1
LingBot-World 2.0：可无限互动、带 60 帧实时版的游戏世界模型
这个 2.0 版本把游戏世界模型的互动时长拉到无限而不掉质量，靠的是精心设计的因果预训练范式；蒸馏出的实时版足以驱动 720p、60 帧的视频流；动作种类也大幅扩展，新增攻击、射箭、施法、射击等，并有更丰富的文本驱动交互元素。
- 87 星/7日
- 17 引用
- 47 点赞
AI Agent 论文精选 · 2026-W38
2
FreeToken：把个人电脑当成弹性推理平台，本地跑大型 MoE 模型
开源大模型越来越重，但本地推理还按“把数据中心的办法缩小”的思路做。FreeToken 围绕本地 AI 的两个现实（智能体负载持续变化、每台机器的资源配比不同），联合设计模型加载、专家驻留、CPU-GPU 协同执行与内存管理，带宽允许时让个人机器也能流畅服务大 MoE 模型。
- 627 星/7日
- 2 引用
- 109 点赞
3
Prime Agent：带常驻 REPL 和跨任务记忆的开源长程智能体框架
Prime Agent 是一个开源的长程智能体框架：常驻 IPython 会话让模型用代码做测试时计算，历史、记忆、技能和子智能体配置可以跨任务保留，递归子智能体之间直接通信协作，人类还能随时查看和管理后台会话。
- 482 星/7日
- 2 引用
- 52 点赞
- #1 longbench-v2
4
Apodex 1.1：靠环境扩展与多智能体协同，把“能干活”训成模型能力
这篇报告把“持续、可验证地推进真实工作”作为训练目标：一方面扩大可执行文件、搜索、代码环境的多样性与可验证性（环境扩展），另一方面训练智能体拆解长任务、并行委派、整合异步结果并随时重规划（协同扩展）。
- 1,433 星/7日
- 0 引用
- 207 点赞
5
Dream-RSI：让编程智能体在回放模拟器里离线自我改进探索策略的框架
Dream-RSI 是一个让编程智能体自己改进“怎么探索”的框架：它把智能体过去的发现历程拼成一个回放模拟器，让探索策略在模拟器里低成本地演练迭代，再把练好的策略放回线上继续发现新解，形成递归自改进闭环。论文称在算法工程、数学优化和 GPU 内核三类任务上，它在保持或提升发现质量的同时，显著降低了部分场景下的发现成本。
- 900 星/7日
- 0 引用
- 270 点赞
6
ABot-World-0：单张台式机显卡实时流式运行的动作条件世界模型
ABot-World-0 是动作条件视频世界模型，用 3A 游戏、仿真引擎和互联网视频的多源数据训练，直接以原始键盘输入操控，并用参考角色记忆保证第三人称滚动的身份一致。作者称单张 RTX 5090 即可流式输出 720p、最高 16 FPS 的交互画面，动作到首帧延迟约 1.2 秒，目标是真正能玩的长程闭环交互。
- 16 星/7日
- 6 引用
- 313 点赞
7
LongHorizon-Harness：把长任务状态移出上下文窗口、只认环境验证过的事实
长程智能体常在膨胀的上下文里丢状态，还把错误的自我评估带进后续决策。该框架把任务状态显式维护在执行之外，只用环境里能独立核实的事实更新状态，配合 Manage-Execute-Audit 循环，让经理、执行、审计三角色互相制衡。
- 105 星/7日
- 2 引用
- 184 点赞
- #1 weavebench
8
Atria Dawn：用可验证经验训练、面向科研工作流的智能体基础模型
Atria Dawn 是一个面向科研与工程工作流的智能体基础模型。它的训练管线把工具调用挂到可执行环境和可外部核验的结果上，让模型的经验来自真实任务的验证反馈；论文还结合 56 名研究者使用过程中的 769 条任务记录，分析了人机协作中人和智能体各自的分工。
- 509 星/7日
- 0 引用
- 421 点赞
9
OSWorld 2.0：108 个长程真实电脑操作任务，最强智能体也只完成两成
OSWorld 2.0 是 xlang-ai 团队推出的电脑操作智能体基准，用 108 个基于真实文件、带用户状态的长程工作流任务取代此前的短脚本任务，人类完成一道题的中位数约 1.6 小时。结果相当扎心：表现最好的 Claude Opus 4.8 也只能完成 20.6% 的任务，常常在跟踪约束和结果验证上掉链子。
- 20 星/7日
- 15 引用
- 25 点赞
10
LLM-as-a-Verifier：不问裁判式打分，直接从打分 token 读出连续验证分数
LLM-as-a-Verifier 让 LLM 当验证器：不再问模型“打分还是不打分”，而是直接从打分 token 的 logits 里算期望，得到免训练的连续反馈信号。作者称在 Terminal-Bench V2、SWE-Bench Verified 等智能体基准上取得当前最好成绩，还做成了 Claude Code 扩展，用于监控智能体并为强化学习提供稠密奖励。
- 33 星/7日
- 11 引用
- 19 点赞
11
ZGCM-1：完全开源的 7B 模型，把长推理与工具调用结合用于数学和智能体搜索
ZGCM-1 是一个完全开源的 7B 稠密基础模型，主攻数学推理和智能体搜索。它的核心思路是：小模型背不下整个网络，就把长时间的内部推理和主动调用外部工具结合起来——架构上采用门控滑窗与全注意力交错，训练上配合 FP8 Muon 优化器和从 16K 逐步扩到 256K 的课程式训练。论文称已分阶段放出权重、训练代码、各阶段数据配方和 W&B 日志。
- 475 星/7日
- 0 引用
- 300 点赞
12
智能体自我改进综述：基础模型加脚手架，怎样把经验变成能力积累
这篇综述把自我改进的智能体拆成“基础模型 + 提示词、记忆、工具、控制逻辑组成的运行脚手架”，并把“改进”定义为一个自我触发的更新算子：把经验转化为能力积累，尽量少依赖人工。作者按更新对象和驱动信号梳理了大量工作，从改提示词、改记忆一直到权重级的自我修改。
- 21 星/7日
- 9 引用
- 35 点赞
13
SoL-Pi：让自动化研究循环自我演化，把编程智能体的外壳做得更省 token
SoL-Pi 把递归自我改进用在智能体的运行外壳上而不是模型本身：一个自动化研究循环在多样环境里自行演化出动作执行、上下文压缩、观察处理和委托阅读四类可复用机制。作者在 51 题的 EdgeBench 基准上报告，它在与 Pi 相当的性能下把记录的 token 流量减少 44.7%-49.0%,API 成本约降三分之一。
- 975 星/7日
- 0 引用
- 66 点赞
14
LHTB：把终端智能体的长任务拆成步骤打分，而不是只看最终结果
Long-Horizon-Terminal-Bench 用 46 个跨九个领域的多步骤终端任务考验智能体，从复现实验到科学计算都有覆盖。每个任务被拆成细粒度子任务，按中间进展给部分分数，而不是非对即错；作者报告前沿模型能完整跑通的比例仍然很低。
- 14 星/7日
- 8 引用
- 78 点赞
15
WeMM-Embedding：微信团队的通用多模态向量模型，支持混排输入和可调维度
这是微信团队发布的通用多模态向量模型系列：2B/4B/9B 三个规格，支持文本、图像、视频、视觉文档及任意交错的多模态输入，输出维度可调，训练分两阶段，面向检索、推荐、分类和智能体等场景。
- 117 星/7日
- 1 引用
- 70 点赞
- #1 coco-captions-image-to-text