一篇论文提出 HarnessSQL，在与部署一致的执行 harness 内训练 Text-to-SQL 模型，Qwen3-14B 在 Spider 2.0-SQLite 上从 22.2% 提升到 54.8%，Qwen3-8B 从 15.5% 升至 45.2%。

– arxiv.org/abs/2610.11655 Title: "Harness Evolution Hits a Ceiling: When Weight Training Should Begin"

New Stanford paper finds that harness changes fix agents that loop or stall, while agents that deliver bad plans need weight training instead. 研究把失败分为过程失败（循环。

作者推荐 Sakana AI 关于递归自我改进的论文，提出多智能体自监督方法 MASS。该方法让一个基础模型提出多智能体工作流、运行并打分，用进化搜索保留得分最高的工作流，再用自身轨迹微调模型，改进后的模型进入下一轮循环，从而不再依赖外部验证器。

MiMo-V2.6 论文发布，AI 在训练循环中自主构建任务、审核测试、评分答案并排查作弊，人类只设定预算和规则。

New NYU and Amazon paper finds that distilling a few skills that keep producing a useful training signal matches or beats distilling a skill bank up to 11× larger. Skills are short written tips, like a rule for counting cases, that a model absorbs by learning from a copy of itself that reads them. Picked by topic match, under 25% of them gave any useful signal across 3 Qwen models. SGUID keeps only skills that help early in training and still help late. With 6 such skills, 3 of 4 models matched or beat the full bank of 30 to 71 skills on math contest tests. A 2nd round with 3 new skills lifted Qwen3-8B from 64.3% to 66.3%.

Meta Superintelligence Labs 发表论文，提出在 Agent RL 训练中用专门的用户模拟器替代过于配合的 LLM 扮演用户。

Meta 新论文指出，多数智能体记忆系统用单一置信度阈值决定保存哪些用户事实，而只对用户价值观与信念类主张提高阈值效果更好。价值观与信念类主张占候选记忆的 21.5%，其来源支撑率仅 77.9%（其他事实为 96.2%），却贡献了超过其余类别总和的无依据主张。

作者团队分享新结果，称前沿AI模型（Opus 5.5、Fable 5.1、Astra）配合 Samaya 的 harness，在 Earnings Predictions 任务上首次在营收、毛利率等常见财报指标上明显超越专家共识预测。

Nvidia 新论文提出 VERA，让长多步任务的 Agent 交替进行模型训练与技能文件编辑，并用真实证据的逐步打分决定每次修改方向。论文称只训练模型或只改 harness 会损失约一半收益；VERA 将 benchmark 运行转成 9,000 多个可重启沙盒，逐步对照真实文件和日志打分。

DAIR.AI 介绍 NVIDIA 的一篇论文：在所测六个模型中，每次 RL 步骤后仅 0.6% 到 1.2% 的模型权重发生变化，但标准 refit 每次更新后仍会把完整 checkpoint 复制到 rollout 集群，1T 模型跨两个 AWS region 复制需 87.5 分钟。

一个号称最大规模的智能体 LLM 推理数据集发布，包含 206B tokens、12,002 个会话、1,186,582 次 LLM 请求和 1,213,347 次工具调用。轨迹数据含工具名称、参数、耗时等信息，已在 Hugging Face 上开放，配套论文即将发布，更多信息见 opendata.agentic-system.org。

Google Research精选AI 评分7474

Google Research 三个月专利撰写实验：AI 辅助提升产出但未必加速初级律师成长

Google Research 与 NBER 合作发表的三个月田野实验显示，在 133 名律师、11 家知识产权律所中随机开放 Google Labs AI 专利撰写工具（现属 Gemini Notebook）后，10 天和 90 天的起草评分分别提升 0.34 和 0.38 个标准差。

NVIDIA 的 VERA 论文把基准轨迹转化为 9,000 多个可重启沙盒并加入 rubric 评分，只保留能运行且可从可观测证据打分的环境，同时更新模型权重与 harness。

DAIR.AI 的 Elvis Saravia 推荐一篇关于小语言模型 Agent 的 harness-aware distillation 论文（arxiv.org/abs/2610.02858）。

