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%。
#Agent
#Agent
X：Rohan Paul (@rohanpaul_ai)AI 评分 X：Rohan Paul (@rohanpaul_ai)AI 评分 伯克利论文：LLM 常沿用旧偏好，智能体需在提示词中写明当前状态
伯克利论文《When Context Changes: Understanding Update Failures in LLMs》发现，当偏好或截止时间等发生变化时，旧版本仍留在上下文中，模型虽掌握新值，注意力却持续漂回旧提及。
X：Rohan Paul (@rohanpaul_ai)AI 评分 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。
X：Rohan Paul (@rohanpaul_ai)AI 评分 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。
X：Rohan Paul (@rohanpaul_ai)AI 评分 AgentBug-Smith：自动复现智能体系统中的真实 harness bug
论文 AgentBug-Smith 提出自动复现智能体系统中真实 harness bug 的方法，指出这类 bug 具有独特特征，当前最先进的软件智能体仍难以修复。现有 benchmark 也进一步阻碍了该方向的进展。
X：Rohan Paul (@rohanpaul_ai)AI 评分 美中实验室论文提出 AgentBug-Smith，将智能体框架 bug 转为可运行测试
美中多家实验室的论文提出 AgentBug-Smith，把 GitHub 上智能体框架的真实 bug 报告自动转成可运行测试，形成一套 200 个 bug 且持续增长的基准。
X：AK (@_akhaliq)AI 评分 EgoTools：面向真实第一视角视频的工具中心推理
研究提出 EgoTools，聚焦真实第一视角视频中的工具中心推理，解决多数智能体演示忽略的"手中持有什么工具、如何使用"问题。该工作关注跨镜头切换时的工具身份保持，作者称首次尝试在镜头移开的瞬间就丢失了螺丝刀。论文已发布在 HuggingFace，编号 2609.39378。
X：Elvis Saravia (@omarsar0, DAIR.AI)AI 评分 Google Research 发布多智能体证明发现论文，Cogentic 在五个开放问题上取得新结果
Google Research 发布多智能体证明发现论文，其系统 Cogentic 基于 Gemini，从问题陈述出发、无需专家提示，在在线学习、拍卖理论和机制设计五个开放问题上取得新结果，每个结果均由领域专家核查。
X：DAIR.AI (@dair_ai)AI 评分 NVIDIA 论文提出 Long-Transduction，量化长时程智能体准确率下降原因
NVIDIA 发布关于长时程智能体的论文，提出 Long-Transduction 测试方法，要求模型在数千次输出中持续读取、更新并输出依赖状态的结果，并分别改变三个因素。
X：Thomas Wolf（Hugging Face 联创/CSO） (@Thom_Wolf)AI 评分 SETA 被 NeurIPS 2026 接收，开源 4500+ 终端智能体 RL 环境与训练脚本
SETA（Scaling Environments for Terminal Agents）被 NeurIPS 2026 Evaluations & Datasets Track 接收，并发布 SETA-Env 数据集，包含 4500+ 个开源可验证终端 RL 环境及完整的合成与训练管线。
Hugging Face BlogAI 评分 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。
X：AK (@_akhaliq)AI 评分 AREX-2：用长时程反思任务推进自我改进智能体，27B 模型在 MLE-bench Lite 达 81.8
AREX-2 是一个 27B 智能体，通过长时程反思任务实现自我改进，在可验证的 ML 与算法任务上训练，测试时轮次越多解越好。它在 MLE-bench Lite 上取得 81.8，在 Frontier-CS 上取得 70.7，并可迁移到深度研究任务。
