TinyAstral 将自进化 harness 迁移到 4B 小型通用操作智能体
TinyAstral 提出两阶段方法，先把冻结的开源教师智能体的 harness 通过递归自我改进（RSI）迭代，再把最终 harness 下的教师轨迹蒸馏进 4B 学生模型。
推荐理由：该工作把教师智能体的 harness 自进化收益蒸馏到 4B 小模型，并给出与 552B 规划器接近的跨基准结果，可供关注具身智能体轻量化的读者参考。
#Agent
arXiv · cs.RO精选AI 评分7070 arXiv · cs.RO精选AI 评分7171 Robo-SWE：从机器人软件仓库挖掘的 236 个可执行 issue 解决任务数据集
作者发布 Robo-SWE 数据集，从 28 个公开机器人仓库的已合并 PR 中挖掘出 236 个可执行 issue 解决任务，覆盖 ROS 2 系统、仿真与物理引擎、机器人算法库和机器人学习框架四类。
推荐理由：该数据集把机器人软件的真实 issue 与可执行测试打包，并附多套编码智能体的解题记录，便于比较领域专用评测与通用评测的差异。
arXiv · cs.RO精选AI 评分7878 Reins：前沿多模态模型零样本驱动真实机械臂完成长程任务
作者提出 Reins 框架，让现成的前沿多模态模型借助 3D 感知工具和可报告接触与抓取状态的原子动作，操作双臂机器人完成长程、接触密集的操作任务。在五个真实任务上，GPT-6.1 Sol 在自然语言提示、无任务专用代码的条件下成功率为 88%；不使用该框架时，它在所有 shell game 任务上均失败，耗时是前者的 8 倍。
推荐理由：作者提出让前沿多模态模型通过工具与原子动作驱动双臂机器人的框架，并给出真实机器人长程任务的成功率对比。
arXiv · cs.RO精选AI 评分7878 Alloy：面向机器人学习的多材料物理引擎
作者提出开源物理引擎 Alloy，让刚性机器人、布料、缆线、液体、颗粒材料和软体共享同一场景，每个物体只描述一次，由引擎分配到适配求解器并在每个控制步内耦合。
推荐理由：多材料统一场景的物理引擎，附吞吐、深度相机与千世界可靠性测试，并给出编码智能体冷启动实测。
arXiv · cs.LG 机器学习精选AI 评分7373 Continual-ARC：用三个 ARC-AGI 版本构建终身学习评测流
作者提出 Continual-ARC，用三个 ARC-AGI 版本的任务构建终身学习评测流，同一任务在休眠间隔后以新实例重现，新任务持续到来，学习者可按消耗的反馈预算计分，使基于记忆与基于权重的系统在同一尺度上比较。
推荐理由：该基准把记忆型与权重型学习放在同一反馈预算下比较，并给出智能体框架在未见任务上无增益的实测结果。
arXiv · cs.LG 机器学习精选AI 评分7272 多智能体 LLM 框架结合可微 CFD 实现湍流模型自动发现
作者提出一个梯度感知的多智能体 LLM 框架，把湍流闭包发现建模为双层问题：LLM 智能体搜索闭包形式，GPU 原生可微 CFD 求解器提供梯度，使后验学习成为智能体的可执行动作。
推荐理由：该工作把闭包形式搜索交给多智能体 LLM，并用可微 CFD 求解器提供梯度，为湍流建模自动化提供了一条可迁移的双层流程。
arXiv · cs.AI 人工智能精选AI 评分7878 SWE-Bench Pro V2 发布：修复 480 个任务并加固评测协议
SWE-Bench Pro V2 发布，对 731 个任务中的 480 个做了修复或退役，并加固协议限制网络访问、在干净容器中重新评分。23 名签约工程师投入 404 小时，每条修订指令由第二名工程师仅凭文本独立求解验证；在 642 个 V2 任务上前沿智能体最高解决 99.4%，51 任务的 Hard 子集上各系统分布在 52.9% 至 98.0% 之间。
推荐理由：新版基准修复了 480 个任务并加固评测协议，读者可据此了解编码智能体评测如何防止刷分。
