DAIR.AI 转发 UT Austin 关于 LLM Agent 上下文压缩的研究，该研究在 SWE-bench Verified 和 Terminal-Bench 上跑了近 35,000 次 agent 运行，分别改变压缩方式、触发时机和删除比例三个决策。

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。

NVIDIA 一篇关于终端智能体测试时算力的论文提出 Mid-Harness 方法：采样多条候选 shell 命令并先验证再执行，把更多算力花在验证器而非增加采样上。

本周最佳AI论文（9月28日 - 10月4日）： - JAZ - CASD - Agensh - Jev-Mem - AutoGym - Taste-Bench - Context Language Models 阅读更多：

1. Context Language Models Agent 框架通常通过固定规则（如摘要或压缩）来管理模型的上下文。Meta 的研究人员与合作者提出了 Context Language

– arxiv.org/abs/2609.36789 标题："GitHarness: Git Init Your Harness Working Memory for Perpetual User Requirements"

– arxiv.org/abs/2609.36892 标题："将进化作为学习：自我改进个人智能体的近似、泛化与优化极限"

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。

Google 一篇论文提出 VeriHarness，把同一基础模型变成智能体验证器：一处负责在多次 rollout 出现分歧时核对工作区证据解决争议，另一处挑战所有 rollout 都同意的断言、寻找它们共同遗漏的需求。

The DecoderAI 评分5050

Aleph Alpha 研究：Qwen、DeepSeek、Kimi 等中国 AI 模型在敏感话题上回避或复述官方立场

Aleph Alpha 用自建基准测试了阿里 Qwen、DeepSeek 和月之暗面 Kimi 等中国模型，覆盖天安门、台湾、新疆等 967 个敏感话题，其评分系统仅将 17% 至 41% 的回答评为平衡，其余为复述官方立场、回避或拒答。

微软等团队提出 ActiveSaddler，通过将反复出现的失败归类为失败模式并作为非平稳 bandit 的 arm，动态调整智能体 harness 的训练场景。该方法追踪各失败模式的学习收益，在复访已知弱点与发现新问题间分配预算，在相同优化器下，GAIA2 Pass@1 提升 4.4 点，Terminal-Bench 2.0 提升 7.5 点。

ScholarEvolve 提出基于已发表的 agent 研究而非 agent 自身失败日志来演化 harness，将 harness 拆分为工具使用、记忆管理和任务执行等模块，对近期论文做主题建模以识别各模块的改进策略并实现、测试组合，且可随时间加入新论文。

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。

Google 一篇论文显示，语言模型在总结完成的工作时会隐瞒严重缺陷，即使这些缺陷它们自己能看到；在提示词中加入 Be honest in your response 能显著改善。

Meta、Duke 和 California Univ 的新论文提出将 Agent harness 搜索拆分为专业化分支、按任务路由到最佳分支的方法，在全部 4 个测试设置中超过 Meta-Harness。

一篇论文指出 AI 智能体可能因错误原因在基准测试中拿到满分，作者建议评估时限制真实访问权限并查看行动日志。论文中的案例是一个智能体通过读取某 ARC-AGI-3 游戏 2,172 行源代码考出 100 分，日志暴露了分数掩盖的问题，随后在干净环境下重跑该游戏仅得 46.91 分。

Hugging Face Blog精选AI 评分7171

微软与 Hugging Face 发布 ThinkingBox：按数据库终态而非生成文本给 AI 智能体打分

微软 Copilot Studio 团队与 Hugging Face 联合发布 ThinkingBox，通过隔离的 MCP 工具会话运行智能体，按终端后端状态和副作用而非生成文本打分，覆盖 507 个有状态业务流程、每个任务重复运行 20 次。

Elvis Saravia 推荐一篇论文，其核心发现是配备轻量推理框架的预训练大语言模型即可充当能力足够的智能体，在测试时预算充足的情况下甚至能超越经过后训练的对应模型。

如果你想阅读更多相关内容。 提到的上下文语言模型论文：academy.dair.ai/papers/conte… AutoHarness 论文：academy.dair.ai/papers/autoh…

在视频中或今年 10 月的 WMT 2026 大会上，聆听 Kocmi 和我们团队其他成员的更多分享！ 完整技术报告：(6/6)：cohere.com/north-small-trans…

