Agent 智能体

AI 导读论文提出Agent S4，让接口设计本身成为Agent能力：元智能体在无成功标签的合成任务轨迹上构建并修订接口仓库，再用种群式进化按验证任务表现筛选。在OSWorld V2上，搭配Qwen3.8-27B的Agent S4取得21.3%二元得分，是同模型固定接口的3.8倍，超过GPT-5.5（13.0%）和Claude Opus 4.8（20.6%），成本约为后两者的4.3%和1.5%；ScienceBoard成功率从41.4%升至58.6%。代码已开源。

AI 选稿理由提出从任务经验自动进化Agent接口的方法，在OSWorld V2和ScienceBoard上以约1/4至1/15成本超过GPT-5.5与Claude Opus 4.8，为计算机使用Agent提供接口自进化的开源方案。

AI 导读本期主线包括：MiniMax M3.1 Flash 面向 Agent 与编码任务，称在线推理快近三倍、使用成本降 70%，权重后续开放；Inception Labs 的扩散语言模型 Mercury 3 称在多项基准上超过 GPT-6 Luna 与 Claude Haiku 5.5，生成速度超每秒 1000 token；Cloudflare 介绍不生成 token 的抽取模型 Clairic，输出带置信分数。工程侧，Meta 披露千兆瓦级 Prometheus 超算集群与“薄编排器”Agent 路由架构；PyTorch 原生后端 TorchNeuron 与 vLLM 推式 KV 传输分别面向 Trainium 和分离式推理。此外还有 Exa 3.0 搜索、OpenAI 改进 COBOL 等老旧语言编码、Anthropic 据称再谈 450 亿美元算力交易等条目。

AI 选稿理由合集内 MiniMax M3.1 Flash 的成本与速度数据、Mercury 3 的扩散模型基准结果、Clairic 的非生成式抽取方法均属可复用新事实，但均需按厂商自报口径看待。

AI 导读研究者提出 RiseHarness 框架，在模型权重不变的前提下迭代改进智能体的 harness。它聚焦同一配置下时成时败的任务，把成功轨迹与运行时监控的内部 harness 跟踪结合分析，再借 Harness Handbook 定位共享机制中的反复问题，检索其他 harness 的实现并适配，经行为检查与重复评估后以有效版本进入下一轮。论文评测了任务成功率与可靠性，并做了消融与未见基准迁移测试。

AI 选稿理由提出不改变权重的 harness 自改进方法，针对长程终端智能体跨次运行的不稳定，给出可复用的失败分析与跨框架机制迁移流程。

AI 导读研究者提出MMEnterprise-Bench基准，包含1,613个基于模拟协作项目动态多模态记录的问题，分为证据推理、冲突消解、不可回答三类。评测10个开源与专有多模态大模型发现，最强模型在跨源或时间冲突、证据跨多图时仍表现不佳；提高检索预算或换更大检索器只提升证据召回，未稳定提升答案准确率。

AI 选稿理由为企业多模态Agent提供可复用的评测基准与实证发现：检索召回提升未稳定转化为答案准确率，适用于评估动态记录问答系统。

AI 导读Hugging Face每日论文介绍Sage-A1.5，这是一个在A1基础上构建的35B混合专家智能体模型。相较A1，它不只求解单个任务，还能在執行中组织工作并调整策略：通过子智能体独立上下文的委派与并行协作实现任务分解；以进度检查、证据验证和反思式策略修订提升长程可靠性，识别无效搜索路径并转向；并将能力扩展到开放式科学发现，支持交互式分析与可审查的研究产物。作者通过复杂智能体任务和多学科科学应用展示上述能力。

AI 选稿理由这是新模型的技术报告，新增点是子智能体并行编排、验证纠偏与科研探索三类能力的组合，适用于长程任务与开放科学场景；目前仅有报告中的任务与多学科应用展示，未给出公开权重或基准对比。

AI 导读研究团队推出StreamEval，一个涵盖五个任务的交互式流式视频生成统一基准，包括虚拟人对话、表演、世界生成、指令编辑和参考编辑。该基准包含300个测试用例，通过四个维度（任务执行、状态一致性、视觉保真度和视听协调）评估37个模型，发现高质量视觉和身份保留并不一定可靠执行请求或保持状态一致性，请求执行仍是主要挑战。

