Agent 智能体

上下文即基础设施：智能体系统检索中的知识编译与Harness

该论文提出，在检索增强生成（RAG）转向智能体化后，检索准确率问题已基本由搜索 harness 解决（仅用 BM25 和 grep 配合 MiniMax M3 即在 BrowseComp-Plus 达 85%、FRAMES 达 91%），但暴露出上下文浪费问题。作者主张缺失的一层是「知识编译」：用 LLM 在入库阶段为文档补充导航树、实体图、时间线、本体等结

无需环境副本的智能体世界建模与测试时扩展

来自威斯康星大学麦迪逊分校和微软的研究者提出 Agentic World Modeling (AWM)，将下一观测预测重构为多轮证据获取任务：智能体模拟器通过安全的只读接口自适应查询真实环境，在不改变共享状态的前提下构建假设动作的结果观测。该方法与轨迹级测试时扩展（TTS）结合，使单一共享环境支持并行探索，在 τ-bench、AppWorld 和 Offic

强制披露下用自利LLM司机智能体评估网约车调度策略

该研究评估欧盟《平台工作指令》要求网约车平台以通俗语言披露自动决策规则后，司机会将规则交给LLM助手代为决策所带来的影响。作者用Claude Haiku 5.5和Jev两个LLM构建自利司机智能体，在三区域小模型和曼哈顿路网中对比反应式（R）与预测式（A）两类调度策略。结果显示规则披露后司机拒单率从约五分之四降至约四分之一，但R策略在曼哈顿使平台利润下降3.

Li2SAO：组相对演员-评论家自举提升轻量单轨迹异步RL优化

该论文针对异步强化学习（RL）中单轨迹优化（SAO）依赖闭源预训练价值模型的问题，提出轻量复现版 LiSAO，并分析发现 GRPO 在单轮推理任务上更优、LiSAO 在多轮智能体任务上更优，但 LiSAO 因 critic 冷启动在训练早期明显落后。为此作者提出 Li2SAO，在 critic 冷启动阶段用组相对优势训练 actor、用组中心回报训练 cri

可重新谈判期权无法阻止两个利润最大化前沿 LLM 代理间的套牢问题

研究让 Claude Opus 5.5 与 GPT-6.1 Sol 两个以利润最大化为目标的 LLM 代理，在相同博弈结构下进行一次性博弈，测试四种合同机制。结果显示，在人类实验中能把投资率从 41.5% 提升到 67.2% 的「可重新谈判期权」，在代理之间完全失效，投资率为 0%；只有在排除重新谈判的固定期权下，所有卖家才选择投资。作者指出，依赖人类行为（

另有 1 家信源报道

RepGen：通过上下文感知代码生成与验证复现深度学习缺陷

研究者提出开源工具 RepGen，通过上下文感知的代码生成与迭代验证来复现深度学习缺陷。该工具探索代码库构建上下文、制定复现计划并生成候选脚本，再借助静态检查和 LLM 反馈进行精炼，并可自动准备环境、执行脚本并比对失败行为。在 106 个真实 DL 缺陷中成功复现 85 个（80.19%），27 名开发者的对照实验显示复现成功率提升 23.35%、耗时减少

CLR-Bench：用隐藏规则课程评测自进化智能体

研究者提出 CLR-Bench 基准，用隐藏规则课程测试自进化智能体能否从稀疏反馈中归纳出未被告知的规则并泛化到未见样本。基准包含 10 个领域 20 条链，每级叠加一条隐藏规则，规则对应公开网络上的命名分组（如航空联盟创始成员）。评估六个自进化方法发现，在认证模型下它们几乎学不到规则，最佳仅比冻结智能体高 5 分；而给出命名分组约定的固定提示可提升 14.

超越合理预测：网页世界模型中的安全充分性

该论文提出「安全充分性」概念，指出网页世界模型即使能生成语义上合理的预测（3000条预测中86.1%被判定为合理），也未必包含做出正确安全授权决策所需的关键信息。作者构建了SafeWebWorld基准，覆盖五个网页安全领域，联合评估动作条件未来、策略决定性证据以及Execute/Ask/Block三分类决策。研究发现，在安全对齐监督微调下，证据保留能力提升的

Mage-VL-Cowork：从演化 harness 学习混合计算机使用的完整训练配方

该论文提出 Mage-VL-Cowork，一个 4B 参数混合计算机使用智能体（CUA），从通用多模态对齐检查点出发，经五阶段渐进式课程（中训练、SFT、RL）训练，同时结合 GUI 视觉交互与终端代码执行。为支撑大规模训练，作者构建 Mage-CUA-Forge 环境合成流水线，覆盖 6,915 项技能、合成 293,806 个桌面与网页任务，并将单任务重

迈向AGI的扩展是否取决于System-1让System-2执行什么？

该论文提出「条件交互」框架：由轻量、具备语义感知的 System-1 预测器先评估候选交互的效用，再通过自适应阈值筛选，只让资源密集的 System-2 执行值得付出成本的交互，并用执行结果更新 System-1。作者在理想筛选与等执行成本假设下推导出执行计算量可降至约 1/ρ u（ρ u 为效用相关交互密度），并给出由预测误差与效用间隔界定的选择遗憾上界。

