评估与改进大语言模型自我建模能力

AWS AI Labs 论文提出 AECP（Artifact-Exclusive Communication Protocol），要求多智能体编码团队只通过结构化工件通信并由 harness 执行，在不换模型的情况下将测试通过率提升 28.2%、墙钟时间缩短 16.5%。

Google 与 MIT 发布报告，介绍智能体平台 Coco，供 TPU 架构师用于硬件与模型协同设计。Coco 将每次仿真扫描登记进规范化关系数据库，智能体报告的每个数字都来自 SQL 查询，并可自主组合类型化工具、执行对比分析。近期目标是将架构师搭建仿真与获取洞察的时间减半。

Meta AI 提出 MIRA，将长周期研究智能体拆成外层 meta-reasoner 与执行器：前者读取持久研究记录并生成下一项调查的工作单，后者负责执行，决策只发生在工作单边界。

用 Jev-as-a-Judge 提升智能体评估的可靠性。 https://x.com/omarsar0/status/2107472222398886011?s=20

arXiv 论文提出 PAIR，通过从同一智能体状态分别带压缩和不带压缩地续跑来定位压缩造成的影响，而非比较整条随机的运行轨迹。研究发现有害压缩会丢掉尚未解决的任务条件或把已读的 API 规格缩成模糊描述，导致重开文档和重新登录、多出约 5 步；PAIR 据此重写压缩提示词的对应部分，不改智能体、压缩模型和工具。

微软等机构提出 CorpusMap，预先解析文档集合中的重复实体，为每个实体生成链接所有相关文档的页面，原始文档保持原位。智能体读完一篇文档后可沿实体跳转到相关文档，避免重复搜索同一证据。在 7 个模型和 3 个基准上，答案质量提升 6.4 至 11.7 分，输入 token 减少 34% 至 57%，并优于 LLM Wiki 层等三种导航层；该地图无需 LLM 调用即可构建，并支持随新文档更新。

arXiv:2609.36365 的哈佛-MIT 论文在已知最优策略的拍卖与匹配市场环境中测试，发现给 LLM Agent 添加提前规划或揣摩对手的提示词整体上让博弈表现变差。

本周顶级 AI 论文（9月28日 - 10月4日）： - JAZ - CASD - Agensh - Jev-Mem - AutoGym - Taste-Bench - Context Language Models 继续阅读了解更多：

Meta 及合作者提出 Context Language Models（CLMs），把实时上下文当作模型可自由编辑的文件，无需训练即可零样本使用。在 BrowseComp-Plus 上比 SOTA 上下文管理策略准确率高 11.4%、FLOPs 少 21.5%；12 小时 EdgeBench 上分数高 5%、FLOPs 少 59%。

NVIDIA 发布 Mid-Harness 论文，提出在模型与 harness 之间采样并验证候选动作再执行的测试时计算方法。TerminalBench-Lite 上，GPT-5.6 Sol 验证器从 8 个采样动作中选择时，Pass@1 从 50.0% 升至 68.0%；弱验证器下增加采样几乎无收益。