AI 选稿理由StreamEval提供了首个交互式流式视频生成的统一评估框架，揭示了当前模型在请求执行和状态一致性方面的关键缺陷，为实时多模态系统发展指明方向。

AI 导读论文提出Ask-to-Distill，把合成问题当作分布引出器，用冻结的学生-教师模型对计算问题价值：结合师生分歧、教师概率质量与学生候选支持，并加入长度和多样性控制，无需参考答案、正确性奖励或逐候选更新。生成的问题经筛选去重后进入纯提示题库供标准OPD使用，在数学推理、代码生成与Agent任务上平均性能超过未优化提示和KL过滤的真实问题。

AI 选稿理由提出无需参考答案的问题价值代理指标与生成流程，并在三类任务上给出相对真实题库和过滤基线的评测结果。

AI 导读研究团队开发了解释性管道，发现视觉-语言-动作(VLA)模型将任务指令编码为绝对坐标程序，导致对物体位置变化的脆弱性。通过激活注入实验，模型在99.6%的案例中执行源任务的轨迹，即使面对不同场景。研究还发现不同架构对指令的权重分配差异，以及目标选择与动作生成的分离机制。团队发布了Action Atlas交互平台，包含520+训练SAEs、79个识别概念及UR10e实验结果。

AI 选稿理由提供了视觉-语言-动作模型的内部工作机制解释，揭示了其脆弱性的根本原因，并开源了可复用的分析工具与数据集。

AI 导读研究团队提出 Agent4Sci，用作长期测试平台，覆盖 11 个领域的 20 个科学 ML 基准，重点考察 Agent 在真实条件下能改进已发表最佳模型多少，以及会在哪里失败。结果显示，前沿 Agent 在每个基准上都有提升，其中 Claude Opus 的平均相对改进为 10.4%，且没有运行被标记为学术不端；但这些提升主要来自 ML 工程技巧，而不是研究级洞察。轨迹分析指出三类问题：新颖性判断失准、资源利用不足，以及很快退化为局部工程搜索。加入研究构思、实验管理和定时检查清单等轻量插件技能后，Claude Opus 提升到 20.1%，Codex 从 4.4% 提升到 8.1%。代码和数据已在 GitHub 与 Hugging Face 公开。

AI 选稿理由Agent4Sci 用 11 个领域 20 个基准实测前沿 Agent 对已发表最佳模型的改进幅度，并给出插件技能将 Claude Opus 从 10.4% 提到 20.1% 的可复用方法，同时限定在科学 ML 基准范围内。

AI 导读Matrix-Game 4.0将游戏执行与画面生成分离：轻量游戏引擎维护世界状态并执行交互规则，多模态编码Agent把玩家想法转为游戏代码和动态场景描述，基于自回归视频模型的渲染器再把低多边形代理画面转为高保真视觉。单张RTX5090实现480p、60FPS，按键到显示延迟112ms；单步生成稳态83FPS，峰值显存18.2GiB，RTX5080和RTX5070Ti上分别为67FPS和58FPS。代码、模型权重和低多边形游戏资产已开源。

AI 选稿理由给出可玩游戏世界的执行—渲染分离架构，并在单卡上实测延迟、帧率与显存，同时开源代码、权重和资产，为实时视频生成与游戏交互结合提供可复现基线。

AI 导读论文提出HarnessAdapt-RL，在强化学习训练编码Agent时同步调整模型策略与执行框架（harness），不再固定框架只更新策略。冻结教师为具体任务生成机制级技能，另一教师按跨任务共性问题演化工具与hooks，仅保留不降低通过率或可训练率的改动。9B基座模型在SWE-bench Verified、Multilingual、Pro上pass@1较GRPO分别提高9.8、12.6、6.4个百分点，也优于配OpenHands人工框架的GRPO。

AI 选稿理由给出把Agent执行框架纳入强化学习训练的具体方法，并在SWE-bench三个设置上量化对比GRPO与人工框架，属可复用的Agent训练研究。

AI 导读Sharp等人研究了AI智能体获取机会不平等及其质量和数量差异的影响，构建了识别潜在不平等来源的概念框架，并提出研究议程以应对由此产生的社会挑战。

AI 选稿理由该研究首次系统分析了AI智能体分配不平等问题，为制定更公平的AI治理政策提供了理论基础。

AI 导读研究提出MultiAgent-OPD方法，结合在线策略蒸馏与强化学习，实现Leader-Searcher-Answerer团队的端到端联合训练。在七个数据集上，该方法达到38.68%的宏平均@4准确率，超过Prompted Critic 4.06个百分点，比级联多智能体系统C-MAS + RL高2.61个百分点，且团队在四次尝试内能解决更多问题。

