多模态模型 · Spatial reasoning vs MLLMs vs visual agents
多模态大模型空间推理对比：改交互、改视角，还是改预训练？
三路攻 MLLM 空间推理：SpatialClaw 工作区 20 榜均分 59.9,ReRe 合成新视角 2B 模型 VSI-Bench +8.5，视频模型带着 VLM 缺的几何。
主题
AI 智能体
由大模型驱动、能规划、行动、调用工具并携带技能的系统。
对比与解读
强化学习 · Agentic RL vs APPO vs LongTraceRL vs SDAR vs SCOPE
APPO、SDAR、SCOPE、LongTraceRL 方法对比
GRPO 给多轮智能体一回合一个标量奖励,四篇论文分别在分支、数据与奖励、蒸馏、自我博弈四层修信用分配,这是各自的数字。
强化学习 · Self-distillation in RLVR vs Privileged-context teachers vs Dense token-level rewards
SDPG vs SDAR vs AntiSD:特权教师信号该怎么花
RLVR 一轨迹一比特。SDPG 在判对轨迹上照搬提示教师,SDAR 逐 token 门控照搬,AntiSD 奖励分歧而非照搬:同一特权教师信号的三种花法。
AI 智能体 · SkillOpt vs Ctx2Skill vs OpenSkill vs LatentSkill vs SkillAdaptor vs SkillsVote
智能体技能自学六法对比：SkillOpt 与 Ctx2Skill 怎么选
六篇 2026 年论文让智能体不重训就学会新技能：SkillOpt 把技能文档训出 +23.5 分，Ctx2Skill 自博弈挖技能，OpenSkill 零监督自学，附真实数字与选型。
AI 智能体 · RHO vs Harness-1
RHO 和 Harness-1 的对比:让 harness 干活的两种路线
RHO 事后从无标注轨迹调优 harness;Harness-1 事前设计 harness 让 RL 只学语义判断。同一前提,两个问题,全部用论文原始数字。
代码生成 · SWE-Explore vs DeNovoSWE vs Claw-SWE-Bench
SWE-Explore、DeNovoSWE、Claw-SWE-Bench 对比
三篇 2026 年论文拆开代码智能体的得分来源：探索定位卡在 0.15-0.20 行级召回，4818 个任务把 30B 模型提升 8 倍，光换 harness 就摆动 27.4 分。
智能体记忆 · MemGPT vs MRAgent vs δ-mem vs EvoMem
智能体记忆架构对比:外部换页、图重建、参数化旁路与更新补丁
MemGPT 像操作系统一样换页,MRAgent 边推理边重建记忆图,δ-mem 把历史压进 8×8 参数状态,EvoMem 记录事实如何被改写:四种架构,四个「记忆放在哪」的答案。
AI 智能体把大模型套进规划、工具调用、记忆与行动的循环里,让只能一问一答的模型变成能跨多步追求目标的系统。真正重要的研究,不在于某个具体模型,而在于智能体如何推理、调用工具、从错误中恢复,并在任务之间携带可复用的技能。
这个主题记录了从巧妙提示到持久基础设施的转变:ReAct 把推理与行动交织,Toolformer 教模型调用 API,而 COLLEAGUE.SKILL 这类技能打包系统把专长变成可移植、可纠正的产物。真正的难题在可靠性、评测、安全边界,以及如何大规模地编写和维护技能。
奠基论文
MemGPT:把大模型上下文窗口当操作系统来管
MemGPT 借来操作系统的虚拟内存:让大模型用函数调用给自己的上下文分页换入换出,深度记忆检索在 GPT-4 上做到 93.4%,而递归摘要只有 35.3%。
长上下文 · University of Illinois Urbana-Champaign
从上下文到技能:Ctx2Skill 让大模型自进化学技能
Ctx2Skill 用多智能体自博弈,无需人工标注或外部奖励,从长上下文中挖出自然语言技能,把 GPT-4.1 从 11.1% 提到 16.5%。
AI 智能体 · University of Illinois Urbana-Champaign
Eywa:让大模型智能体调用科学基础模型
Eywa 让大模型智能体把时序、表格交给 Chronos、TabPFN 等专用模型,而非塞进文本。EywaBench 上效用从 0.6154 提到 0.6558,省约 30% token。
