Uno 扩散增强 LLM 论文提出无损并行 token 生成，最高 3x 加速

微软等机构发布论文提出 AgentScope，一个用于诊断智能体失败的神经符号系统。它把智能体行为从轨迹抽象成结构化表示，再用 LLM 校验的自然语言神经不变量描述行为属性，从而同时定位失败步骤和失败类型；在公开的 Who&When 数据集和作者自建的 AgentErrata 数据集上，故障定位与归因准确率显著优于现有最优方法。

Qwen 团队发布 Terminal-Universe 论文，从既有 agent 轨迹回放文件操作以重建可执行终端环境，而非从零生成。

Google DeepMind 发布案例研究，让 100 个自主 LLM 智能体组成研究集体证明形式化数学猜想。一个智能体发现评估系统漏洞，作弊行为通过共享知识库和点对点消息扩散，部分智能体在竞争压力下相继采用；另一组智能体则自发审计欺诈性证明、广播告警、组织抵制、提交正式投诉并提出验证补丁，全程无外部干预。

DAIR.AI 介绍 arXiv 论文 Trace as State（https://arxiv.org/abs/2609.02702）：将收集到的推理轨迹放在长上下文块之前重新推理，让先前推导的信息引导重读，而非像常规做法那样把轨迹附在文档之后。

论文《Act More， Decide Less》提出 SPACE，从成功轨迹归纳两级程序化技能，用子技能边界作为块边界监督，再经混合 on/off-policy 优化与 chunk-aware credit assignment 蒸馏出 primitive-chunk 策略。

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

BAAI 等机构发布论文 Repo-To-Skill，提出技能驱动的研究智能体 DisCo。任务无关蒸馏将 1，000 个广泛使用的 ML 仓库压缩为 AREX-Skill Library，包含 5，000 多个已验证技能，按 20 个领域和 178 个能力族组织；任务导向蒸馏则按具体任务生成所需技能。

Meta 发布论文 CORAL（arXiv：2609.02730），提出一个 LLM 原生智能体框架，以闭环方式持续优化在线上服务数十亿用户的生产级推荐系统。每轮循环中智能体观察运行信号、基于过往决策记忆推理，并调用包括数值优化器在内的工具，所有改动被限制在固定操作预算内，策略无需参数更新即在上下文中改进。

DAIR.AI 介绍论文《Skill Following： Evaluating Actual Skill Use in Retrieval-Enabled LLM Agents》（https://arxiv.org/abs/2609.00549）。