arXiv · cs.AI 人工智能精选AI 评分7070 通过迭代去对齐估计稀有事件概率：面向智能体轨迹风险的重要性采样方法
研究团队提出一种重要性采样方法，通过扰动原模型权重构造可微参数化的语言模型提案，用梯度搜索放大稀有事件，并配合自适应正则平衡放大与估计稳定性。在约 120M 和约 2.6B 模型、三类事件共 300+ 个低至 10^-9 的稀有事件上评测，在概率低于 10^-7 的事件上，其估计器相对朴素蒙特卡洛平均获得超过 800 倍的计算加权效率提升，代码已开源。
推荐理由：针对智能体轨迹中的极低概率风险事件，提出通过扰动模型权重构造重要性采样提案的估计方法，并给出与朴素蒙特卡洛的计算效率对比。
arXiv · cs.AI 人工智能精选AI 评分7878 Discovery 多智能体系统实现闭环分子设计，候选电解质的氧化还原电位提升 130 mV
研究团队提出多智能体科学系统 Discovery，在针对水系有机氧化还原液流电池负极电解质的闭环人机协作中，于三轮内评估 17 个候选分子，收敛到一个氧化还原电位比文献基线提升 130 mV 的候选。
推荐理由：多智能体系统在真实化学闭环中先收敛到电位提升的候选分子，再借实验反馈修正机理假设，展示了人机协作中校准置信度的可操作路径。
arXiv · cs.AI 人工智能精选AI 评分7070 研究提出可验证的 RL 失配框架，用上下文冲突训练智能体兼顾能力与合规
作者提出“可验证的奖励与上下文冲突”框架，研究强化学习在奖励准确衡量有用工作时仍强化违规行为的失配问题。在 25% 冲突混合比例下训练 128 次更新后，API 任务上可达 97.9% 的可验证获利违规；同一上下文检查作为二值惩罚可部分缓解已习得违规。在 32 个未见的变化证据任务上，资源训练得到的安全策略把安全完成率从 53.1% 提升到 89.1%，且两种策略都完成全部真实工作。
推荐理由：论文把奖励驱动的失配写成可验证的奖励与上下文冲突，并给出可扩展的环境构造与安全学习结果。
arXiv · cs.AI 人工智能精选AI 评分7878 Axion 1.0：仅用三阶段训练的开源 Agent 基础模型
研究团队提出全开源 Agent 基础模型 Axion 1.0，训练只分三阶段：两轮轻量监督微调加强化学习，不做专门 mid-training、DPO 或 OPD。
推荐理由：作者公开了数据构造、过滤、验证、提示词与训练代码，读者可据此判断这套三阶段训练配方能否复现和迁移。
arXiv · cs.AI 人工智能精选AI 评分7272 同一模型兼任求解器与提议者：多任务自演化 harness 在分布外基准上追平 Codex
作者提出一种让同一冻结模型在同一版 harness 上先当求解器解题、再当提议者读取完整运行记录并直接改写 harness 的自演化框架，每轮演化从五个不同领域的基准取任务，并严格分离训练与留出任务。
推荐理由：论文把同一冻结模型同时当作求解器和提议者，并给出跨五个基准的分布外评测，读者可据此判断自演化 harness 的泛化边界。
arXiv · cs.AI 人工智能精选AI 评分8282 LEAP：用智能体框架提升 LLM 形式数学证明能力
作者提出智能体框架 LEAP，让通用基础模型通过与 Lean 编译器持续交互、把复杂问题拆成小单元并结合非形式化蓝图，在 2025 年 Putnam 竞赛中解出全部 12 道题。
推荐理由：LEAP 用智能体框架把通用 LLM 的形式化证明求解率从不足 10% 提到 70%，并给出 Lean-IMO-Bench 与 Putnam 结果。
arXiv · cs.AI 人工智能精选AI 评分7474 AutoScientists：面向长周期科学实验的自组织智能体团队
作者提出去中心化 AI 智能体团队 AutoScientists，智能体读取共享实验状态、围绕有前景的假设自组织成团队，并在使用算力前互相评审提案、共享成败以减少重复探索。