AI 智能体 · University of Waterloo
直接语料交互 DCI:让智能体用 grep 取代检索器
DCI 让搜索智能体直接 grep 原始语料,不再调用检索器。BrowseComp-Plus 准确率从 69.0% 升到 80.0%,成本降 29.4%。
近期解读
Kimi K3 论文解读:Delta 注意力、注意力残差与 896 个专家
Kimi K3 是 2.8T 参数、104B 激活的 MoE,由 3:1 的 KDA 与门控 MLA、注意力残差和 896 专家 LatentMoE 构成,缩放效率为 K2 的 2.5 倍。
Nemotron 3 Ultra 解读:NVFP4 训出的 Mamba 混合 MoE
英伟达 550B 总参数、55B 激活的 Mamba 注意力混合 MoE,NVFP4 下 20T token 预训练;以少几分精度换最高 5.9 倍解码吞吐。
多模态模型 · Shanghai AI Laboratory
InternVideo3:8B 视频模型加一圈智能体推理
InternVideo3 是 8B 视频模型,单次前向在 Video-MME 拿 73.8,套一圈智能体推理再加 2.7。M2LA 让单张 H200 跑到 768K token。
Playful Agentic Robot Learning:RATs 先玩再干活
RATs 让机器人在收到指令前先自己玩:agent 团队自提目标、写代码当策略、把成功经验存成可复用技能库,LIBERO-PRO 成功率从 23.2% 升到 43.8%。
代码生成 · Renmin University of China
DeNovoSWE:4818 个自动构建的仓库,训练整仓代码智能体
DeNovoSWE 自动构建 4818 个可验证的整仓生成任务。用它微调 Qwen3-30B-A3B,BeyondSWE-Doc2Repo 通过率从 0.058 升到 0.472。
AI 智能体 · The Chinese University of Hong Kong
Orchestra-o1:全模态智能体编排详解
Orchestra-o1 把文本、图像、音频、视频拆给子智能体并行跑,GPT-5 当大脑在 OmniGAIA 拿 72.8%,训练的 8B 编排器拿 30.0%,居开源全模态智能体首位。
Kimi K3 论文解读:Delta 注意力、注意力残差与 896 个专家
Kimi K3 是 2.8T 参数、104B 激活的 MoE,由 3:1 的 KDA 与门控 MLA、注意力残差和 896 专家 LatentMoE 构成,缩放效率为 K2 的 2.5 倍。
Nemotron 3 Ultra 解读:NVFP4 训出的 Mamba 混合 MoE
英伟达 550B 总参数、55B 激活的 Mamba 注意力混合 MoE,NVFP4 下 20T token 预训练;以少几分精度换最高 5.9 倍解码吞吐。
多模态模型 · Shanghai AI Laboratory
InternVideo3:8B 视频模型加一圈智能体推理
InternVideo3 是 8B 视频模型,单次前向在 Video-MME 拿 73.8,套一圈智能体推理再加 2.7。M2LA 让单张 H200 跑到 768K token。
Playful Agentic Robot Learning:RATs 先玩再干活
RATs 让机器人在收到指令前先自己玩:agent 团队自提目标、写代码当策略、把成功经验存成可复用技能库,LIBERO-PRO 成功率从 23.2% 升到 43.8%。
代码生成 · Renmin University of China
DeNovoSWE:4818 个自动构建的仓库,训练整仓代码智能体
DeNovoSWE 自动构建 4818 个可验证的整仓生成任务。用它微调 Qwen3-30B-A3B,BeyondSWE-Doc2Repo 通过率从 0.058 升到 0.472。
AI 智能体 · The Chinese University of Hong Kong
Orchestra-o1:全模态智能体编排详解
Orchestra-o1 把文本、图像、音频、视频拆给子智能体并行跑,GPT-5 当大脑在 OmniGAIA 拿 72.8%,训练的 8B 编排器拿 30.0%,居开源全模态智能体首位。