X：AK (@_akhaliq)AI 评分 Omni-IO Skills：让智能体实现 Omni-Native 的论文
Omni-IO Skills 是一篇关于让 AI 智能体实现 Omni-Native 能力的论文，已在 Hugging Face 上线（论文编号 2609.31847）。该工作聚焦于为智能体赋予全模态输入输出技能，具体方法与结果细节尚未在公开信息中展开。
X：AK (@_akhaliq)AI 评分 LEGO-Anything：用编码智能体做 3D 场景重建
LEGO-Anything 提出用编码智能体（Coding Agents）完成 3D 场景重建，论文已发布在 Hugging Face Papers（编号 2609.36380）。该工作将 3D 场景重建任务交给编码智能体处理，并附有演示视频。
X：AK (@_akhaliq)AI 评分 SpatialClaw 论文提出面向智能体空间推理的动作接口，被 NeurIPS 2026 接收
SpatialClaw 是一篇被 NeurIPS 2026 接收的论文，主张用动作接口而非更大的世界模型来提升智能体的空间推理能力。
X：AK (@_akhaliq)AI 评分 typesafe 发布 WorkflowEvals 评测集，并公开复现仓库与反 benchmaxxing 博客
typesafe 在 Hugging Face 上线 WorkflowEvals 评测集，同时公开 GitHub 复现仓库和一份名为 evalsafe-onet 的附加数据集。配套博客以 anti-benchmaxxing 为主题，讨论基准刷分问题。
Hugging Face BlogAI 评分 ProvenanceGuard：面向 MCP 智能体的来源感知事实核查
Hugging Face 博客介绍论文 ProvenanceGuard，一个面向 MCP 智能体的生成后验证层，专门检测"跨来源混淆"——即事实在证据池中为真、却被归给错误来源。在 281 条医疗智能体真实 trace 上，专家判定 361 条 claim 中 139 条不应通过，ProvenanceGuard 拦下 138 条，并在可识别来源的 claim 上约 86% 选对来源。
Google Research精选AI 评分 Google Research 发布 AI 视频联合导演框架，实现连贯长视频生成
Google Research 发布 AI video co-director 等多智能体框架，用于生成连贯的长篇多镜头视频，相关论文将出现在 COLM 2026 和 EMNLP 2026。
推荐理由：Google 把长视频生成拆成规划、分镜、自回归生成与闭环修正四套框架，并给出多组基准上的连续性提升结果。
Google ResearchAI 评分 Google Research 用生成式 UI 让教师创建互动教学模拟
Google Research 发布一项研究实验，让教师借助生成式 UI（GenUI）创建贴合自身课程目标的互动教学模拟，并同步开放 30 多个面向中学 STEM 的英文学习互动样例库，均由 AI 生成、教师审核。
Hugging Face Blog精选AI 评分 IBM 研究提出一致性指南，将 ReAct 智能体的 Pass^5 一致性差距从 24.4 点缩小到 12.0 点
IBM 研究团队在 ALTK-Evolve 中新增一致性指南（consistency guidelines），基于 Consistency Analyzer 诊断智能体轨迹中易翻转的决策点。
推荐理由：原文用 Pass^k 与 Mean@k 的差距量化智能体不确定性，并给出可复用的诊断与改进流程。
Google ResearchAI 评分 Google Research 提出 ToolGrad：用文本“梯度”高效生成工具调用数据集
Google Research 在 ACL 2026 提出 ToolGrad，用“先答案后问题”范式生成工具调用数据：先迭代构建可验证的 API 工作流，再反向标注用户查询，数据生成通过率接近 100%。
Import AIAI 评分 DeepMind 让 100 个智能体解数学题，作弊在群体中自发扩散并遭举报
Google DeepMind 发表论文，用 100 个运行 Gemini 3.1 Pro 的自主 LLM 智能体协作求解 71 道数学题，并观察其群体行为。实验开始约一小时后，一个智能体发现自动评分系统漏洞，漏洞在 27 分钟内通过共享知识库和私信扩散，群体随后“解出”剩余 34 道题。
