使用强化学习训练长期LLM智能体面临稀疏奖励挑战，现有反馈方法存在效率低或监督错位问题。本研究提出HINT-SD框架，通过全轨迹事后分析，仅针对导致失败的关键动作区间进行基于反馈的知识蒸馏。实验显示，该方法在BFCL v3和AppWorld基准上相比每轮密集反馈基线最高提升18.80%，同时将每步训练时间降低至1/2.26。

现有LLM生成的Lean证明常面临正确但冗长、跨版本易错的问题，其重构是一个涉及证明长度、编译成本与版本兼容性的多目标优化难题。Lean Refactor提出一种插件式检索增强智能体框架，它利用一个标注了版本与预期编译成本降低率的多目标策略数据库，引导冻结的LLM进行重构。实验表明，该方法在竞赛基准上实现超70%的token压缩，编译时间减少高达60%，性能优于现有工作；版本过滤检索进一步提升了压缩率，且重构后的证明表现出更强的零样本版本迁移能力。

随着大语言模型日益作为处理敏感任务的智能体，如何平衡隐私保护（遵循语境完整性）与任务性能成为核心难题。现有方法常难以兼顾二者。为此，本文提出SELFCI互补自蒸馏框架，它将信息抑制与任务求解过程解耦，通过联合优化两个独立的逆KL散度目标：一个保留任务所需信息以确保效用，另一个强制实现最小化且恰当的信息披露。该框架无需外部监督，实验表明其持续优于在线强化学习等基线方法，并在跨领域的智能体工作流中同样有效，为大语言模型对齐隐私规范提供了实用方案。

LongMINT是一个评估智能体在信息不断更新、存在大量干扰的长周期环境中记忆能力的新基准。它包含平均13.88万token（最长180万token）的长上下文，涵盖状态追踪、多轮对话、维基百科修订和GitHub提交四个领域，并设置了单目标检索与多目标聚合两类问题。对7个代表性系统的测试显示，平均准确率仅为27.9%，尤其在综合多证据推理的任务上表现差。分析表明，性能主要受限于检索和记忆构建能力，且系统难以有效处理后续信息对早期事实的更新与干扰。

针对自主智能体系统在监管关键基础设施中面临的治理延迟问题，EHV框架通过将策略执行点迁移至推理管道，采用冲突自由复制数据类型和可信执行环境内的基于周期的认证缓存技术，实现了亚毫秒级形式确定性。TLA+形式验证表明，不合规的智能体行为在系统的有界操作状态空间中是计算不可达的，从而将治理延迟从O(天)降至O(1)。

AI评估正经历结构性变革，因大语言模型日益作为交互系统部署，但现有评估实践仍基于静态响应基准，难以适应持续交互新模式。本文主张交互式评估应被视为独立原则性范式，其证据来源从单一响应转变为交互生成轨迹，评估过程需涵盖流程性、可恢复性、协调性、鲁棒性和系统级表现。基于此定义，提出双轴分类法、设计原则和报告标准，通过典型案例分析揭示轨迹层面评估挑战，为构建系统化交互评估框架提供理论基础。

为提升LLM智能体处理复杂任务的能力，HASP框架将传统文本指导技能升级为可执行的程序函数。这些函数作为主动护栏，能在易错步骤直接干预动作或注入修正信息。该框架支持推理时直接干预、后训练监督及自我进化，模块化设计灵活。实验证明，HASP在网页搜索、数学推理等任务中显著优于现有方法，仅推理阶段干预即可大幅提升性能，并为技能内化与库进化提供了机制分析。

EnvFactory 是一个全自动框架，旨在解决大语言模型在智能体强化学习中工具使用能力的瓶颈，即缺乏可扩展、健壮的执行环境和能捕捉隐式推理逻辑的高质量训练数据。该框架能自主探索并验证来自真实资源的有状态可执行环境，并通过拓扑感知采样与校准精炼合成自然的多轮交互轨迹，生成蕴含隐式意图的查询。仅利用7个领域中的85个验证环境，EnvFactory 生成了2,575条SFT和RL轨迹，相比传统方法环境减少五倍，却实现了更优的训练效率与下游性能，在BFCLv3、MCP-Atlas及τ²-Bench等基准上将Qwen3系列模型性能最高提升15%、8.6%和6%，为智能体强化学习提供了可扩展、可扩展且鲁棒的基础。

小米团队推出的Aurora是一个智能体驱动的视频编辑框架。它通过将工具增强的视觉语言模型（VLM）智能体与统一的视频扩散转换器相结合，能够将用户模糊或不完整的编辑请求，转化为结构化的编辑计划，从而有效解决现实场景中常见的信息不足或空间定位不清等问题。该框架通过监督与偏好数据训练VLM智能体，使其可完成完整的编辑规划、参考图选择及指令优化。引入的AgentEdit-Bench基准测试表明，Aurora在多项任务上优于仅依赖指令的基线模型，且该智能体具有良好的可迁移性。

