Salesforce 论文：RL 环境验证器质量决定智能体训练效果

Stanford 和 Together AI 等机构的论文提出 Self-Organizing Agent Teams（SAT），让 o3-mini、Claude Sonnet 4 和 DeepSeek-V3 组成的团队从过往协作中学习可复用的协作策略。

PrimeScientist 将研究智能体的预算分配纳入智能体自身决策，在 12 项 AI 研究任务上对比 AutoResearch，同等预算下奖励提升 10.3%、研究尝试次数减少 50.6%。它维护一棵可执行的研究方向计划树，并用自适应 MCTS 策略根据实验反馈和剩余预算决定探索新方向还是继续有前景的方向。该方法在系统、代码优化和 ML 工程任务上同样有效。

论文 EvolveTrade 将交易智能体的系统提示词视为策略，每轮交易后由独立的 Policy Agent 读取决策轨迹与实际收益并重写提示词，主干模型保持冻结。在多种市场环境和两个主干模型上，进化后的智能体在多数设置下于 Sharpe ratio 和累计收益上超越固定提示词基线。重写后的提示词还促使智能体更多使用代码分析，并计算契合当前市场环境的信号。

ModularRSI 提出模块化递归自我改进的智能体框架方案，针对现有 harness 改进方式指出三大缺陷并给出修复：在基准不相交任务上进化、对比同一任务的成功与失败轨迹并跨任务聚合。

本周顶级 AI 论文（9 月 14 日 - 20 日）： - SoL-Pi - GAUGE - Salesforce Koa - Stellar Colosseum - Byte Model Scaling - Bash vs Typed Tools - Capability Laundering 继续阅读：

DAIR.AI 发布 9 月 14-20 日 Top AI Papers：Meta 研究字节级语言模型随算力增长的缩放规律，用 Marginalize-It 与 End-Of-Token 两种方法从 token 教师蒸馏 1B 字节学生，拟合缩放律显示 End-Of-Token 学生在渐近线上领先蒸馏 token 模型最多 4%，且仅用六分之一训练数据即可追平。

MIT 与 Sakana AI 的论文提出 SIFT（Self-Improvement via Fast Tree-search），验证自我改进编码智能体可行，并将运行成本降到 DGM 基线的约十分之一。

Google Cloud AI Research 发布 ScientistTwo，一个全自动多智能体科研框架，输入人类专家提出的问题后无需干预即可完成从建立 SOTA 基线、生成种子想法、数据子集预筛、消融归因到论文撰写的完整发现循环。

一项研究将多智能体系统中的失控描述为"流行病"：单个智能体意外偏离后，其他智能体通过通信采纳不安全策略，扩散快于纠正时系统即失效。正常任务中智能体造成伤害的比例为 0-5%，但收到另一智能体的不安全轨迹后升至 40-95%。

NVIDIA 发布开源合成数据工具 NeMo Data Designer（NDD）技术报告，采用声明式配置定义数据集各列，支持生成文本、代码、结构化输出、图像、嵌入向量及控制多样性的统计采样器，并可通过插件扩展类型。