LoopArena 基准发布：评估模型作为循环工程的运行时控制器

Google 等机构提出 SKILL.state，用显式可变执行状态替代不断增长的对话历史，解决长程任务中智能体变慢和上下文污染问题。模型每步仅读取技能规范、当前状态和最新观测，中间推理在生成有效状态更新后即被丢弃。在多个数据集、模型和执行环境中，任务准确率提升，累计 token 消耗下降，且该抽象与架构无关，可移植到现有技能运行环境。

微软研究指出标准SFT会持续在模型已拟合的序列上消耗梯度，收窄了后续RL所需的探索分布。TailSFT在训练中过滤这些序列，专注学习数据中欠拟合的尾部。在OLMo-3 7B上，pass@16在编程任务上最高提升16.8个绝对点，数学提升3.1点；经GRPO后最终pass@1最高提升3.9点，部分场景早期奖励提升速度快2.5倍。

本周精选AI论文：Netflix以四阶段生命周期管理LLM裁判，覆盖数千万会员，A/B测试提升观看量；NVIDIA提出Skill Lift，发现结构审查与技能质量相关性仅0.14，主张用配对运行测实际效果；阿里Scroll将上下文管理转为代码，用事件日志和Python内核替代预设schema，Qwen3.8-Max上达94.8%。

一项新研究提出含超3万专家生成轮次、3.6万条人工标注的参考完整基准，测试发现经典自动指标与无参考LLM-as-a-judge在专家判断面前均不可靠。其Mixture-of-Judges框架融合多种评估信号，与人类评估的相关性提升约30%。

新论文证实，隐藏的AI智能体技能文件无法通过"保密"得到保护--攻击者仅通过正常使用服务即可重构技能。在最弱的访问级别下，Daydreaming方法在7个技能和4个受害者模型上恢复了原始技能86.8%的能力，约为SigLeak的4倍，中位仅需32次调用，且披露防御机制开启时依然有效。

DAIR.AI 的基准测试让 15 个前沿 LLM 智能体通过 26 个工具、约 340-400 次决策运营足球俱乐部 20 个游戏年，全部存活，而脚本基线大多失败。规模、价格、供应商或 token 消耗均无法预测排名，顶尖模型差异在于管理行为。所有模型存在两个普遍失败：无法从被拒报价中学习隐藏价格，自我管理记忆退化为只增不减的存档或每赛季重写的计划。

一项新研究称，其 AI 系统在两位人类工程师仅提供硬件规格后，自主完成了性能模型、RTL、UVM 验证、形式化证明、固件及内核的全部设计，并在两周内部署，规格以下无人工干预。

Google DeepMind 新论文将 Co-Scientist 从模拟带入真实实验。在计算机科学中，它发现的推理时扩展架构在盲审下击败了 HealthBench Hard 和 Professional 上的六个前沿模型。

Google 发布论文 WikiSkill，将智能体技能进化系统拆分为原始执行轨迹、持久知识 wiki 与可执行技能三部分，经验先沉淀进 wiki，后续技能更新基于该知识库。消融实验显示 wiki 是主要增益来源：小模型配进化技能可超越规模大得多的无技能模型，且一个模型进化出的技能可跨模型家族迁移，有时甚至优于自进化技能。论文地址：arxiv.org/abs/2608.27454。

新研究将智能体轨迹语料库压缩为单一紧凑有限状态机，在12个公开数据集上仅用7至43个状态，以0.997适应度重放留出数据，毫秒级构建。FSM状态上下文在下一步预测上全面优于Agent Workflow Memory，失败预测AUROC最高达0.94，并支持在线监控提前停止。作者认为行为拓扑更多由部署框架而非底层LLM塑造。