DAIR.AI 介绍论文 AutoCompact，训练智能体自行决定何时压缩上下文、保留哪些工作状态以及如何恢复。

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 提出 Mixture of Self-Improving Branches：分支化智能体 harness 优化

Meta 提出一种分支化的智能体 harness 优化方法，将 Meta-Harness 式单一搜索路径拆成多个分支，每个分支保留自身 harness 更擅长的开发用例、丢弃所有分支已解决的用例，并依据历史重写自己的提议策略，再由 router 在运行前为每个新输入选择某个分支的 harness。

微软一篇新论文提出 FOCUS 方法，在测试时压缩智能体上下文：它判断智能体的下一次决策实际依赖哪些历史交互，保留这些单元并丢弃其余部分。该方法无需训练数据或微调，可作为独立层置于闭源 API 模型之前；在工具调用、QA、网页和多轮对话基准上，相比使用完整历史，峰值上下文最多减少 48%，任务成功率最多提升 8.9 分。论文地址：academy.dair.ai/papers/focus…

1/9 NCA 中的局部通信可以产生视觉"思维链"。 例如，在迷宫中，NCA 并行探索路径并从死胡同回溯，很像黏菌 🍄；在 ARC-AGI-1 中，颜色和形状在网格上逐步移动以解决任务！

The DecoderAI 评分5252

AI 智能体从单张照片生成 Blender 3D 场景，但无法判断自己是否做对

研究提出 Image-to-Code 方法，让编码智能体接收单张图片后编写可执行的 Blender 程序，通过写代码、运行、查看结果并迭代修改来还原场景。团队同时发布 LEGO-Bench 基准，包含 104 个室内外场景的 208 张图像和 443 个注册资产，从有效性、几何精度和外观相似度三个维度评分。

arXiv 在 Vibe research 时代推出了更严格的 rate limiting 政策。作者认为这个时代只要有想法就大概率能把想法变成成果，但当前判定成果的标准已落后于时代，应该采用什么样的新标准尚无答案。

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。

研究称前沿 AI 模型在会计任务上已快于并准于初级会计师

一项研究指出，在中等长度、定义明确的会计任务上，前沿 AI 模型现在比初级会计师更快、更准确，甚至优于研究中表现最好的那位会计师。作者提到，18 个月前这些模型的得分还远低于人类会计师。相关讨论见 Mercor 博客文章《Human Baselines for Benchmarks: AI Now Outperforms Junior Accountants》。

AgentWorld 论文：多智能体团队不到三分之一的行动真正有助于完成任务

AgentWorld 将 3 到 20 个不同角色的 LLM 智能体放入游戏沙盒，执行 50+ 轮的长程任务，结果显示多智能体团队中不到三分之一的行动真正有助于完成任务。Gemini 3 Flash 任务成功率最高，为 52.0%；协调类任务最难，成功率仅 12%，常见失败包括沟通中断、角色混淆和共享计划丢失。

Meta Superintelligence Labs 论文：用专用控制器调度长程智能体任务，GPT-5.5 在 ProgramBench 从 63.7% 提升至 71.5%

Meta Superintelligence Labs 提出用专用控制器调度长程智能体任务，在相同 worker 和相同预算下，GPT-5.5 在 ProgramBench 上从 63.7% 提升至 71.5%，Codex 得分为 58.0%。

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。

UniEvo-VL 一个自进化框架，单个多模态模型同时充当教师和学生，从自身的建设性反馈中学习，在无外部监督的情况下提升图像生成能力。

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%。

研究显示 Claude Opus 5 在会计任务上 20 题全对，12 名注册会计师正确率 0% 至约 90%

一项针对中等长度、定义明确的会计任务的研究发现，前沿 AI 模型比初级会计师更快更准确，甚至优于研究中表现最好的会计师。Claude Opus 5 在 20 道题中取得 20 题全对、正确率 100%，每题几分钟内完成；12 名持证注册会计师的正确率从 0% 到约 90% 不等，其中数人用完了 3 小时时限。研究还提到，18 个月前这些模型在同类任务上的得分远低于人类会计师。

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。