Microsoft Research 论文研究测试时通信：k 个智能体团队媲美 4k 独立智能体

Stanford 和 Together AI 的论文提出 Self-Organizing Agent Teams（SAT），让 o3-mini、Claude Sonnet 4 和 DeepSeek-V3 组成的团队学习协作策略。

Elvis Saravia 主张企业不能靠"租用智能"做到前沿，定制模型、harness 和评测正成为巨大资产。其引用 Harvey 联创 Gabe Pereyra 的案例：Harvey 通过路由、harness 改进和后训练优化，在用量月环比翻倍、继续提供前沿模型的情况下，单季度将毛利率从 -50% 提升至正值。

ReFigBench 基准要求编码智能体将真实 arXiv 概览图重建为可编辑 PowerPoint 幻灯片，覆盖 GPT、Claude、MiMo、MiniMax 四个模型家族的十种配置。

论文提出 Question's Gambit，在智能体开始搜索前运行一次：将问题拆成线索、转为互补搜索、汇总并重排结果，让智能体以已排序的上下文启动循环。

用 Jev 重新整理约 2.3K 篇 AI 研究论文，总成本 $0.14、耗时约 83 秒。Jev 与旧标签（由 DeepSeek V4 Flash 生成）一致率 75%，并找出约 579 处高置信度主题变更；人工抽检 30 处分歧后全部采纳，变更已在生产环境验证。作者认为通过组合 System One 与 System Two 模型可显著改进流水线。

MIT 和 Sakana AI 的论文提出 SIFT（Self-Improvement via Fast Tree-search），用 LLM judge 先排序候选自修改、只评测有希望的节点，大幅降低自我改进编码智能体的运行成本。

NVIDIA 论文提出 Agora，把研究智能体的结果、假设和验证记录为不可变的 Git commit，形成 append-only DAG，避免多个编码智能体重复实验并让彼此复用已验证结果。

Google Research 发布 Stellar Colosseum，一个面向长程数学和理论计算机科学研究的模型无关多智能体框架。该框架分阶段运行，先探索多种证明策略，通过就绪门槛后将路线拆分为章节级子问题，并行生成候选方案并配合定向证伪和批评合并。

Meta 的论文显示，字节级模型早期落后于 token 模型，但随算力增长实现反超。研究用最高 1 trillion bytes 数据蒸馏的 1B 模型验证：提出 Marginalize-It 和 End-Of-Token 两种将 teacher 的 token logits 转为 byte logits 的方法。

一份新技术报告提出 Recurrent Looped Transformer（RLT），让解码器对每个 token（含 prompt 与回复）循环复用，因果编码器构建全局 KV 记忆。48 层解码器下，t 个 token 的计算路径经过 48t 个解码块，深度随序列增长而单 token 成本不变。该报告仅为设计提案，作者称推理增益、硬件加速与 RL 扩展尚未实测。