All 419

一分钟读论文:《AgentGym2:去理想化评估》

如果你正在构建生产级 AI 智能体,你可能已经发现一个令人不安的事实:在基准测试上表现优异的模型,在实际部署中却频频翻车。

In AI, ParadigmRadar, 2 mins read

一分钟读论文:《双时间尺度递归自我改进架构》

本文讨论的论文是 MetaSkill-Evolve: Recursive Self-Improvement of LLM Agents via Two-Timescale Meta-Skill Evolution,arXiv:2607.05297,由慕尼黑大学(LMU Munich)的 Zefeng Wang、Minxi Yan 等六位研究者完成。

In AI, Agent, 1 min read

一分钟读论文:《SWE-Doctor:诊断引导修Bug》

本文讨论的论文是 SWE-Doctor: Guiding Software Engineering Agents with Runtime Diagnosis from Multi-Faceted Bug Reproduction Tests,arXiv:2607.00990,由新加坡国立大学和中国科学技术大学联合完成。

In AI, SoftwareEngineering, 1 min read

一分钟读论文:《LLM验证器:验证作为第四种缩放轴》

本文讨论的论文是 LLM-as-a-Verifier: A General-Purpose Verification Framework,arXiv:2607.05391,由斯坦福大学和加州大学伯克利分校共九位研究者联合完成。

In AI, LLM, 1 min read

一分钟读论文:《用Lean4验证Agent工作流》

LLM Agent 的工作流设计长期缺乏形式化保障,研究者通常依赖经验性测试和统计评估来判断一个 Agent 流程是否可靠。

In AI, FormalMethods, 1 min read

一分钟读论文:《游戏引擎编码智能体基准测试》

多伦多大学等机构的一篇论文《GameEngineBench: Evaluating Coding Agents on Real C++ Runtime Environments》(arXiv:2607.03525),提出了首个面向游戏引擎开发的编码智能体基准测试 GameEngineBench,发现最强模型在真实 C++ 编译验证下的 pass@1 仅为 55.5%,且 31 个任务(28.2%)对所有评估配置均不可解。

In Engineering, AI, 1 min read

一分钟读论文:《自主策略演化评估框架》

阿里巴巴达摩院合作的一篇论文《EvoPolicyGym: Evaluating Autonomous Policy Evolution in Interactive Environments》首次将”自主策略演化”形式化为独立评估设定——在固定交互预算内,Harness-Model Agent反复编辑可执行策略系统,评估其如何迭代提升已探索的策略。

In ai, agent, 1 min read

一分钟读论文:《Agent自主策略演化评估基准》

阿里巴巴达摩院团队的一篇论文《EvoPolicyGym: Evaluating Autonomous Policy Evolution in Interactive Environments》首次提出”自主策略演化”作为独立的Agent评估范式——在固定交互预算内,让Agent反复编辑和迭代改进自己的可执行策略系统,评估其从反馈中学习并持续优化的能力。

In ai, agent, 1 min read

一分钟读论文:《记忆巩固的身份不变性框架》

哈尔滨工业大学和苏州大学合作的一篇论文《Episodic-to-Semantic Consolidation Without Identity Drift》首次将记忆巩固形式化为不改变智能体身份的确定性函数——在持续积累知识的同时,通过身份哈希隔离语义知识层,实现字节级身份一致性。

In ai, agent, 1 min read

一分钟读论文:《长程智能体的有界记忆契约》

上海交通大学和清华大学合作的一篇论文《AgenticSTS: A Bounded-Memory Testbed for Long-Horizon LLM Agents》首次将长程智能体的记忆形式化为”契约”问题——每次决策从一条由类型化检索组装的全新用户消息出发,不附加任何跨决策的原始对话记录,使提示词在任意长度的运行中保持有界。

In ai, agent, 1 min read

Featured