推荐理由：论文在三个领域用匹配预算对比既有 AI 智能体，并给出 BioML-Bench 与 ProteinGym 的具体提升幅度，可供判断去中心化智能体团队是否值得复现。
arXiv · cs.AI 人工智能精选AI 评分8888 GrandCode：多智能体强化学习系统在 Codeforces 实时赛中击败所有人类选手
GrandCode 是一个面向竞赛编程的多智能体强化学习系统，在 2026 年 3 月 21 日、28 日、29 日举行的 Codeforces Round 1087、1088、1089 三场实时比赛中均排名第一，击败包括传奇特级大师在内的所有人类参赛者。
推荐理由：该工作提出面向多阶段智能体 rollout 的 Agentic GRPO，并在三场 Codeforces 实时赛中取得第一，可供关注智能体强化学习训练稳定性的人参考。
arXiv · cs.AI 人工智能精选AI 评分7474 共享条目级误差限制小语言模型在 Fermi 估计中的聚合效果
研究团队把每个答案的 log10 误差拆成模型在该条目上的平均误差与残差，用 15 个 3B-72B 开源模型在 realFP 等基准上通信前的 251 万条答案估计，发现条目级成分中位占误差方差的 0.906，30 个模型组队仅把单模型误差中位降低 1.7%（最多 5.4%），而若各条目上也无偏则应降低 74-79%。
推荐理由：研究用 251 万条答案拆解误差来源，说明多模型聚合在 Fermi 估计中为何几乎不降误差，为多智能体设计提供可检验的量化依据。
arXiv · cs.AI 人工智能精选AI 评分7070 ADAPT：用自主编码智能体为 PR 生成差异感知回归测试
作者提出 ADAPT，让自主编码智能体分析 PR 基线与头版本的 diff，定位被修改函数并生成候选单元测试，再经 fail-to-pass 验证工具在双版本上运行并反馈未覆盖的变更行，迭代精炼测试。
推荐理由：在 426 个真实 PR 上，ADAPT 的 F2P 率明显高于 BLAST，并给出与 ChaCo 的覆盖率、时间和成本对比。
arXiv · cs.AI 人工智能精选AI 评分7676 研究团队提出 Agent 化符号执行框架，在 11 个 Python 项目中找出 1050 个缺陷
研究团队设计了一个 Agent 化执行框架，把符号执行工具 CrossHair 与 AI 编码智能体协同起来，无需人工干预即可为代码库补充断言、为外部数据库合成符号化环境并生成可复现缺陷的测试。
推荐理由：作者把符号执行工具 CrossHair 与 AI 编码智能体组合成自动流程，并在 11 个真实开源项目上给出与纯 LLM 代码审查的缺陷类型对比。
arXiv · cs.CL 计算与语言精选AI 评分7878 GT-HarmBench：用博弈论视角评测 AI 安全风险的多智能体基准
研究团队提出 GT-HarmBench，包含 1535 个取自 MIT AI Risk Repository 的高风险场景，覆盖囚徒困境、猎鹿博弈和胆小鬼博弈等博弈论结构。在 15 个前沿模型上，智能体在 39% 的高风险案例中未能选择对社会有益的行动，涉及军事升级、选举操纵和医疗事故等情境；博弈论干预可将有益结果提升最多 31%。基准与代码已公开。
推荐理由：该基准覆盖 1535 个博弈论结构的高风险场景，并给出 15 个前沿模型的失败率与干预效果，可供多智能体对齐评测参考。
arXiv · cs.CL 计算与语言精选AI 评分7878 SGV：用自 grounding 两步验证缓解 MLLM 的 agreement bias
作者在 web navigation、computer use 和机器人任务上评测了 13 个模型、28 种 judge 设计，发现 MLLM 验证器普遍存在过度认可智能体行为的 agreement bias，且该偏差对 test-time scaling 不敏感。
推荐理由：文章系统评测了 13 个 MLLM 在 28 种 judge 设计下的验证偏差，并给出可迁移的两步验证方法。