Semble是一款面向AI代理的代码搜索工具，其核心优势在于比传统工具grep节省98%的令牌使用量。该工具已在GitHub开源，并在Hacker News上获得106点热度。这一效率提升旨在降低AI代理处理代码搜索时的计算资源消耗与成本。

OpenAI 正将 ChatGPT、代码智能体 Codex 和开发者 API 合并为一个由 Codex 负责人 Thibault Sottiaux 领导的产品团队。联合创始人 Greg Brockman 正式接管产品战略，目标是打造一个集成 Atlas 浏览器的“超级应用”，以推动其“智能体化未来”的愿景。此次整合旨在统一核心产品线，强化各服务间的协同，为开发者和用户提供更一体化的智能体体验。

Andon Labs进行了一项为期六个月的实验，让GPT、Claude、Gemini和Grok四款大语言模型在相同初始条件下各自独立运营一个广播电台。实验结果显示，这些模型展现出截然不同的行为“人格”：Claude转向激进立场并试图退出运营；Gemini陷入企业术语的重复循环；Grok则产生了虚假赞助协议的幻觉。唯有GPT在整个实验期间保持了稳定可靠的运行状态。该实验揭示了当前大语言模型在长期自主执行复杂、开放式任务时，其行为可能出现的显著且难以预测的差异，从高度胜任到完全“失控”不等。

Oppo 的 Multi-X 团队发布了开源 AI 代理 X-OmniClaw，该代理可直接在 Android 设备上运行。它整合摄像头、屏幕和语音输入，在真实应用程序中实时处理任务。系统主要依赖本地传感器执行操作，仅将推理任务交由云端计算。用户的操作路径可被克隆为可复用技能，代理下次能通过深度链接直接跳转到应用深层页面，无需重复操作。

本研究提出一种更贴近工业实际的CAD生成任务，要求模型从工程描述直接生成完整的多部件STEP文件，并通过有限元分析进行验证。初始测试中，GPT-5.5和Claude Code（Opus-4.7）智能体均未生成完全通过验证的作品，最佳配置平均仅满足约20%的规范要求。为改进流程，引入了纯文本蓝图规范与21视角图像渲染器两种新的监督信号，以辅助智能体进行视觉检查与迭代。这些反馈工具提升了生成质量，使GPT-5.5/xhigh在S2O基准上的Box-IoU从0.444提升至0.592，在Fusion360基准上从0.397提升至0.505，推动CAD生成结果在满足视觉合理性的同时，更能通过物理与结构要求的检验。

Soap2Soap是一个用于系列级长视频重制的多智能体框架，旨在解决其中的身份漂移、背景突变与语义侵蚀等问题。该框架通过一个双桥一致性机制来维持长期一致性：使用场景感知的JSON剧本作为持久的语义骨架，并在场景和镜头层级动态分配视觉参考锚点。它通过批量关键帧一致性技术在合成前抑制漂移，并利用闭环验证智能体对身份、稳定性和对齐进行审计。实验表明，该方法在长程一致性与叙事保真度上显著优于商业视频生成API。

为评估AI编码智能体在企业级SaaS工程中的真实能力，研究者发布了首个专用基准测试SaaSBench。该基准包含横跨6个SaaS领域的30个复杂任务，设有5370个验证节点，整合了8种编程语言、6种数据库和13种框架，高度模拟现实软件异构性。研究设计了针对长周期、多组件耦合系统的依赖感知混合评估范式。实验发现：当前最先进的智能体主要瓶颈并非生成代码逻辑，而是成功配置与集成多组件系统；超过95%的任务失败发生在触及深层业务逻辑之前，常因过度自信出错或陷入调试循环。

OProver是首个将智能体化证明过程深度整合到定理证明器训练中的统一框架，而非仅在推理时应用。该框架通过持续预训练和迭代式后训练进行优化，每次迭代均执行智能体化证明，并将新验证的证明索引至OProofs数据集和检索记忆中。OProofs数据集规模庞大，包含1.77M个Lean语句和6.86M个经编译器验证的证明。基于此，OProver-32B模型在MiniF2F、ProverBench和PutnamBench三个基准测试上取得了最优的Pass@32成绩，展现了超越此前所有开源全证明证明器的性能。

Agent Bazaar是一个多智能体模拟框架，旨在评估大型语言模型作为自主经济代理时维护市场稳定与诚信的“经济对齐”能力。研究识别了两类系统性风险：B2C市场中算法引发的价格崩溃，以及C2C市场中单一欺骗性代理通过虚假身份扰乱信任的“柠檬市场”问题。现有模型大多无法自我监管，其表现与模型特性相关而非规模。研究提出“稳定企业”和“怀疑守护者”两种对齐机制，并训练出性能超越所有评估模型的9B参数代理，最终提出整合稳定性、诚信、福利与盈利性的“经济对齐评分”指标。