The DecoderAI 评分6666

JEPA-Anything 把 LeCun 的 JEPA 扩展为跨领域通用世界模型

研究团队（由 PhAI Labs 牵头，与 Stanford、Oxford、Princeton 合作）提出 JEPA-Anything，把 JEPA 的预测状态拆成四个正交因子、各由独立预测模块处理后再重组，以避免简单模式淹没困难模式。

上海AI实验室新论文提出 SkillGym，把每个技能文件转成带代码检查器的沙箱任务，只用通过校验的运行数据微调模型，使模型在不加载技能文件的情况下也变得更强。

Fold2Reason：蛋白质折叠训练提升广泛推理能力 在 FoldingCorpus 上进行后训练，将 10 个推理基准的宏平均准确率从 45.09% 提升至 48.33%，结构预测能力提升 2.7–3.5 倍。

Hugging Face 研究人员提出多 harness 强化学习方法，让同一开源权重模型在 Claude Code、Codex、OpenCode 和 Mini-SWE-Agent 四种 harness 中训练，以解决模型只学会特定接口的工具名、输出格式和控制流的问题。

The DecoderAI 评分6262

Google 研究者提出 RRSI，防止自我改进智能体记住测试任务

Google 研究者提出 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses），通过随时间收缩的编辑预算和严格评审机制，阻止智能体在自我优化中记住测试任务。

DAIR.AI 推荐 Meta 关于可靠自动科研智能体的论文 RankEvolve：它用编译后的协议约束每个研究阶段与关卡，让 Claude Code 和 Codex 作为独立节点互相评审并修复改动。

DAIR.AI 转发 CMU 关于 harness learning 的论文，作者用 RL 训练一个 proposer 模型，读取任务、当前 harness 和执行报告后直接写出 harness 代码修改，奖励是修改后 harness 的得分，solver 模型保持不变。

Meta Superintelligence Labs 的论文发现，在采样量充足时，配轻量框架的基座模型往往比 RL 后训练版本解决更多智能体任务：后训练模型在 pass@1 上占优，但在 BFCL v4 multi-turn、ACEBench 和 WebShop 上，大 K 时基座模型常能解决后训练模型始终解决不了的任务。

The DecoderAI 评分6262

开源工具 BootLoops 让 Claude 完成精确科学计算，三个月产出 36 篇手稿

哈佛大学物理学家 Matthew Schwartz 在 Anthropic 客座文章中介绍开源工具 BootLoops，它让 Claude 完成精确科学计算，源码已在 GitHub 发布。

Meta 提出 Context Language Models，让模型原生管理自身上下文

Meta 与合著者提出 Context Language Models（CLM），把上下文作为模型可用 Bash 编辑的文件，由模型决定保留、改写或删除哪些内容。

Meta 等提出 Context Language Models：让模型用 Bash 编辑自身上下文

Meta 与同事的论文提出 Context Language Models（CLM），把上下文作为模型可用 Bash 编辑的文件，由模型决定保留、改写或删除哪些内容。

ProVer：用 LLM 裁判定位关键步骤，改进智能体 RL 的信用分配

ProVer 提出一种智能体强化学习信用分配方法：由 LLM 裁判对比成功与失败的 rollout，指出造成差异的关键片段，再通过该片段前后采样续写、以成功率变化作为该片段的优势值。在 ALFWorld、WebShop 和 SearchQA 上，相对 GRPO 分别带来 Qwen3.5-2B 9.91%、Qwen3.5-4B 7.12% 的相对提升，裁判换成更小模型时仍有效。

新的同策略蒸馏方法，外推 RL 诱导的表示残差，使学生在四组模型配对中匹配或超越教师。代码和检查点计划发布。

ScienceBuddy 如何让科学智能体从 42.2% 提升到 73.3% 准确率

ScienceBuddy 将用户在对话中的纠正转化为带评分的测试任务，交替改写智能体的提示词与技能、重训模型，把科学智能体准确率从 42.2% 提升到 73.3%。

NVIDIA 论文：长任务中模型准确率下降，建议给条目编号并分批处理

NVIDIA 新论文测试 7 个开源模型在加数字、排序列表等简单重复任务上的表现，128K token 任务的平均准确率比 4K token 任务低 62.8%，最好的模型在最长的任务中也只有 17.1% 全部答对。

