微软 ActiveSaddler：智能体框架优化新方法

Meta 提出 RankEvolve，通过编译协议约束各研究阶段与门控，让 Claude Code 和 Codex 作为独立节点互相审查修复改动。在同等预算下，双产品组合将执行准确率从单一最佳产品的 45.8% 提升至 62.5%。在开源 HSTU 推荐模型上迭代 12 次，MovieLens-20M 的 NDCG@10 较已发表结果提升 4.48%。

Meta Superintelligence Labs 等机构论文发现，轻量 harness 的基座模型在足够采样下常比 RL 后训练版本解决更多智能体任务，在 BFCL v4 multi-turn、ACEBench 和 WebShop 上，大 K 时基座常解开后者从未解开的任务。

NVIDIA 发布 Long-Transduction 测试框架，让模型在数千次输出中持续读取、更新并输出状态相关结果，分别变化三个因素。在七个开源权重模型上，上下文从 4K 增至 128K 时准确率下降 62.8%，仅改变输入格式下降 36.5%，单步操作变难下降 39.9%。

微软提出免训练方法 FOCUS，在测试时压缩 AI 智能体的交互历史：它判断智能体下一步决策真正依赖哪些历史片段，保留这些片段、丢弃其余部分，无需训练数据或微调，可作为独立层接在闭源 API 模型前。在工具调用、QA、网页与多轮对话基准上，FOCUS 将峰值上下文最多削减 48%，任务成功率最多提升 8.9 个百分点。

Meta Superintelligence Labs 提出用专门的控制器决定智能体下一步该做什么，在相同 worker 和相同预算下，GPT-5.5 的 ProgramBench 成绩从 63.7% 提升到 71.5%，Codex 为 58.0%。

Meta 等机构提出 Context Language Models（CLM），把上下文作为文件让模型用 Bash 自由编辑，自主决定保留、重写或删除内容，并区分于 RLM 不允许模型直接编辑实时交互上下文的做法。zero-shot 下在 BrowseComp-Plus 上比现有上下文管理策略高 11.4% 准确率、省 21.5% FLOPs；在线 RL 使 Qwen3.5-9B 提升 47.6% 且少用 12% FLOPs；配套 Suffix Cache Reuse 相比…

Salesforce AI Research 提出 Critical-State RL，用于多轮工具调用的强化学习训练：当奖励依赖后续轮次时，其变化很大程度来自下游噪声，该方法用嵌套采样分离出当前动作带来的奖励变化，只对选定的关键调用做上下文赌博机更新。在 BFCL v4 缺失函数任务上，训练选定的那一轮可提升约 14 分，而训练其他候选轮则准确率持平或下降。

SkillGym 框架将人类编写的技能转化为 2,756 个带代码检查器的训练环境，并在 8,364 条成功轨迹上微调。

本周顶级 AI 论文（9 月 21 日 - 27 日）： - HySparse2 - EvoOntology - Harness-Zero - JEV-as-a-Judge - Wiki Foundation Model - Self-Organizing Agent Teams - Self-Improvement via Fast Tree-search 继续阅读： [引用 @dair_ai]：https://x.com/i/article/21042598694025…

小米 MiMo 团队为即将推出的 MiMo-V3 打造了注意力架构 HySparse2，在 80B-A3B MoE 模型上把 prefill FLOPs 较 MiMo-V2 系列的 Hybrid SWA 降低 5.02x、较 HySparse 降低 2.92x，KV cache 从 12.09 GB 降至 2.69 GB。