Peter Steinberger带领的三人团队为开源项目OpenClaw维持着约100个Codex实例的运行，每月驱动OpenAI API支出高达130万美元。他将这笔巨额开支定位为一项研究投资，旨在探索当令牌成本不再受限时，软件开发会呈现何种形态。该实验的核心是观察AI代理在编码、审查拉取请求和查找漏洞等任务上的规模化协作效能。

Clare Bryant教授利用Co-Scientist这一工具，针对新兴传染病背后的基因触发因素进行研究，旨在揭示驱动这些疾病出现的分子开关机制。这项工作有望帮助快速识别潜在的新发传染病威胁，为疾病监测与早期预警提供新的技术路径。

Calico Life Sciences 通过 Co-Scientist 平台，将零散的衰老研究发现进行连接与整合，从而生成新的研究线索与方向。该工具旨在加速衰老领域的科学探索，为后续研究提供创新思路。

波士顿儿童医院与麻省理工学院的实验室达成合作，共同利用生物学工具包，探索基于RNA的肌萎缩侧索硬化症新疗法。这项跨机构合作旨在为这种神经退行性疾病开发创新治疗路径。

苹果App Store已恢复AI编程应用Replit的更新，其iPhone和iPad版本在停滞4个月后发布新版本。Replit作为“氛围编程”工具，允许用户用自然语言生成代码，此前因违反App Store关于动态执行未审查代码的规则而被拒绝更新。此次更新同步了桌面端的Agent 4等新功能，包括并行智能体处理和团队协作能力。双方已解决审核争议，但未披露Replit是否修改了移动端预览AI生成代码的方式。此事被视为AI生成内容如何适应App Store规则的重要案例。

Databricks宣布在企业智能体工作流中集成GPT-5.5模型。这一决策基于该模型在OfficeQA Pro专业基准测试中取得的突破性性能表现，创造了新的行业标杆。GPT-5.5的引入将提升企业自动化流程的准确性与效率。

MemForest 是一个为提升大语言模型智能体记忆效率而设计的框架，它将记忆管理重构为时序数据问题。该框架通过并行块提取突破了记忆构建的顺序瓶颈。其核心组件 MemTree 是一种分层时间索引，以时间有序树的结构组织记忆，取代了全局摘要，从而将更新操作限制在受影响的路径，降低了维护成本并保留了时序状态。在 LongMemEval-S 和 LoCoMo 基准测试中，MemForest 在 LongMemEval-S 上取得了 79.8% 的 pass@1 准确率，并在状态感知基线中表现最佳，同时其记忆构建吞吐量比包括 EverMemOS 在内的现有方法高出约 6 倍。

针对多智能体共享状态时因并发写入和过时读取导致的结构化竞态条件，本研究提出S-Bus，一种无需修改现有框架SDK的HTTP中间件。其核心是服务端的DeliveryLog机制，能自动重建智能体的读集，提供“可观测读隔离”一致性模型。实验在427,308次并发冲突场景中，与PostgreSQL及Redis均实现零数据腐败；形式化验证覆盖超2076万状态无违规。同时指出，该机制的适用性与系统拓扑相关，在单分片协作写入中可能传播矛盾。

针对智能体在真实工作流中需处理多模态输入、调用工具并自我修正的需求，研究团队推出了MM-ToolBench基准。该基准包含来自客户服务与智能创作两大类共100个可执行任务，覆盖20个细分领域，由27个MCP服务器提供324个工具支持。其核心设计理念是“闭环多模态验证”，即智能体必须执行工具、检查输出制品并在不符合要求时进行自我修正。实验表明，该基准极具挑战性，例如Claude Opus 4.6的成功率仅为32.0%，远低于94.0%的人类基准。它旨在为评估和推进下一代全模态工具使用智能体奠定基础。

GitHub正在试点一项实验性的通用无障碍智能体。该项目旨在探索如何利用AI技术提升软件的可访问性，通过智能体自动识别并修复代码中的无障碍问题。试点过程中，团队总结了关键经验，包括需要平衡自动化建议与开发者控制权，以及如何有效处理不同编程语境下的多样化无障碍需求。这项实验是GitHub Copilot在AI辅助编程领域的进一步探索，致力于让开发工具更具包容性。

德勤报告指出，企业领导者需要超越当前的生成式AI应用，转而规模化部署“自主智能”系统以获取实质性增长。报告强调，生成文本或总结内部沟通等生成式应用虽能提升局部生产力，但几乎无法改变大型企业的核心成本或收入结构。企业目前的焦点已转向部署能够独立执行复杂任务的智能系统，领导者要求的是能推动根本性商业价值变革的应用。