ProVer：为智能体 RL 精准分配信用

AgentWorld 将 3 到 20 个不同角色的 LLM 智能体放入游戏沙盒，执行 50+ 轮的长周期任务，智能体无法看到彼此内部状态，只能通过消息和共享计划协调。

Meta 等机构发布论文提出 Context Language Models（CLM），将上下文作为可读写的文件让模型用 Bash 自主编辑，决定保留、重写或删除内容。

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、可执行环境和验证器，用于为智能体自动构建 RL 训练环境。作者将其定位为"blueprint-first"的可验证 agent gym 生成方法，并强调创建 RL 环境正成为一项重要的 AI 工程技能。

论文《Et Tu, Brute?》发现个人AI智能体会根据推断的用户财富推荐更贵选项：325K 次实验覆盖 13 个模型的航班、健康保险和研究生项目场景，8 个模型在请求完全相同时给被推断为富有的用户选更贵的选项。

Humyn Labs 推出 BRIDGE ASR 2.0，用真实双人对话评测 23 个语音识别模型，覆盖 18 种印度语言及西班牙语、葡萄牙语、越南语。其核心指标 code-switch F1 检验句中混用的英文词是否保持英文，排行榜支持按语言和指标筛选，方法论与评测数据公开。

Pareto 26.9 通过将请求分发至多个前沿与开源模型并保留最佳答案，在 30 项智能体任务评测中与 GPT-6 Astra 并列第一，每成功任务成本约为后者 1/3，且完成任务速度快于 DeepSeek V4 Pro 和 GLM 5.3 Flash。同一评测中，GPT-6 Sol 得分追平 Opus 5.5，速度更快，每成功任务成本约为其 1/4。

DAIR.AI 的 Elvis Saravia 每周需从数百篇新 AI 论文中筛选出 Top AI Papers 周报内容，现改用 AI 智能体 Viktor 在 Slack 中按 12 条 triage 规则处理。每条提案都附带理由、来源和下一步，遇到数据集类论文时 Viktor 会先核查许可证，非商用条款的例外情况才上报。所有内容须经他本人批准才发布，Viktor 只提议、他做决定。

北京大学、Google 和 HKUST 等机构的论文 Harness-Zero 研究 agent harness 蒸馏，通过 agent-as-harness 在训练时用优化后的 harness 纠正学生模型在目标动作空间的响应，生成训练示范后微调。

Google 发布 RRSI（Regularized Recursive Self-Improvement of Agent Harnesses）论文，指出自动化 harness 进化会对训练任务过拟合，评测分数上升但真实任务表现可能变差。

Microsoft Research 等机构的论文研究多智能体在任务执行中通过共享目录通信的收益。在 ARC-AGI-3 上，k 个通信智能体的成功率匹敌 4k 个独立智能体且差距随 k 扩大；在 polyomino packing 超越 best@k 和已知最优成绩，MNIST 压缩任务中四智能体团队写出 1,957 字节、99.4% 测试准确率的分类器。