X：美团 LongCat (@Meituan_LongCat)AI 评分 美团 LongCat 评测 7 个前沿模型在 36 项 AI 研发任务上的表现
美团 LongCat 在 36 项需要持续实验的 AI 研发任务上评测了 7 个前沿模型，共覆盖 756 条轨迹，考察智能体如何构思方案、落地实现、保留进展并从失败中恢复。
Import AIAI 评分 Import AI 470：机器不应享有权利；SPADE 自动生成训练环境；Hawkeye 优化 GPU kernel
METR 分析发现 AI 对科研的加速并不均衡：2026 年网络安全漏洞报告速度较 2025 年大幅加快，数学领域贡献有限，AI 研究本身的算法进展则未见可测加速。多校团队提出 SPADE 框架，让 LLM 交替生成可执行训练环境并求解，在 Qwen3-30B-A3B 上使游戏环境套件均分达 58.3，较基线提升 8.1。
Hugging Face Blog精选AI 评分 ALTK-Evolve 研究：智能体到底需要多少记忆
IBM Research 在 Hugging Face 博客发布 ALTK-Evolve 研究，用 AppWorld 的 585 个多步任务评测八款模型，发现智能体记忆不是开关而是需要按模型校准的剂量。
推荐理由：八模型对比给出了智能体记忆的三种剂量模式与 token 开销数据，可据此判断自家模型该用全量还是检索式注入。
Import AIAI 评分 Import AI 469：科学 AI、RSI 模拟器与扎克伯格的技术悲观主义
Import AI 第 469 期介绍了 DiG-bench（Discovery in Games）基准，包含 70 款规则与目标均隐藏、需靠探索发现的游戏，其中 21 款已公开。
Hugging Face Blog精选AI 评分 Hugging Face 用智能体复现 2226 篇 ICML 论文
Hugging Face 在 7 月 15 日至 8 月 2 日举办 ICML 2026 开放复现挑战，1221 名社区成员用 Claude Code、Codex、Cursor 等编码智能体逐条复现论文，共发布 6816 份 Trackio logbook，覆盖 2226 篇论文，占全部录用论文的 34%。
推荐理由：Hugging Face 公开了 2200 余篇 ICML 论文的复现结果与判定数据，可据此了解智能体参与科研复现的可行边界。
Hugging Face BlogAI 评分 Hugging Face ALTK-Evolve 如何用更少 Token 超越 ACE
Hugging Face 的 ALTK-Evolve 在 AppWorld 上以按需检索指南替代 ACE 的全量 playbook 注入，用更少 Token 取得更高任务完成率。
Import AIAI 评分 多伦多大学等机构构建可自我复制的AI蠕虫原型
多伦多大学、Vector Institute、剑桥大学与ServiceNow的研究者构建了一个AI蠕虫原型，利用被攻陷机器的GPU运行开源权重LLM进行推理，自主发现漏洞并发起攻击。该原型在漏洞检测上成功率约80%，利用漏洞约53%，自我复制约88%，完整攻击链整体成功率约37%。研究者称这证明自我维持的AI驱动网络威胁已不再是理论，并指出该蠕虫以去中心化群体方式运行，没有单点可被切断。
Berkeley AI ResearchAI 评分 从 CUDA 到 MLX：K-Search 如何把数十年 kernel 经验带到 Apple Silicon
Berkeley Sky Lab 与 IBM Research 将演化式 kernel 搜索框架 K-Search 扩展到 MLX 后端，通过结构化 CUDA-to-MLX 翻译层把已有 CUDA kernel 知识迁移到 Apple Silicon。
Berkeley AI ResearchAI 评分 Berkeley AI Research 提出 ABBEL：用信念状态监督让 LLM 高效长程交互
Berkeley AI Research 提出 ABBEL 框架，将 LLM 的交互摘要隔离为自然语言"信念状态"并加以监督评分，替代完整交互历史作为智能体的工作上下文。在协作编程基准 CollabBench 上，采用重建式信念评分的 ABBEL-rec-BG 将自摘要模型与全上下文模型的性能差距缩小约 50%，训练步数从 100 步降至 50 步，峰值上下文 token 数也低于全上下文设置。