AI 选稿理由MultiAgent-OPD通过在线策略蒸馏与强化学习结合，解决了分层多智能体系统中子代理间接反馈问题，在七个数据集上显著提升性能。

AI 导读Amazon Bedrock 已在 bedrock-runtime 和 bedrock-mantle 两个端点支持 Claude 模型的结构化输出，可返回符合 JSON Schema 的响应。它通过约束解码在生成时强制 schema，并提供严格工具参数校验。支持批处理与跨区域推理；首次使用新 schema 需编译，语法缓存 24 小时。

AI 选稿理由Bedrock 为 Claude 全线模型新增结构化输出与严格工具调用，约束解码保证 JSON 合规，适用于数据抽取和 Agent 工作流。

AI 导读AI代理正越来越多地使用Stripe的支付服务Link为用户购物。Upstart Media报道称，Stripe确认AI代理购物支出正在增长，但未分享具体数据。

AI 选稿理由AI代理通过Stripe支付服务实现自动化购物，标志着AI在消费领域的实际应用正在扩展。

AI 导读研究团队提出OpenVLHarness，一种围绕能力层和持久多模态记忆组织的多模态推理工具。在22个基准测试中，该工具使Qwen3-VL-8B、Kimi K3和GPT-6 Astra模型得分分别提升11.2、9.7和9.9分，在GPT-6 Luna上以中等推理 effort 超越其他模型最高 effort 表现，且模型token成本最多降低37%。

AI 选稿理由OpenVLHarness通过多模态记忆和工具接口解决了视觉推理中证据获取瓶颈，显著提升模型在复杂任务中的表现并降低计算成本。

AI 导读研究发现在资源受限情况下，现有终身记忆方法效果不佳，简单检索或无记忆代理反而更有效。TokenWorth框架通过学习查询相关的记忆价值，在三个LifelongAgentBench环境中实现了最高任务成功率并使用最少的输出token，证明有效适应的关键在于学习值得记住的内容而非记住更多。

AI 选稿理由解决了资源受限环境下终身代理的记忆价值评估问题，为实际部署中的内存管理提供了新方法。

AI 导读Manga2Animate提出了一种多智能体框架，通过将漫画动画生成任务分解为动画脚本和视觉分镜两个中间表示，每个表示由创作者智能体生成并由配对的审查者智能体对照原漫画面板进行审核，最终合成忠实于原漫画且跨镜头一致的动画。实验和用户研究表明，该方法比现有技术更忠实于原漫画且跨镜头一致性更强。

AI 选稿理由解决了漫画动画生成中忠实于原作和保持故事连贯性的瓶颈，为动画制作提供了可复用的技术方案。

AI 导读研究团队推出MemT-1.0，一种将内存作为基础模型内在能力的新架构，采用Gated DeltaNet-2和Mixture-of-Storage技术。该模型家族包含MemT-1.0-Nano和MemT-1.0-Flash，在128K token历史长度下实现1.86倍推理加速和66倍存储减少，同时保持通用能力并提升智能体任务成功率。

AI 选稿理由MemT-1.0通过内存原生架构解决了长上下文处理的效率和存储瓶颈，为需要长期记忆的AI应用提供了实用解决方案。

AI 导读针对数据湖分析中的编码代理每回答一个问题就丢弃工作、下题从头再来的问题，研究者提出无监督工具进化方法 TEAL：由 Explorer 从数据湖、Critic 从 Worker 轨迹分别提出工具，只有 Worker 重跑时无需额外步骤即可采用、且答案变化有轨迹证据支持才保留。在 KramaBench 和 LakeQA 上，10 或 15 步预算下四个 Worker 模型均有提升；Sonnet-5 在 15 步时分别提升 9.3 和 21.7 分。TEAL-Q 用合成问题进化的工具库与真实问题效果相当。

AI 选稿理由论文给出无标注工具进化的具体方法及在 KramaBench、LakeQA 两个基准、四个 Worker 模型上的步数预算实验结果，需保留其无监督设定和预算条件。