TRACES：面向发现式智能的基准

自动化对齐研究框架将 Claude Opus 4.8 封装为智能体，用 2 天自主完成研究、提出方法并训练测试其他 AI，有效缓解对齐失败。主推文指出研究范式正从人类提出对齐方法，转向人类设计探索环境、AI 大规模搜索干预方案，未来人类价值或在于提供并优化目标信号。

人类的监督能力本身，也需要被系统性地设计、保护和维护。 朋友们，你们还在 loop 中么？ Paper： AI Agents Push Humans Out of the Loop https://arxiv.org/pdf/2608.23642

无递归预训练循环网络 【引用 @chrmanning】：@akarshkumar0101 与 @phillip_isola 的《无递归预训练循环网络》是一篇很棒的论文！ 它通过 Transformer 教师模型绕开了 RNN 的难题，学习良好的预测性状态表征，并对记忆转移函数进行监督学习。

Apodex Discovery 推出 TRACES 基准，评估 AI 系统能否通过证据充分、可审计、可修复的调查得到正确结果。它同时检查最终答案与外部可见轨迹，用 HDS6 盲评六种过程能力（工具、修复、备选解释、连贯性、证据、适用边界）。在 434 条缺陷轨迹上，加入修复说明使环境结果得分平均提高 0.155，但实验缺少匹配对照组。

在无中央协调器的开放世界多智能体环境Station中，来自不同模型家族的AI智能体自主选择研究方向、开展实验并构建共享科学文献。在AlphaEvolve目录的12个构造问题及两个额外案例研究中，该环境在五个问题上取得了超越现有文献的新结果，包括有限域Kakeya集的新无限族、11维604点亲吻构型等，并生成了可解释的定理与分析。所有原始智能体对话、证明和验证代码均已公开。

斯坦福大学研究人员领衔发布 Terminal-Bench-Science 0.1，用来自生命、物理、地球、数学和工程科学的 70 个专家精选任务评估 AI 智能体的科研能力。

Recent advances in inference-time scaling have significantly improved the reasoning performance of large language models (LLMs). However, these methods typically rely on repeated generation or external verification. To address this limitat…

Agent skills package specialized knowledge and workflows into reusable resources that extend AI agent capabilities. Recent work automatically discovers such skills from agent experience, which enables agents to progressively adapt through …

Recent prominent post-training methods, such as Reinforcement Learning (RL) and On-Policy Self-Distillation (OPSD), have driven rapid progress in mathematical reasoning for large language models, yet their reliance on ground-truth labels p…

To improve large language models' ability to resolve real-world software issues, prior work has focused on constructing large-scale agent trajectory datasets and performing supervised fine-tuning (SFT) on successful trajectories. However, …