Apple 提出在线密集强化学习框架，训练 iOS 应用 UI 导航智能体

Apple 机器学习研究团队提出一种在线强化学习框架，直接在真实 iOS 应用上训练 UI 导航智能体。该框架将智能体拆分为规划智能体和 UI 定位模型，使用 LLM-as-a-Judge 提供结合逐步密集反馈与任务完成终端奖励的信号，并采用 PPO 与逐步优势估计进行优化，同时提出 GiGPPO 方法提升 critic 稳定性。研究还搭建了可编排数百台并发

CrewAI 发布 1.15.34：新增技能搜索与部署功能并修复多项问题

CrewAI 发布 1.15.34 版本，新增 LiteLLM 目录、技能搜索、flow 输入传递、部署 zip 创建等功能，并修复了 Gemini 模型下线、API Key 缺失报错、工具调用重试、结构化输出等多项问题。该版本还包含移除 1.15.29 agent executor 的破坏性变更及迁移说明。

Meta联合傅利叶3个月造出人形机器人Max原型

Meta与中国机器人公司傅利叶合作，仅用3个月打造出人形机器人原型Max，并已开始开发第二代产品Max 2。Max身高约1.5米，搭载英伟达Jetson Thor芯片，面向家庭交互场景，被视为Meta个人Agent产品Muse的实体化形态。Meta同时在上海、深圳招聘制造相关岗位，推进机器人从原型走向量产，但人形机器人赛道竞争已明显升温。

Adobe 测试 AI 智能体能否像专业修图师一样使用 Photoshop 工具

Adobe Research 与 UC San Diego 联合构建了 EditAgent，将图像编辑任务拆解为子步骤，让通用编辑器与锐化、缩放等专用工具并行生成多个候选结果，再由标准语言模型借助特写裁剪、变化图和亮度色彩统计等验证记录进行评判。在 600 条编辑基准上，七个语言模型在获得验证记录后全部超越专门微调的评估模型，Qwen3.8-27B 的可用选

FastGPT 发布 v4.17.3：新增工作流辅助生成与沙盒配额配置

FastGPT 发布 v4.17.3 版本，更新主服务、商业版、插件、代码沙盒及 AI Proxy 等多个镜像。本次升级调整了 Node.js 版本要求、Agent 沙盒配额与超卖配置、模型计价单位改为百万 Tokens 等配置项，并新增商业版工作流辅助生成、团队成员专属模型渠道、账号待激活流程等功能。升级还涉及 root 密码策略、工作流编排校验、知识库权

XHToken 发布端侧模型 Spark-X2.6-4B 及 GGUF 版本

XHToken 发布 Spark-X2.6-4B 及其 GGUF 版本，这是一款面向端侧部署的 4B 参数通用语言模型。该模型沿用 Spark-X2.5-4B 的架构，通过改进后训练在编码、智能体、长上下文、多语言和推理等能力上取得提升，并支持 none/low/high 三档可控思考预算。官方称其在同类开源模型中达到领先水平，部分基准可匹敌约 9B 参数模

谷歌推 StreamVibe 视频智能体，可自主判断何时提供帮助

谷歌联合斯坦福、牛津等机构的研究团队提出 StreamVibe，一个能自行判断何时开口提供帮助的视频智能体，并基于约4100个样本、183小时日常与软件录屏构建基准测试。团队训练了 StreamVibe-VL 模型（疑似基于阿里 Qwen3.5-9B），结合强化学习与独立记忆系统，使响应时机与质量提升10.7%，主动交互提升12.3%。测试显示所有模型在连续

OpenAI 合并 ChatGPT 聊天与工作模式，改为共享 token 预算

OpenAI 更新支持页面显示，从 12 月起 ChatGPT 的 Plus、Pro 和 Business 套餐将在 ChatGPT 与 Codex 之间共享单一 token 预算，同时把 Work 的智能体功能并入主界面，实现 Chat 与 Work 的合并。用户达到上限后可等待重置、升级或购买额外额度，使用 Instant 模型的对话不计入预算。此举被视

另有 1 家信源报道

清华姚期智团队提出代数世界模型，让AI形式化推理

清华大学姚期智、袁洋团队提出「代数世界模型」（AWM），通过探索、凝炼、证明三步，将游戏环境中的现象抽象为代数结构并用 Lean 4 形式化验证。在 ARC-AGI-3 测试集上，基于 Opus 5 的 AWM 通关全部 183 个关卡，得分 99.9%，平均动作数仅为人类基准的 43%；面对无解关卡还能证明其不可能并给出最少所需步数。该工作试图让 AI 从

Jev 母公司联合 Treg 开源找人工具，比 Clay 便宜 85%

TypeSafe AI（Jev 的母公司）联合 Agent 工具平台 Treg 开源了一款找人工具，价格比 Clay 便宜 85%，已获 6400 Star。该工具让 Agent 通过自然语言描述目标人物，由 Jev 判断候选人是否符合要求，Treg 调用人员数据库与邮箱验证等工具完成线索补齐。在 People Search Bench 上，Claude C