研究：LLM 高分却缺基础，Qwen3-80B 一致性仅 48%

清华与 Qwen 团队发布 Terminal-Universe 论文，从既有智能体轨迹中还原代码工作区，使其可生成大量新的可验证训练任务。用该数据微调 Qwen3.5-27B 后，在 Terminus2 设置下 Terminal-Bench 2.1 从 46.2% 升至 58.1%，EvoCode-Bench v2 MT@4 从 6.3 升至 20.1。

PayPal AI 论文《The Memory Trust Gap》研究持久记忆智能体在存储记忆过期时的表现，测试 Qwen3 0.6B/1.7B/4B/8B 模型。

LoopArena 基准（arxiv.org/abs/2608.28281）评测模型作为运行时 Controller 指导固定编码 Worker（Qwen3.7-Plus）完成长任务的能力。

一项研究对8款领先模型进行为期一年的长时程任务测试，包括GPT-5.6 Sol和Claude Opus 4.8，其性能相较人类大幅下降。最佳配置Qwen3.7-Max with Hermes最终仅获得人类平均收益的27.3%，凸显长时程执行可靠性严重不足。

阿里 Scroll 将上下文管理从写入时决策改为查询时决策，会话存于追加式事件日志，工具输出绑定到持久化 Python 内核变量而非塞入提示词。以 Qwen3.8-Max 为骨干，在 BEAM 历史任务上达 73.1 分，优于现有记忆系统公开配置的 68.0 分。

Meta 新论文提出 EvoHarness-RL，通过强化学习训练智能体自主决定何时使用外部记忆与工具，而非硬编码持续访问。该方法将 Qwen3-8B 在 ALFWorld 已见任务成功率从 ReAct 的 47.9% 提升至 96.9%，未见任务达 86.6%（对比 50.0%），且每次任务的外部状态调用降至约 1 次。

面壁智能与清华NLP团队提出ALIGN，自动生成对齐接口解决智能体与环境间的失配问题。仅改写反馈措辞即可将Qwen2.5-7B智能体在ALFWorld上的成功率从13.4%提升至31.3%。该方法在四个基准上最高提升45.67%成功率，并减少65%连续无效动作，且接口可跨智能体架构和LLM骨干迁移。

Miles 团队在 Blackwell 架构上实现了两种原生低精度强化学习方案：端到端 MXFP8 和 MoE 专家权重的逐 token NVFP4。在 8x B200 上对 Qwen3-30B-A3B 的消融实验中，BF16 与所有五种低精度配置的原始奖励曲线高度重合，且 MXFP8 和 NVFP4 减少了推理时间。

NexForge提出需求驱动框架，无需领域特定基础设施即可自动合成多样化可执行智能体任务与专家轨迹。该框架生成3.6K终端和2K办公任务，将Qwen3.5-35B-A3B Base在Terminal-Bench 2.0上从22.5%提升至52.0%，GDPval Elo从813提升至1338。

小红书提出 PIPO 架构，通过输入侧压缩器将两个 token 折叠为一个 latent，输出侧 MTP head 将隐藏状态展开为额外 token，实现输入长度减半、每步输出翻倍。基于 Qwen3.5-4B/9B backbone，在 AIME 2025 等基准上最高带来 +7.15 pass@4 提升。部署测评中，TTFT 加速约 1.23×，TPOT 加速约 1.86×。训练采用 SFT 和 On-Policy Distillation 两阶段，将 verifier …