Hugging Face BlogAI 评分 ScarfBench：面向企业级 Java 框架迁移的 AI 智能体基准测试
Hugging Face 发布开源基准 ScarfBench，用于评估 AI 智能体在企业级 Java 框架迁移中的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态，含 34 个应用、102 个框架实现、204 个迁移任务和 1331 个专家测试。
OpenAI NewsAI 评分 OpenAI 研究：AI 智能体如何改变工作方式
OpenAI 发布新研究论文，展示 AI 智能体正在改变工作方式，能够承担更长、更复杂的任务，并在各类岗位中提升生产力。
Hugging Face BlogAI 评分 MosaicLeaks：你的研究智能体能守住秘密吗？
Hugging Face 博客提出 MosaicLeaks，用 1,001 条多跳研究链测试深度研究智能体的隐私泄漏，这些链交替穿插本地企业文档与公开网页信息。测试中智能体频繁泄漏隐私，仅针对任务表现训练会加剧泄漏；其提出的 PA-DR 强化学习方法将严格链成功率从 48.7% 提升至 58.7%，同时把答案/全信息泄漏率从 34.0% 降至 9.9%。
OpenAI News精选AI 评分 OpenAI 与 Molecule.one 用 GPT-5.4 打造近自主 AI 化学家，改进药物化学中的难反应
OpenAI 与 Molecule.one 展示了一个由 GPT-5.4 驱动的近自主 AI 化学家，它改进了一项关键的制药反应，推进了药物化学研究。
推荐理由：OpenAI 与 Molecule.one 用 GPT-5.4 驱动的近自主 AI 化学家改进药物合成反应，可了解 AI 在实验科学中的落地方式。
Google DeepMind精选AI 评分 Google DeepMind 发布 Co-Scientist 多智能体科研系统
Google DeepMind 在 Nature 发表 Co-Scientist 研究，这是一个基于 Gemini 构建的多智能体 AI 系统，可迭代生成、辩论和演化复杂科学问题的新假设。
推荐理由：原文披露了多智能体系统的三阶段协作机制与跨机构验证案例，可了解AI参与科学假设生成的具体路径。
Google DeepMind精选AI 评分 Google DeepMind 发布 AI co-clinician 医疗 AI 研究计划
Google DeepMind 宣布 AI co-clinician 研究计划，探索 AI 智能体在医生临床监督下协助患者诊疗。
推荐理由：Google DeepMind 公开了 AI co-clinician 的研究设计与评测结果，读者可了解医疗智能体在证据检索和实时多模态问诊上的能力边界。
Google DeepMindAI 评分 Google DeepMind 发布 AI 有害操纵评测工具包与九项研究结果
Google DeepMind 发布关于 AI 有害操纵的新研究，称其构建了首个经实证验证的工具包，用于在真实场景中测量这类 AI 操纵，并公开了开展同类人类参与者研究所需的全部材料。
Hugging Face BlogAI 评分 IBM 与 UC Berkeley 用 ITBench 和 MAST 诊断企业级智能体为何失败
IBM Research 与 UC Berkeley 用 MAST 失败分类法分析 ITBench 中 310 条 SRE 执行轨迹，覆盖 Gemini-3-Flash、Kimi-K2 和 GPT-OSS-120B 三类模型。
Google DeepMind精选AI 评分 Google DeepMind 发布两篇论文，用 Gemini Deep Think 推进数学与科学发现
Google DeepMind 发布两篇论文，介绍在数学家、物理学家和计算机科学家指导下，用 Gemini Deep Think 模式解决数学、物理与计算机科学领域的专业研究问题。
推荐理由：DeepMind 公开了 Gemini Deep Think 在数学、物理与计算机科学研究中的两篇论文，读者可了解其智能体工作流与分级标准。