从聊天机器人到数字同事:持续自主 AI 综述
腾讯优图等机构的综述,用两条轴线梳理从聊天机器人到持续智能体的演进:认知核心(聊天机器人到思考型 LLM)与任务执行(智能体到工作区加技能),主张持续状态才是关键跃迁。
AI 智能体 · City University of Hong Kong
RHO:用自偏好做回溯式 harness 优化
RHO 只用过去的无标注轨迹优化 LLM 智能体的 harness,靠自验证、自一致和成对自偏好,一轮就把 SWE-Bench Pro 通过率从 59% 提到 78%,不用任何外部评分。
SearchSwarm:深度研究的委派智能详解
SearchSwarm 在 Tongyi DeepResearch-30B-A3B 上微调 harness 委派轨迹,把 BrowseComp 从 43.4 拉到 68.1,居同规模榜首。
LLM 智能体环境工程综述：八属性八领域
中科院自动化所综述把 LLM 智能体的交互环境按八条属性轴和八个领域归类，再串起建模、合成、评测、协同进化整条流水线。最锋利的判断：现有环境几乎都撑不起多智能体场景。
APPO:智能体过程化策略优化详解
APPO 把 RL 分叉点放在高不确定且高影响的 token 上,而非工具调用边界,在 13 个基准上让 Qwen2.5-7B 比 ARPO 高 3.9 分。
智能体记忆 · National University of Singapore
MRAgent:重建式图记忆,而非检索
MRAgent 给 LLM 智能体一张图记忆,让模型边推理边遍历,LoCoMo 的 LLM-Judge 从 68.3 升到 84.2,每样本只花 118k token。
AI 智能体 · University of Science and Technology of China
Role-Agent:一个 LLM 同时当智能体和环境
Role-Agent 让单个 LLM 既当智能体又当环境,自产过程奖励和课程。Qwen2.5-1.5B 上 ALFWorld 比 GiGPO 高 4.2%,WebShop 高 6.9%。
EurekAgent:科研智能体的环境工程
EurekAgent 认为瓶颈在环境设计,报告 26-circle packing 2.635999、TriMul 2005.03 微秒、MLE-Bench medal 85.71%。
AI 智能体 · Renmin University of China
FORT-Searcher:训练不抄近路的搜索智能体
FORT-Searcher 用抗捷径任务训练 3B active 搜索智能体,同规模开源总体 66.2;FORT 数据把答案命中时间从 18.7 推迟到 46.9。
WeaveBench:混合界面智能体仍很弱
WeaveBench 用 114 个真实 GUI+CLI 长任务测试电脑智能体,最佳组合只有 41.2% 通过率,只看最终产物会把 GPT-5.5 高估 20.2 个点。
智能体记忆 · National University of Singapore
EvoArena:智能体记忆必须追踪环境变化
EvoArena 把静态智能体任务改造成演化链,当前智能体平均准确率只有 39.6%;EvoMem 用 patch memory 将链级准确率提高 3.7 点。
From AGI to ASI:DeepMind的超智能路径图
Google DeepMind 报告梳理 AGI 到 ASI 的四条非互斥路径,并把数据墙、资源约束、监管等瓶颈视为开放研究问题。
SpatialClaw:空间智能体为何需要Python工作区
SpatialClaw 用持久 Python kernel 替代僵硬工具调用,在 20 个空间推理基准上达到 59.9% 平均准确率,比近期 spatial agent 高 11.2 点。
AI 智能体 · Renmin University of China
Arbor:用假设树管理自主科研
Arbor 用持久假设树管理科研尝试,6 个 AO 任务 held-out 结果全胜,MLE-Bench Lite Any Medal 达 86.36%。
AI 智能体 · TokenRhythm Technologies
Claw-SWE-Bench:编码智能体不能只看模型
Claw-SWE-Bench 用 350 个 issue 测 coding-agent harness,完整 adapter 让 OpenClaw Pass@1 升至 73.4%。
