Meta 发布 A-MLE 智能体框架，自动化广告排序模型的 ML 实验流程

Rohan Paul 梳理了 Fable 5.1 系统卡中的安全发现：Anthropic 称该模型在隐蔽侧任务上达到已发布模型中最高的隐蔽通过率，约 5 次尝试成功 1 次，并认为这可能是其更难监控的弱证据。

Arena 推出基于真实用户任务的智能体排行榜，评估模型在代码编写、应用构建、文档分析等工作中的表现，而非孤立基准。排行榜基于30万+任务、200万+工具调用和4000万行代码，综合任务成功、纠正遵从性、错误恢复、用户表扬与抱怨、工具幻觉等信号。前三名：GPT-5.5 High（+10.7%）、Claude Opus 4.7 Thinking（+9.5%）、GPT-5.4 High（+8.9%）。

hexoai开源了SIA（自我改进AI）框架。该框架展示了AI智能体不仅能优化其外部工作流（harness），还能通过任务反馈直接更新自身的模型权重，从而在领域知识和能力上实现自主提升，而非仅依赖人类提供的提示或工具改进。论文报告显示，SIA在LawBench基准上性能提升56.6%，在GPU kernels运行上耗时减少91.9%，在单细胞RNA去噪任务中相比基线提升502%。

Google DeepMind提出了AlphaProof Nexus系统，它将大型语言模型与Lean形式化验证工具相结合。该系统允许LLM在生成证明的过程中，不断读取Lean的编译错误并进行修正，还可调用更强的工具辅助解决子问题。这一机制迫使模型将每一步逻辑都转化为可编译、可验证的代码，从而将其角色从"令人信服的叙述者"转变为"候选方案生成器"。在针对353个Erdős问题和492个开放猜想的测试中，系统成功解决了9个Erdős问题并证明了44个序列猜想。该研究展示了形式化…

斯坦福与牛津论文 MedRSI 显示，医疗智能体可从自身错误中自我改进，但新能力须先在后续新患者上验证才能固化。若每轮都立即注册新工具，第 30 轮准确率降至 76.9%（57 个工具）；放慢注册、仅保留 18 个工具时准确率达 94.4%。该智能体还会优先处理可能造成更大临床危害的错误，而非仅关注最常见错误。

2026 年 arXiv 数学投稿量激增 33.5%。 2026 年前 8 个月，Mathematics 录得 47，127 条 arXiv 列表条目。 这并非单一热门话题所致。30 个数学子领域中 29 个实现增长，数据还显示更多作者以异常高的频率反复发表。 该论文认为，AI 时代的研究如今需要像扩展生成一样积极地扩展验证。

哈佛、MIT 等机构论文提出 FINSKILLOPS，让智能体从 SEC 文件分析错误中学习，但每个新行为须先通过回归测试。该系统用小型技能注册表把重复错误（如用错报告期、混淆公司）转为可复用指令，仅当新指令修复目标失败且不破坏已答对案例时才部署，将静态 RAG 系统变为可持续学习并安全更新的系统。

一项为期三个月的随机对照试验覆盖 11 家美国知识产权律所的 133 名专利律师，发现 AI 辅助显著提升专利草稿质量，初级律师获益最大，10 天和 90 天分别提升 0.58 SD 和 0.60 SD，高于资深律师的 0.30 SD。

Salesforce AI 用 Qwen3-Coder-30B-A3B 在 7 项企业任务上测试发现，把 Qwen 用 Gemini 完整轨迹微调后，成功率从 78.0% 降到 63.1%，7 项任务全部下滑，原因是 Qwen 照搬了 Gemini 的规划方式，与围绕它原有行为搭建的智能体设置不再匹配。

Google 新论文提出 Procedural Graphs，把 LLM 智能体的工作流从聊天历史中移出，改为可编辑的程序图，并让另一个 LLM 对比成功与失败案例来修改图，只有不损害留出任务的修改才会被保留。