入提升多轮 AI 智能体基准测试
研究者提出 Calibrated User Embeddings（CUE）框架，无需训练即可将观测会话编码为连续表示并解码为 persona 指令，驱动 LLM 模拟用户。
arXiv cs.CV精选AI 评分6262 DeskForge：用桌面环境密集监督训练计算机使用智能体
研究团队提出 DeskForge，一个通过组合和探索真实应用生成大规模监督数据的可控桌面环境，并据此构建了包含 120 万条标注桌面观测、1.597 亿个元素实例的 DeskForge-1M 语料。
推荐理由：论文给出可控桌面环境与 120 万条标注数据，并展示四个视觉语言模型在 GUI 定位基准上的提升幅度。
arXiv cs.LGAI 评分2222 MACTS-EM：多智能体协作时间序列预测框架，引入涌现记忆机制
研究者提出 MACTS-EM 多智能体协作时间序列预测框架，通过领域专用预测智能体、元认知层动态分配、涌现记忆机制、多模态上下文整合与对抗鲁棒性组件协同工作。在金融市场、气候模式、能源消耗和疫情传播等场景评测中，该框架预测准确率提升 8-12%，零样本迁移能力提升 22-27%，regime shifts 期间韧性增强 16-21%，分布偏移后恢复速度加快 15-18%。
arXiv cs.AIAI 评分2929 CITA：为长程工具调用智能体做比较式价值估计
针对长程工具调用中结果奖励难以做信用分配的问题，研究者提出 Comparative Inference for Tool-use Agents（CITA），训练 Comparative Inference Model（CIM），用贝叶斯工具图模拟器与 LLM 比较判断生成的配对信号，估计候选下一步工具调用对任务成功的价值。
arXiv stat.MLAI 评分2424 GTDD：面向 AI 编程智能体的生成式测试驱动开发与对抗测试
研究者提出生成式测试驱动开发（GTDD），由独立的测试智能体在每次候选实现固定后，依据人类指定的行为契约与历史反馈生成新输入，可信评估器校验并返回精简反例供回归测试。在有状态键值存储的配对实验中，开发过程中重新生成测试的策略平均失败率低于仅用同一语言模型一次性生成测试的策略，而向测试方提供候选源码未带来可检测的额外提升。
arXiv cs.CLAI 评分3636 XiangqiBench：面向 LLM 智能体闭环评估的中国象棋基准
研究者推出 XiangqiBench，一个可执行的中国象棋基准，用 119 个战术残局让 LLM 智能体在引擎防守下完成将杀，并记录了 12 个前沿 LLM 在两种观测协议下的 8,568 条多轮轨迹。
arXiv cs.CLAI 评分3030 研究：向多数派妥协的 LLM 智能体仍在内部保留原始答案
多智能体辩论中，向一致多数派妥协的 LLM 智能体其实并未改变"想法"。研究用 J-lens 从残差流中读取中间实体（bridge），在 Qwen3.5-4B。
arXiv cs.CLAI 评分2929 FinDialogLens：用多轮对话事件抽取识别金融聊天室中的漏单交易
FinDialogLens 是一个混合 LLM 流水线，通过多轮对话事件抽取识别金融聊天室中被遗漏的 RFQ 交易，用微调小模型检测 RFQ 触发消息与价格/成交结果，再由 RFQ-Level Module 切分事件窗口、Trade Engine 填充论元角色。
arXiv cs.AIAI 评分3131 如何训练你的世界模型：基于 LM 的世界建模中微调与 RAG 的对比
一项研究在具身、网页导航和社交等五类环境中系统对比了微调与 RAG 两种基于 LM 的世界模型构建方式，发现微调在 20 个设置中的 15 个能让智能体获得更高奖励。RAG 方法数据效率更高，而微调则更受益于扩大经验采集规模。研究者还提出用反事实干预估计检索阶段错误率，并构建了参数化捕捉核心动态、结合检索记忆的混合世界模型系统。
arXiv cs.CVAI 评分2424 MeshQuery：用智能体做 UV 展开的接缝规划
MeshQuery 是一种免训练的智能体式自动 UV 展开方法，由 VLM 借助边选择工具规划符合艺术家习惯的接缝，并通过反馈循环迭代优化。在 Adobe Substance 3D 和 Toys4K 网格上，其生成的 chart 数量比最强基线少 2.9x/4.29x，接缝长度短 1.63x/1.7x，专业艺术家在 80.9% 的对比中更偏好其结果。
arXiv cs.AIAI 评分3737 开源 Laya 与托管 Jev 的 System-1 决策模型配对评测：LLM 智能体框架下的快速模型与缓慢证据
研究对开源 Laya 与托管 Jev 两个 System-1 决策模型在 11 个智能体决策点上做了配对评测，覆盖 7,283 个基础用例和 6,640 个鲁棒性变体。
The DecoderAI 评分6262 Google 研究者提出 RRSI，防止自我改进智能体记忆测试任务
Google 研究者提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），通过随时间收缩的编辑预算和严格评审机制，限制智能体在自我改进中记忆测试任务。
Berkeley AI ResearchAI 评分3232 Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效完成长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的摘要内容隔离为自然语言"信念状态"并加以监督，用受自编码器启发的信念评分（belief grading）奖励能重建最新观测的信念。在协作编程基准 CollabBench 上，ABBEL-rec-BG 将相对全上下文模型的性能差距缩小约 50%，训练步数从 100 降至 50，峰值 token 数也低于全上下文设置。