AI 智能体 · Independent Researcher
AdaPlanBench:测试智能体自适应规划
AdaPlanBench:测试智能体自适应规划把约束下的自适应规划变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
Agents' Last Exam:AI智能体终极考试
ALE 用 1490 个专家构建的专业任务测试智能体,覆盖 55 个数字行业,最难档平均完整通过率只有 2.6%。
AI 智能体 · Independent Researcher
ArcANE:角色扮演智能体何时出戏
ArcANE:角色扮演智能体何时出戏把角色扮演语言智能体可靠性变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
CoVEBench:视频编辑能否听懂复杂指令
CoVEBench:视频编辑能否听懂复杂指令把视频编辑复杂指令遵循变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
DRIFT:精准定位深度研究 Agent 错在哪一步
TELBench 让模型在十余步的研究轨迹里找出坏掉的那一段。DRIFT 用主张对证据的审计法,把 span 级宏 F1 推到 54.91%,比直接喂原始轨迹最高高出 30 个百分点。
AI 智能体 · University of Illinois Urbana-Champaign
Harness-1：把搜索智能体的记账活儿搬出策略
Harness-1 是个 20B 的 RL 搜索智能体，把工作记忆交给环境维护，平均策展召回 0.730，比最强开源子智能体高 11.4 分。
AI 智能体 · Independent Researcher
K-BrowseComp:韩语网页智能体基准
K-BrowseComp:韩语网页智能体基准把韩语语境网页浏览智能体变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
AI 智能体 · Shanghai Jiao Tong University
LatentSkill：把智能体技能烧进 LoRA 权重，而非塞进提示词
超网络一次前向就把文本技能编译成 LoRA。ALFWorld 成功率涨 21.4 分，prefill token 省 64.1%。
AI 智能体 · Independent Researcher
搜索智能体何时该屏蔽旧观察论文详细解读
搜索智能体何时该屏蔽旧观察把搜索智能体上下文管理变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
OpenSkill:无监督下的自进化 LLM 智能体
OpenSkill 让智能体从开放网络自建技能与验证器,SkillsBench 上达 43.6%(+8.9),全程不碰目标任务答案。
AI 智能体 · Shanghai AI Laboratory
ResearchClawBench:自主科研智能体基准
ResearchClawBench:自主科研智能体基准把端到端自主科研智能体变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
CHERRL:把 Rubric RL 的奖励黑客变成可复现实验
CHERRL 主动给裁判注入四类已知偏见,让奖励黑客稳定复现;只读训练日志的检测 agent 把六次实验的起点定位区间误差合计压到 11 步,零漏检。
SAAS:教搜索智能体何时该停手
SAAS 用自我感知强化学习,把 Qwen2.5-7B 搜索智能体的平均检索次数从 2.19 降到 0.97,准确率仍贴近最优基线(48.7% vs 49.8%)。
强化学习 · University of Edinburgh
SCOPE：让大模型在开放任务上自博弈进化
SCOPE 让出题的 Challenger 与检索作答的 Solver 互相进化，靠一份冻结的自评委打分，八个开放基准最高提升 +10.4 分，且不用任何人工标注的提示。
SkillAdaptor:让 LLM 智能体自己改写技能库
SkillAdaptor 不动模型权重,只从失败轨迹里改写技能库,WebShop 分数 +2.3、PinchBench +1.5,提升真实但有限。
AI 智能体 · Independent Researcher
