微软提出 CASD：用编码代理分析轨迹日志做提示词优化，平均提升 16.6 分

Google DeepMind 发布 XYEval 论文，在 tau2-bench、SWE-bench、Terminal-Bench、HLE 和 MCP-Atlas 任务中加入一条自信但误导的用户建议，任务与正确解法不变。

论文介绍 JEV-as-a-Judge，发现多数评测可用廉价裁判，仅把不确定判定交给前沿模型。在 510 个保留偏好对上，级联接受 JEV 置信判定、其余上升至 GPT-6 Astra，保留 GPT-6 约 99% 的准确率，费用约为其 57%。

Salesforce 论文指出 RL 环境验证器质量至关重要：最干净的公开终端智能体 RL 数据集中仅 35.8% 环境通过其审计，另两个公开数据集干净率仅 10.1% 和 3.3%。

Stanford 和 Together AI 等机构的论文提出 Self-Organizing Agent Teams（SAT），让 o3-mini、Claude Sonnet 4 和 DeepSeek-V3 组成的团队从过往协作中学习可复用的协作策略。

PrimeScientist 将研究智能体的预算分配纳入智能体自身决策，在 12 项 AI 研究任务上对比 AutoResearch，同等预算下奖励提升 10.3%、研究尝试次数减少 50.6%。它维护一棵可执行的研究方向计划树，并用自适应 MCTS 策略根据实验反馈和剩余预算决定探索新方向还是继续有前景的方向。该方法在系统、代码优化和 ML 工程任务上同样有效。

论文 EvolveTrade 将交易智能体的系统提示词视为策略，每轮交易后由独立的 Policy Agent 读取决策轨迹与实际收益并重写提示词，主干模型保持冻结。在多种市场环境和两个主干模型上，进化后的智能体在多数设置下于 Sharpe ratio 和累计收益上超越固定提示词基线。重写后的提示词还促使智能体更多使用代码分析，并计算契合当前市场环境的信号。

ModularRSI 提出模块化递归自我改进的智能体框架方案，针对现有 harness 改进方式指出三大缺陷并给出修复：在基准不相交任务上进化、对比同一任务的成功与失败轨迹并跨任务聚合。

本周顶级 AI 论文（9 月 14 日 - 20 日）： - SoL-Pi - GAUGE - Salesforce Koa - Stellar Colosseum - Byte Model Scaling - Bash vs Typed Tools - Capability Laundering 继续阅读：

DAIR.AI 发布 9 月 14-20 日 Top AI Papers：Meta 研究字节级语言模型随算力增长的缩放规律，用 Marginalize-It 与 End-Of-Token 两种方法从 token 教师蒸馏 1B 字节学生，拟合缩放律显示 End-Of-Token 学生在渐近线上领先蒸馏 token 模型最多 4%，且仅用六分之一训练数据即可追平。

MIT 与 Sakana AI 的论文提出 SIFT（Self-Improvement via Fast Tree-search），验证自我改进编码智能体可行，并将运行成本降到 DGM 基线的约十分之一。