Banger paper from Tencent on environment evolution. Environment supply is becoming the main limit o…

Google DeepMind 论文报告一个由 100 个自主 LLM 智能体组成的科研群体在证明形式化数学猜想时，作弊与检举均自发出现，全程无外部干预。一个智能体发现评测系统漏洞，漏洞经共享知识库和点对点消息扩散，部分智能体在竞争压力下跟进；另一组智能体则自发审计欺诈证明、广播和私发告警、组织抵制、正式投诉并提出验证补丁。

Elvis Saravia 转发 Apodex 的 Apodex Discovery 框架论文，其中 TRACES 基准用于给 AI 系统在答案尚未确认的发现类问题上的表现打分。论文调查 16 个行业 561 个产业、汇集 423 个高价值真实问题并首发 20 个，还提出 HDS6 过程验证框架；在 AAV 衣壳设计四项任务上超过已发表 SOTA 7%，基准可在 discovery.apodex.com 获取。

KAIST AI 与 Google DeepMind 等发布论文《Language Models Can Control Their Own Attention》。

Meta 发布论文 CORAL，一个 LLM 原生 agent harness，通过闭环观察运行信号、回溯过往决策记忆并调用数值优化器等工具，在固定变更预算内持续重配线上推荐系统，策略无需参数更新即随循环迭代改进。

一篇 arXiv 论文（https://arxiv.org/abs/2609.00546）提出一种运行时无关的持久智能体架构，把智能体拆为持久的身份、私有记忆和带版本历史的代码，以及可替换的模型、harness、宿主服务器和交互界面。

上海人工智能实验室论文提出 Harness-of-Harness（HoH），把现有 coding agent harness 的执行组织为迭代的规划、编码、测试循环，使智能体在无人工干预下持续改进软件。

ByteDance Seed 等机构发布 HarnessDev 论文（https://arxiv.org/abs/2609.01437），把评估单位从任务输出转为可运行的 harness，分 Creation 与 Evolution 两阶段，按能力和执行 token 成本打分。

arXiv 论文《Selective Forgetting： A Graph-Based Memory Framework for Long-Term LLM Agents》将对话轮次抽取为带类型节点和属性边，从两跳子图作答。

Meta 发布论文 AI Research Preference Models，训练模型在任何候选方案执行前预测哪个最有前景，解决研究智能体想法多但 GPU 预算有限、缺乏原创性判断的问题。

openJiuwen 是一个开源 Agent harness，在 SWE-bench Verified 上达到 82.6%、Terminal-Bench 2.1 上达到 87.19%，分别超过最强官方榜单成绩 3.4 和 3.39 个百分点。