Salesforce 论文提出在策略修正，解决 harness 与模型协同进化中的模仿失效问题

AutoResearchExam 基准发布，覆盖模型训练、数据整理、AI 安全等七大研究领域，给智能体 24 小时 CPU/GPU 环境并综合评分。Astra 领先 19 小时后被 Fable 5.1 反超；Qwen3.8 Max、Gemini 3.8 Flash、Grok 4.6 位于性价比帕累托前沿。研究智能体常因低质量探索停滞，且易在改进中过拟合。

Elvis Saravia 强调模型-框架协同优化（model-harness co-optimization）是设计框架后在其中调优模型，并称框架工程（harness engineering）是解锁潜力的关键。他追踪多篇论文证明其有效性，并提及 Harvey 探索的 RLMs 提供了有趣的扩展方式。相关论文合集已发布在 DAIR.AI Academy。

谷歌新论文提出过程图（Procedural Graph）框架，将程序性知识显式存储为"过程-关系-过程"三元组，供长程智能体查询下一步动作及条件。该框架通过LLM精炼器对比失败与成功轨迹，自动编辑图结构并仅保留通过验证的修改，使智能体从最小骨架构建出匹敌甚至超越人工设计的图，并修复有缺陷的专家先验。

Harness 工程是目前最热门的技能之一。 我在最近一次 YC Paper Club 的分享中看到了一个关于 harness 工程的精彩概述。 那是一份非常优秀的顶级论文清单。 所以我决定把它整理成一个合集。请享用！

OpenAI 宣布给出 Navier-Stokes 千禧年大奖难题的一个解法，证明由一组智能体使用一个 OpenAI 下一代模型完成，官方称该模型能力显著强于 GPT-6 Astra。该问题关注 Navier-Stokes 方程描述的三维光滑流体运动是否会失解，约 90 年未决。Elvis Saravia 转发并评论称，若 GPT-6 Astra 已有此水平，下一代模型值得期待。

在 GPT-6 Astra 上测试可视化热门 AI 论文。 从这篇精美生成的 Transformer 论文交互式版本开始。 这为探索研究开启了新方式。

Google DeepMind、MIT、Stanford 等机构提出 SMART，一个 ML 性能建模库，其 main 分支几乎不含代码，仓库是自然语言设计文档的有向图，编码子智能体在版本更新时从文档重新生成全部实现。

Google DeepMind 发布关于主动式智能体的研究论文，探讨智能体在写作中提供高阶认知支持并自主选择发言时机的形态。研究团队构建原型并让 16 名参与者使用一周，发现用户会前瞻性配置支持、将建议用于自我监控，且对打扰程度的判断主要取决于呈现方式而非时机。

IBM 发表论文提出 STAIR，利用文档目录作为寻址方案，让生成式检索器从自身参数中存取信息，以保留分块丢失的全局层级结构。在 SearchTome 基准上，STAIR 的 Recall@1 达 82.6%，显著优于微调 DSI 的 76.9%，BM25 为 59.5%，DPR 为 68.7%。模型幻觉率保持在 0.05% 以下，且在训练样本极少时仍具泛化能力。

Elvis Saravia 推荐 arXiv 论文 Codebook Agent（arXiv：2609.02264，UCLA），研究发现多智能体系统经奖励筛选后拓扑收敛到约六种。