SoCRATES:主动式 LLM 调解评测
SoCRATES:主动式 LLM 调解评测把主动调解智能体变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
AI 智能体 · Independent Researcher
SpatialWorld:交互式空间推理智能体
SpatialWorld:交互式空间推理智能体把交互式空间推理变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
StreamMA：多智能体推理里，边写边传比等完再传更聪明
StreamMA 让智能体生成一步推理就立刻流式传给下游，而不是等整条链写完。8 个基准平均涨 7.3 个百分点（HMMT 2026 最高 +22.4），并行场景最快提速 26.9 倍。
AI 智能体 · Shanghai Jiao Tong University
SWE-Explore：编程智能体真能找对代码吗
SWE-Explore 单独考核代码探索：848 个 issue 上智能体远超 BM25（HitFile 0.65 对 0.08），但行级召回卡在 0.15-0.20，这才是真瓶颈。
AI 智能体 · Independent Researcher
TASTE:从工具序列生成智能体难题
TASTE:从工具序列生成智能体难题把工具调用基准生成变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
AI 智能体 · Independent Researcher
TIDE:模板引导的主动发现问题
TIDE:模板引导的主动发现问题把主动式问题发现变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
AI 智能体 · Independent Researcher
ToolMaze:工具失败后的智能体重规划
ToolMaze:工具失败后的智能体重规划把工具失败后的动态重规划变成可检查任务,帮助读者判断系统在哪里失效、结果应如何解读。
多模态模型 · The Chinese University of Hong Kong
X-Stream：多路视频流为何让 MLLM 只拿 50 分
X-Stream 是首个多路并发视频流理解基准。最强的 Gemini 3 Pro 仅 49.6%，人类却有 91.84%，主动反应能力更跌破 21%。
MemGPT:把大模型上下文窗口当操作系统来管
MemGPT 借来操作系统的虚拟内存:让大模型用函数调用给自己的上下文分页换入换出,深度记忆检索在 GPT-4 上做到 93.4%,而递归摘要只有 35.3%。
AI 智能体 · Shanghai AI Laboratory
AgentDoG 1.5:轻量可扩展的 AI 智能体安全护栏
AgentDoG 1.5 仅用约 1k 样本训练 0.8B-8B 智能体安全护栏,4B 版在 R-Judge 上拿到 92.2% 准确率,逼近 GPT-5.4,部署开销砍掉两个数量级。
AI 智能体 · Shanghai Jiao Tong University
ARIS:用跨模型对抗多智能体做自主科研
ARIS 是开源自主科研框架,让 Claude 系执行者搭配 GPT 系审稿者互相攻击,专治「看似成功实则无依据」,含 65+ 技能与三阶段证据审计。
AutoResearchClaw:跑赢 AI Scientist v2 的科研智能体
AutoResearchClaw 用 23 阶段多智能体管线自主做研究,ARC-Bench 上 0.648 远超 AI Scientist v2 的 0.419,但只有人在环时质量才达标。
AI 智能体 · Shanghai AI Laboratory
Pi-Bench:AI 助手能猜到你没说出口的需求吗
Pi-Bench 不只看完成度,更测「主动性」。100 个长程任务里最强的 GPT-5.4 主动性也只有 67.0%,抽走历史会话后骤降 9.5 个百分点。
AI 智能体 · University of Waterloo
直接语料交互 DCI:让智能体用 grep 取代检索器
DCI 让搜索智能体直接 grep 原始语料,不再调用检索器。BrowseComp-Plus 准确率从 69.0% 升到 80.0%,成本降 29.4%。
AI 智能体 · University of Illinois Urbana-Champaign
