用 Jev-as-a-Judge 提升智能体评估可靠性

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。

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。

微软提出 ActiveSaddler，通过自适应调整训练场景来优化 AI 智能体框架（harness）。该方法将反复出现的失败归类为失败模式，以非平稳赌博机方式追踪每种模式的学习价值，动态分配预算在复现已知弱点和探索新弱点之间。在相同优化器下，GAIA2 测试 Pass@1 提升 4.4 分，Terminal-Bench 2.0 提升 7.5 分。

Meta 提出 RankEvolve，通过编译协议约束各研究阶段与门控，让 Claude Code 和 Codex 作为独立节点互相审查修复改动。在同等预算下，双产品组合将执行准确率从单一最佳产品的 45.8% 提升至 62.5%。在开源 HSTU 推荐模型上迭代 12 次，MovieLens-20M 的 NDCG@10 较已发表结果提升 4.48%。

Meta Superintelligence Labs 等机构论文发现，轻量 harness 的基座模型在足够采样下常比 RL 后训练版本解决更多智能体任务，在 BFCL v4 multi-turn、ACEBench 和 WebShop 上，大 K 时基座常解开后者从未解开的任务。