腾讯 SkillAdam：让 AI 自动改进智能体技能指令，准确率 28.3% 且 token 消耗降至约三分之一

腾讯论文提出 SkillAdam，让 AI 自动改进智能体技能指令时记录已修复的问题，并在效果不稳定时只做小幅修改。在长程购物与旅行规划任务上，它平均准确率达 28.3%，高于此前最佳方法 SkillOpt 的 21.7%，token 用量约为后者的三分之一。该方法针对自动改写指令常陷入反复、新改动推翻已有修复的问题。

Google Research精选AI 评分6262

Google 发布基于 TEE 的新一代联邦学习系统，Gboard 已采用

Google 宣布推出基于可信执行环境（TEE）的新一代联邦学习系统，为数据匿名化提供可远程验证和审计的保证，Gboard 已采用该系统上线英语和日语下一词预测模型。

Hugging Face BlogAI 评分3838

ServiceNow CoreAI 的 AutoSynthData 如何为企业智能体生成训练数据

ServiceNow CoreAI 构建了 AutoSynthData，利用目标模型的失败与更强教师的成功来定位能力缺口，并生成、验证新的可执行训练任务，课程随模型进步向仍难的任务迁移。该方法以 EnterpriseOps Gym 数据集演示，任务由系统规范、用户提示词和验证器三部分组成，需满足可行性、真实性与难度要求。

微软研究院用机器学习预测电网空间天气风险

微软研究院实习生开发了一套端到端机器学习流水线，为美国本土 66,935 座变电站生成空间天气风险预测，可提前 30 至 60 分钟预警。系统结合 AE 与 Dst 指数预测、地质电导率和电网数据，在 2020-2026 评估期内检测到近 80% 的重大空间天气事件，其中 Dst 预测在 62.2% 的高活跃时段优于 Burton 方程。

微软研究院推出 Quine：面向生物学复杂性的 AI 研究系统

微软研究院推出 Quine，一个面向生物学复杂性的 AI 研究系统，由生物学世界模型和连接模型、科学工具、文献与研究者的交互式 harness 两部分组成。该系统与 Broad Institute 合作用于胰腺导管腺癌（PDAC）研究，从数千个化合物中筛选并优先排序可驱动肿瘤细胞状态转变的候选物，最高排名的化合物在湿实验中产生了最大的预期状态转变，整个流程仅用一个周末完成。

TsinghuaNLP（OpenBMB成员）联合中国科学院大学、东北大学、UIUC和约翰霍普金斯大学提出One-Shot OPD，把on-policy distillation（OPD）的训练集压缩到单条查询。

Amazon AGI 提出 AutoGym：从领域种子生成可验证的智能体 RL 环境

Amazon AGI 提出 AutoGym，可从少量领域种子或过往模型轨迹出发，同时生成任务、可执行环境与验证器，用于为智能体构建强化学习环境。该工作将"创建 RL 环境"视为一项重要的 AI 工程新技能，作者认为这一方向正出现明显转变。论文已发布在 arXiv（2609.22592）。

Salesforce AI Research 提出 Critical-State RL：多轮工具调用只训练关键回合

Salesforce AI Research 提出 Critical-State RL，用于多轮工具调用的强化学习：当奖励依赖后续回合时，只训练真正改变结果的那一次调用，而非把奖励摊到整条轨迹上。

腾讯混元新研究将经典临界批量大小理论扩展到在线LLM RL，发现在GRPO和PPO中，学习率重调可在一定批量大小范围内保持每响应学习效果。在固定硬件上，扩大批量使PPO生成阶段吞吐量提升最高2.29×，最佳GRPO配置达到相同验证目标所需时间减少29%。

微软开源逆合成模型 RetroChimera，成果登上 Nature

微软研究院在 Nature 发表逆合成模型 RetroChimera，并开源其实现与权重。该模型用学习式重排序整合 Transformer 模型 R-SMILES 2 与 GNN 模型 NeuralLoc，在盲测中化学家更偏好其单步反应预测；十个挑战性目标的多步路线中 RetroChimera 成功九个，优于 de novo 模型的五个、编辑模型的四个和 NeuralSym 的两个。