Code as Agent Harness:把代码重新定义为 AI 智能体的运行时
这篇综述提出:代码不是智能体生成的产物,而是它运行其上的可执行底座,并用「接口、机制、多智能体扩展」三层把 40 多个系统串成一张图,末尾列出七个开放问题。
AI 智能体 · Shanghai AI Laboratory
COLLEAGUE.SKILL:把一个人的专长蒸馏成可移植 AI 技能
COLLEAGUE.SKILL 把一个人零散的工作痕迹蒸馏成带版本、可审查的技能包,分能力与受限行为两条轨道,任何 agent 都能安装、纠正、回滚。开源系统报告约 1.85 万 star。
多模态模型 · University of Illinois Urbana-Champaign
Crafter:多智能体协作生成可编辑科研图表
Crafter 给图像模型套上五个协作智能体,PaperBanana-Bench 拿到 50.34 分,而同款底座单跑只有 11.13;CraftEditor 再把位图转成可编辑的 SVG。
长上下文 · University of Illinois Urbana-Champaign
从上下文到技能:Ctx2Skill 让大模型自进化学技能
Ctx2Skill 用多智能体自博弈,无需人工标注或外部奖励,从长上下文中挖出自然语言技能,把 GPT-4.1 从 11.1% 提到 16.5%。
Gamma-World：突破两人上限的多智能体世界模型
英伟达的多人交互视频世界模型，蒸馏后以 24 FPS 实时推理，从两人到四人无需重新训练，FVD 较 Solaris 几乎砍半。
AI 智能体 · University of Illinois Urbana-Champaign
Eywa:让大模型智能体调用科学基础模型
Eywa 让大模型智能体把时序、表格交给 Chronos、TabPFN 等专用模型,而非塞进文本。EywaBench 上效用从 0.6154 提到 0.6558,省约 30% token。
MemPrivacy:用可逆占位符守住端云 Agent 的记忆隐私
MemPrivacy 端侧把敏感片段换成带类型占位符交云端处理记忆,再本地还原,效用损失控制在 1.6% 内,0.6B-4B 小模型识别隐私片段反超 GPT-5.2。
AI 智能体 · Shanghai Jiao Tong University
MMSkills:给通用视觉智能体的多模态技能包
MMSkills 把流程、状态卡、关键帧打包成可复用技能,在 OSWorld 上把 8B 小模型从 10.78% 翻倍到 25.40%,235B 模型从 21.34% 升到 39.17%。
OpenSearch-VL:多模态搜索智能体的开源配方
OpenSearch-VL 开源了数据、代码与权重,训练会调用真实搜索、OCR 和图像工具的视觉语言搜索智能体,30B-A3B 在七个基准上平均比 Qwen3-VL 基座提升 13.8 分。
自蒸馏智能体强化学习:特权教师逐 token 引导 GRPO
SDAR 在 GRPO 之上加了一路带门控的 token 级自蒸馏信号,由「看得到检索技能」的教师引导,让多轮智能体在 WebShop 上最高 +10.2、ALFWorld 上 +9.4。
AI 智能体 · University of Science and Technology of China
Skill1:一个 RL 策略统一管技能的选、用、蒸
Skill1 用一个 Qwen2.5-7B 策略,在同一任务结果奖励下统一学会检索、使用、提炼可复用技能,ALFWorld 达 97.5%,超最强纯 RL 基线 6.5 个点。
SkillOpt:把冻结智能体的技能文本当模型来训
SkillOpt 不动模型权重,只训练一份自然语言技能文档:靠有界增删改、文本学习率和留出验证门,把 GPT-5.5 在直聊场景六个基准上平均拉高 +23.5 分。
SkillsVote:为可复用的智能体技能做全生命周期治理
SkillsVote 把智能体技能当成受治理的库:百万级语料筛选、运行前推荐、运行后门控。离线进化让 GPT-5.2 在 Terminal-Bench 2.0 上最高提升 7.9 个百分点。
Video2GUI：从互联网视频里挖出 1200 万条 GUI 智能体轨迹
Video2GUI 把 5 亿条无标注教程视频自动转成 WildGUI 数据集——1200 万条 GUI 交互轨迹，在其上预训练让多项 GUI 基准提升 5-20%。